增量式学习

摘要： 基于深度学习的地震相智能识别技术可以缓解人工解释费时费力的问题,目前得到了广泛应用。有监督学习算法能够高效率、高精度地实现地震相智能识别,但依赖于大量有标签地震数据的使用。针对这一问题,本文提出了一种增量式半监督学习地震相智能识别方法。该方法考虑地层的横向连续性特征,采用余弦相似度量化地震数据特征域的相似性,寻找当前使用的训练样本邻域中的最大差异样本,以合理地扩展训练数据集。这一过程不断增加训练数据的数量、学习训练数据的分布。在吸收新知识的同时整合旧知识,实现增量式半监督学习,以达到进化网络模型的目的。本文利用准确率和混淆矩阵从整体及局部共同质控模型的预测结果。将本方法应用到一个三维实际数据集,并对结果进行定量评估。该方法由于充分利用无标签地震数据,测试结果比仅使用有标签地震数据的常规有监督学习算法更准确、更稳定,且对于小样本类别的识别精度有显著地提升。本文方法仅利用不到1%的训练数据,在三维数据集的平均准确率可达到95%以上,对于常规有监督学习算法,其平均准确率约为85%。

摘要： 为了解决增量式最小二乘孪生支持向量回归机存在构成的核矩阵无法很好地逼近原核矩阵的问题,提出了一种增量式约简最小二乘孪生支持向量回归机(IRLSTSVR)算法.该算法首先利用约简方法,判定核矩阵列向量之间的相关性,筛选出用于构成核矩阵列向量的样本作为支持向量以降低核矩阵中列向量的相关性,使得构成的核矩阵能够更好地逼近原核矩阵,保证解的稀疏性.然后通过分块矩阵求逆引理高效增量更新逆矩阵,进一步缩短了算法的训练时间.最后在基准测试数据集上验证算法的可行性和有效性.实验结果表明,与现有的代表性算法相比,IRLSTSVR算法能够获得稀疏解和更接近离线算法的泛化性能.

摘要： 三支决策模型是近年来提出的一种新的决策理论,双论域信息系统下的三支决策是目前的研究热点.针对双论域信息系统的动态更新问题,提出一种双论域三支决策模型的增量式更新算法.对于双论域信息系统两个论域的动态变化,分别研究三支决策模型中三个区域的增量式更新.基于这种更新机制提出对应的增量式更新算法.仿真实验表明,与非增量式的更新算法相比,该增量式更新算法具有更高的动态更新性能.

摘要： 增量式属性约简是一种针对动态数据集的新型属性约简方法.然而目前的增量式属性约简很少有对不完备混合型的信息系统进行研究.针对这类问题提出一种属性增加时的增量式属性约简算法.在不完备混合型信息系统下引入邻域容差关系.基于邻域容差关系的粒化单调性,提出信息系统属性增加时邻域容差条件熵的增量式更新方法,并提出了不完备混合型信息系统下的邻域容差条件熵增量式属性约简算法.实验分析表明了该算法的有效性.

摘要： 增量式属性约简是目前粗糙集理论的重点研究内容.针对不完备混合型信息系统属性变化的情形,提出一种基于正区域方法的增量式属性约简算法.提出了不完备混合型信息系统下正区域的一种等价且高效的计算表达形式,利用这种计算形式分别构造了属性增加和属性减少时正区域地增量式更新,理论证明了其高效性,基于这种增量式更新设计出了相应的增量式属性约简算法.UCI数据集的实验分析表明所提出增量式算法具有一定的有效性和优越性.

摘要： 现有的机器人在未知环境下的行为能力与人类相比还有很大的差距。为了使机器人能够像人类一样持续在线地提升自身的行为能力,提出了人在环路的机器人在线可持续学习方法。首先,改进基于径向基函数网络的增量式学习,将人类加入到机器人学习的环路中,使机器人通过主动问询人类的方式获取新的学习样本,并基于该样本在线增量式地更新自身的行为。其次,基于贝塞尔曲线的轨迹规划方法将人类提供的高层行为转换成机器人可执行的低层动作,降低人类示教成本,同时提高所学行为的稳定性。然后,借鉴大脑的工作机理,提出类人的机器人潜意识学习方法,使机器人在内部世界产生虚拟学习样本,增加行为学习的鲁棒性。最后,走廊行驶行为学习实验显示机器人能够主动地与人类交互,并且高效、在线可持续地学习到鲁棒的行为。结果表明,所提方法使机器人具备类人的可持续在线提升自身行为的能力。

