学习算法

摘要： 传统PID控制算法在非线性时滞系统的应用中,存在参数整定及性能优化过程繁琐、控制效果不理想的问题。针对该问题,提出了一种基于强化学习的控制器参数自整定及优化算法。该算法引入系统动态性能指标计算奖励函数,通过学习周期性阶跃响应的经验数据,无需辨识被控对象模型的具体数据,即可实现控制器参数的在线自整定及优化。以水箱液位控制系统为实验对象,对不同类型的PID控制器使用该算法进行参数整定及优化的对比实验。实验结果表明,相比于传统的参数整定方法,所提出的算法能省去繁琐的人工调参过程,有效优化控制器参数,减少被控量的超调量,提升控制器动态响应性能。

摘要： 如何挖掘和分析企业人力资源数据,为人力资源管理者提供科学合理的决策方案是企业发展壮大的重要前提。通过分析企业人力资源数据特点,建立了基于神经网络的人力资源管理模型,并设计了基于该模型的人力资源管理和预测分析系统,开展了企业人力资源预测模型研究。结果发现基于神经网络的人力资源管理系统能够弥补传统人力资源计算模型中非线性计算能力的不足。通过大量样本数据分析,优化了该算法的设计和流程,以X医院2010~2020年人力资源数据为实例,验证该算法与企业人力资源预测的误差率在0.5%~1.27%范围内,取得了较为合理的预测成果。

摘要： 为了研究积分微分方程的数值解,构造了一种前馈型神经网络用于求解Fredholm积分微分方程近似解。首先,运用Taylor展开式近似代替未知函数,神经网络的误差由内部误差和边界误差组成。其次,应用神经网络对Taylor展开式的系数进行学习从而得到近似解。最后,与梯形求积规则(Trapezoidal Quadrature Rule,TQR)数值方法进行比较,验证了提出方法的可行性与有效性。

摘要： 机器学习的重要理论之一是统计学。在传统的统计学理论中,只有在样本数量足够多的情况下才能取得近乎理想的成果。文章主要提出了一种新型机器学习方法——相关向量机。与传统机器学习项目相比,相关向量机具有较多的优势,包含概率型输出的实现、核函数选择更加自由等,能够显著提升机器学习算法的科学性和合理性。

摘要： 针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG-LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG-LSTM单元结构;其次,基于TG-LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG-LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG-LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.

摘要： 为了解决现有ε型孪生支持向量回归机的训练算法无法高效处理线性回归的增量学习问题,提出了一种精确增量式ε型孪生支持向量回归机(AIETSVR).首先通过计算新增样本的拉格朗日乘子以及调整边界样本的拉格朗日乘子,尽可能减少新增样本的二次损失对原有样本的影响,使得大部分原有样本依然满足Karush–Kuhn–Tucker(KKT)条件,从而获得一个有效的初始状态;其次对异常拉格朗日乘子逐步调整至满足KKT条件;然后从理论上分析了AIETSVR的可行性和有限收敛性;最后在基准测试数据集上进行仿真.结果表明,与现有的代表性算法相比,AIETSVR能够获得精确解,在缩短大规模数据集的训练时间上优势显著.

摘要： 地质岩性是资源勘探和矿产勘查领域的基本研究对象,其能反映油气田和矿产资源的分布情况。为充分了解机器学习在岩性智能识别中的研究现状,掌握岩性识别的研究方法和未来的发展趋势,总结了RGB图像和高光谱图像结合机器学习算法在岩性智能识别中的应用研究现状,指出了各种机器学习算法存在的缺陷和岩性识别在特定领域亟待解决的问题,并提出了若干针对性的建议。

摘要： 面对国家电网中的窃电问题,充分考虑产生窃电问题原因,研究基于多层前馈神经网络学习算法的反窃电系统,提升电网经济效益。通过系统采集层的上位机采集卡、智能电表、计量设备等采集用电原始数据,经通信层的光纤网或无线网将采集层采集的用电数据交互传输至主站层,通过主站层汇总、存储采集数据后,采用多层前馈神经网络学习算法分析数据得出窃电行为分析结果,通过表现层为操作者提供展示界面,便于操作者及时发现窃电具体位置并下发核查单,实现反窃电检测。实验结果表明该系统可分析窃电数据并及时上报客户端,系统应用后,可节省用电量,提高供电公司的经济效益、电网公司管理效率和网络资源利用率,反窃电效果较好。