摘要： 现有的机器人在未知环境下的行为能力与人类相比还有很大的差距.为了使机器人能够像人类一样持续在线地提升自身的行为能力,提出了人在环路的机器人在线可持续学习方法.首先,改进基于径向基函数网络的增量式学习,将人类加入到机器人学习的环路中,使机器人通过主动问询人类的方式获取新的学习样本,并基于该样本在线增量式地更新自身的行为.其次,基于贝塞尔曲线的轨迹规划方法将人类提供的高层行为转换成机器人可执行的低层动作,降低人类示教成本,同时提高所学行为的稳定性.然后,借鉴大脑的工作机理,提出类人的机器人潜意识学习方法,使机器人在内部世界产生虚拟学习样本,增加行为学习的鲁棒性.最后,走廊行驶行为学习实验显示机器人能够主动地与人类交互,并且高效、在线可持续地学习到鲁棒的行为.结果表明,所提方法使机器人具备类人的可持续在线提升自身行为的能力.

摘要： 文章针对区间值信息系统中对象动态增加的数据环境,提出一种信息熵的区间值信息系统增量式属性约简算法.首先研究了区间值信息系统增加单个对象时,信息系统信息熵度量的增量式更新,理论分析表明这种增量式更新方法具有很高的计算效率;然后以单个对象增加时信息熵度量的增量式更新为基础,通过逐个迭代的方式实现了多个对象增加时信息熵度量的增量式更新;最后提出了一种区间值信息系统信息熵的增量式属性约简算法.实验结果分析表明,所提出的增量式属性约简算法比非增量式算法具有更高效的动态属性约简性能.

摘要： 针对现实环境下数据集不断动态变化的特性,提出一种邻域决策粗糙集模型的增量式更新算法.采用由简单到复杂的研究思路,分析了邻域型信息系统论域增加和减少单个对象时,目标近似集与邻域类之间概率的变化规律,进一步地利用这种规律来构造单个对象变化时邻域决策粗糙集模型上下近似集的增量式更新,在单个对象变化的基础上,通过逐步迭代的方式设计了对象批量变化时的增量式更新算法.实验分析表明,所提出的算法具有较高的增量式更新性能,适用于动态数据环境下邻域决策粗糙集模型的动态更新.

摘要： 概念漂移是数据流挖掘的一个研究热点与难点,判断认知收敛是研究盲区.粗糙集已被应用于概念漂移探测,但存在适应性问题,缺少增量式概念漂移的相关研究.针对上述问题,运用粗糙集理论,从单条决策规则和整体决策系统的角度出发,引入决策优势函数与漂移度,对增量式概念漂移的适应与认知收敛问题作了较为深入的研究,提出一种基于决策支持度阈值的增量式规则更新算法.理论分析与仿真实验表明:新算法在适应概念漂移和学习新知识时较其他算法更为敏感且高效,对概念飘移的研究策略有效可行.

摘要： 基于规则的个性化服务系统,通过规则在不同的情况下为用户提供不同的服务,其优点是简单、直接,缺点是不能动态更新,此外,随着规则的数量增多,系统将变得越来越难以管理.通过引入增量式学习方法,提出了一种基于规则的增量式个性化服务系统,来解决这些问题.

摘要： 传统的网络入侵检测方法利用已知类型的攻击样本以离线的方式训练入侵检测模型,虽然对已知攻击类型具有较高的检测率,但是不能识别出网络上新出现的攻击类型.本文提出了一种基于增量式GHSOM神经网络模型的入侵检测方法,在不破坏已学习过的知识的同时,对在线检测过程中新出现的攻击类型进行增量式学习,实现对入侵检测模型的动态扩展.在线入侵检测实验结果表明增量式GHSOM入侵检测方法具有动态自适应性,而且对于网络新出现的攻击类型,增量式GHSOM算法与传统GHSOM算法的检测率相当.

摘要： 提出针对概率分布参数时变的噪声空间的双目视觉几何估计问题,由于Hartley三维重构几何估计算法是针对双目视觉受到同等噪声影响下所采用的.因此,对于受到不同噪声影响的情况而言,这个方法不能有效、准确地估计实时变化的测量点位置.通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的噪声样本空间概率模型变化演进的规律,这样可以较准确、平滑地估计出噪声对摄像头的影响,并以此来改进Hartley三维重构几何估计算法.

摘要： 本文通过研究分析ID4、ID5R、属性最小约简的增量式学习算法以及概念格上规则提取的渐进式算法等增量式学习算法发现,当把知识的树结构和粗糙集的知识获取思想进行结合后,对于从数据中增量式获取知识有良好的效果.

摘要： 在线学习在联机汉字识别中有很大的应用价值,它使识别系统能够在识别的同时实时地自动地学习从而更好地适应当前汉字书写特点.在线学习是一种增量式学习.本文设计了一个具有在线学习功能的识别系统,阐述了其工作原理;对联机汉字识别中的在线学习问题进行了定义和分析;实验结果表明了本文提出的思想和方法的有效性.

摘要： 为了有效地获得用户的真实情感状态,促进和谐的人机交互体验.结合AVS情感空间和大五人格理论,本文提出了一种基于高斯混合模型的增量式情感映射模型.首先,在AVS情感空间的三种属性(A,V,S)坐标轴上,利用高斯混合模型对情感类型进行依次建模,计算情感概率值及其空间分布;其次,针对用户的个体差异性,采用层次分析法研究人格五因素与情感属性之间的关联,获得用户的个性化认知参数,实现具有个性化认知的情感映射结果;之后,采用增量式学习方法对情感类型的分布空间进行实时修正,保证情感分类的高准确率.最后,实验结果验证了该方法的情感映射结果与用户的真实情感状态具有高度一致性,并有较好的自适应性.

摘要： 本发明公开了一种基于在线式增量学习的模糊测试用例选择方法和装置。该方法以测试用例特征作为输入，测试用例质量评分作为输出组成训练样本；该测试用例特征包括测试用例自身特征、模糊测试执行特征、模糊测试执行效果特征和硬件程序追踪得到的指令特征；利用模糊测试变异且执行过的初始测试用例构建训练样本集，对在线式增量学习模型进行训练；获取候选测试用例的所述测试用例特征输入在线式增量学习模型，获得预测的测试用例质量评分，选取质量最优测试用例进行模糊测试；将所述候选测试用例的测试用例特征及为其预测的测试用例质量评分组成新训练样本，加入到在线式增量学习模型的训练样本集中以优化模型。使用本发明能够提高模糊测试效率。

摘要： 本发明公开了一种融合交互式强化学习的增量式认知发育系统及方法，向分层自组织增量神经网络中引入交互式强化学习，能够同时学习物体概念及通过与人类交互来调整学到的知识；为了实现两种算法的结合，为个别神经网络配备了一个记忆模型，该模型被设计为由两个遗忘因子控制的指数函数，来模拟人类记忆的巩固和遗忘过程；提出了一种交互式强化策略用于提供奖励或惩罚并执行纠错；这些反馈作用于遗忘因子，来强化或削弱神经元的记忆力，从而保留正确的表示，同时忘记错误的表示。实验结果表明，该方法能够有效利用人类反馈，显着提高学习效果，减少模型冗余。

摘要： 本发明公开了一种基于增量式宽度学习系统的永磁同步电机控制方法及系统，包括：S1、获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；S2、采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；S3、将训练数据样本集输入到宽度学习系统模型中进行训练，宽度学习系统模型采用增强节点增量式宽度学习系统；S4、利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。本发明基于增量式宽度学习系统的永磁同步电机控制方法及系统基于增量式宽度学习系统，具有超调低、速度快、可以控制非线性和大时滞系统以及抗干扰能力强等优点，提高了对永磁同步直线电机的控制能力。

摘要： 本发明属于计算机/煤矿安全领域，具体涉及一种基于增量式极限学习机的煤矿安全风险预警方法，该方法包括：构建基于增量式极限学习机的煤矿安全风险预测模型；实时获取煤矿数据，对该数据进行预处理，将预处理后的数据输入到训练好的基于增量式极限学习机的煤矿安全风险预测模型中，得到该煤矿安全风险预测结果；根据煤矿安全风险预测结果对该煤矿进行预警；本发明的模型预测输出和实际事故发生状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对煤矿风险预测结果更可靠，更有优势。

摘要： 本发明公开了一种增量式自训练框架及半监督宽度学习分类方法，框架包括初始化阶段，将所有未标记数据通过聚类方法和样本确定性大小形成有序的查询序列表，顺序选择部分数据初始化未标记数据池，同时使用初始标记数据训练基分类器，并标注未标记数据池中的数据；增量自更新阶段，根据选择度量值和设定阈值确定辅助训练数据并将其合并到标记训练数据集形成新的标记训练数据，用于更新基分类器；同时，顺序地从查询序列表中获取一批数据更新未标记数据池并用基分类器预测其新分类伪标签；重复增量自更新阶段，直到未标记数据池为空。本发明框架减少了大量重复运算，节省了资源，同时解决迭代造成的时间消耗问题，使其适用于大规模数据的应用。

摘要： 本发明涉及融合多级特征的增量式动态权值集成学习入侵检测方法，属于计算机与信息科学技术网络空间安全领域。本发明首先通过混合时间窗重建流量的拓扑特征，同时为时间窗内的流量建立敏感数据流向特征；其次基于注意力机制融合拓扑特征，生成特征向量；然后训练初级分类器和深度置信网络，并在深度置信网络训练过程中加入历史知识；最后利用深度置信网络生成动态权值构建训练集并训练次级分类器。本发明有效缓解了集成学习入侵检测方法中单一级别特征无法检测出高隐蔽性攻击和动态权值生成不精确且不具有可持续性导致检测性能下降的问题，有效提升了入侵检测模型的分类准确率。

摘要： 本发明公开了基于细粒度窗口和宽度学习的增量式动作识别方法，该方法基于细粒度窗口和宽度学习的增量式动作识别系统，该系统包括数据输入模块、动作识别模型构建系统、数据输出模块；动作识别模型构建系统用于构建动作识别模型；数据输入模块用于往构建好的动作识别模型中输入待检测动作数据；数据输出模块用于输出动作识别模型根据待检测动作数据分析得到的动作结果；上述方法包括以下步骤：通过动作识别模型构建系统构建动作识别模型；通过数据输入模块在动作识别模型中输入待检测动作数据；动作识别模型根据待检测动作数据分析得到动作结果，完成对动作的识别；通过数据输出模块输出动作结果。本发明方法可以实现快速准确地动作识别。

摘要： 本发明公开了一种基于增量式差异学习网络的多源异质影像变化检测方法，包括：构建两幅多源异质遥感影像的原始训练样本；利用两组原始训练样本分别训练SDAE，构建差异学习网络；根据两组原始训练样本和差异学习网络在当前次迭代中的目标函数训练差异学习网络，得到当前次迭代中的预分类结果图；利用其和预设的样本筛选策略确定当前次迭代中的分类器训练集，并训练分类器得到当前次迭代中的分类器的训练损失；判断是否达到迭代停止条件；若否利用当前次迭代中的分类器的训练损失更新差异学习网络的目标函数并返回差异学习网络训练；若是利用当前次迭代中训练完成的分类器得到两幅多源异质遥感影像的变化检测结果图。本发明能提高检测精度。

摘要： 本实用新型提供了一种增量式编码器接口电路及增量式编码器控制系统，增量式编码器接口电路，包括差分输入芯片，差分输入芯片的第三引脚、第五引脚、第十一引脚分别输出A相信号、B相信号和Z相信号；差分输入芯片的第二引脚、第一引脚、第六引脚、第七引脚、第十引脚、第九引脚为差分输入芯片的差分输入引脚，且第一引脚、第七引脚、第九引脚的输入信号为默认电平V1；增量式编码器接口电路还包括分压模块，分压模块分别与第一引脚、第七引脚、第九引脚连接，输入默认电平。采用上述技术方案后，可实现实现同时兼容差分信号类型的增量式编码器信号和单端信号类型的增量式编码器信号。

摘要： 本发明公开了一种用于对抗的增量式学习平衡推演方法，属于飞行行为识别和预测技术领域。本发明基于目标方的飞行轨迹信息，通过使用轨迹化差异度计算和基于缓冲区的双阈值差异度判别方法，可以使模型更高效地进行增量式学习，另一方面，本发明的样本混合处理保证了模型在学习新知识的同时，保留对旧知识的记忆。本发明可用于对无人机空中对抗演练过程中的博弈和复杂变化进行完备地推演。