摘要： 使用现代信息技术,基于空间数据圈定矿化分布和找矿目标,是当前矿产勘查的一个新方向。采用模糊聚类方法,以地质、地球物理和地球化学图层为输入数据,在GIS平台上对空间矿化模式进行识别,并通过地质解读从中鉴别出矿化模式。模糊聚类是基于c-means聚类的人工神经网络方法,以模糊隶属度作为不确定性推理指标,是一种非监督分类器。用这一方法进行空间矿化模式识别,可以在多种矿床类型共存和交叉重叠分布的环境中,识别并鉴别出个性化的矿化模式。以内蒙古乌兰浩特120万图幅为例,展示了模糊聚类空间矿化模式的识别与鉴别过程,取得了良好的效果。

摘要： 古代玻璃种类繁多且易受环境影响而风化,因此需要对古代玻璃制品的化学成分数据分析,研究有无风化玻璃制品成分的变化规律,以并探索亚分类方法,进而可以根据未知分类的文物化学成分对文物进行准确的分类。本文通过使用K-means算法和BP神经网络结合的方式对玻璃制品进行亚分类划分,之后根据亚分类种类进行风化前后成分的预测;通过RUSBoost机械学习算法,70%的数据作为训练集,15%的数据作为测试集,其余部分作为预测集,来进行玻璃制品的种类鉴定。这些模型相互之间配合紧密,所得结果依次递进,使最终求解真实可靠。模型充分联系实际,具有很好的通用性和推广性。

摘要： 为了解决支持向量机在处理大规模样本时存在的不足，研究了支持向量的性质;根据样本的空间分布规律，提出一种改进的支持向量机增量学习算法。这种学习方法以密度法为基础，结合距离判据，获得了样本向量的选拔因子。以选拔因子为基础设计一种增量学习算法，在减少重复学习样本的同时，尽可能保留样本空间信息，从而得到较高的训练精度和较快的训练速度。仿真实验验证该方法的有效性。

摘要： 分析了航空应用与深度神经网络模型之间的矛盾,提出对面向航空应用的深度神经网络进行优化的必要性.指出网络深度增加带来的问题,并对这些问题产生的原因进行了分析.根据现阶段神经网络的优化技术,从网络结构、学习算法、网络参数、硬件实现四个方面对深度神经网络的优化方法进行了总结,并针对航空应用存在的问题提出三种解决途径.

摘要： 针对常用于非高斯信号或系统建模的包含隐变量的混合高斯分布模型,提出利用一种变分贝叶斯学习算法进行模型的参数估计.该方法采用一个形式较为简单的自由分布,通过不断最大化边缘似然函数的下界,迭代地更新变分参数,直至近似分布足够逼近参数真实的后验分布,从而实现混合高斯分布的参数估计.文中推导了该方法对混合高斯模型参数学习过程.实验表明,变分贝叶斯学习可以有效实现高斯混合模型的多参数估计,相比采样方法更有工程应用前景.

摘要： RBM作为深度神经网络的一个重要代表受到了广泛的关注。本文详细概述了RBM的基本概念，对RBM和DBM的学习过程和典型学习算法进行了探讨，从学习算法、模型结构和实际应用3方面介绍了近几年内RBM研究的相关进展。随着RBM理论与方法研究的深入，RBM将更加广泛地应用于各个领域。

摘要： 本文主要介绍条件随机场的原理,分析各种模型的特征,以及各种条件随机场的适用对象和效果的比较.沿着模型演变方向、概率表示框架、参数学习算法改进等发展脉络呈现模型的由来与相应的理论成果;通过不同结构的条件随机场模型在计算机视觉任务中的应用实例,分析不同结构模型所适用的任务与相应的表现.

摘要： 小波分析与神经网络结合的研究,已成为近些年来信号处理学科的热点之一.小波分析具有良好的时频局部性质,而神经网络具有自学习功能和良好的容错能力,将二者结合必具有强大的优势.对小波神经网络的模型、学习算法进行综述,并将其与RBF神经网络和多层感知器进行了比较.

摘要： 本文提出一种新型的Geometric学习算法以解决实时无人机航迹规划问题. Geometric 学习算法是一种增强性学习算法, 能够对最优航迹规划问题根据几何问题对路线进行求解. Geometric 学习不仅充分利用了地图的距离信息, 同时也融合了复杂环境中的危险信息来计算航迹, 从实用和理论角度都很好的解决了无人机航迹规划问题.本文同时提出了一种无人机规划轨迹的衡量方法. 通过衡量分析Geometric学习方法与其他方法的路径规划结果, 表明了Geometric学习算法的可行性及有效性.

摘要： 本文针对企业备件需求预测的非线性及时间序列的特点，利用BP(Back Propagation)神经网络的方法对企业的大批量备件进行预测。在揭示了企业主要进行备件需求总量预测的特性基础上，提出基于三层前馈神经网络的方法，系统的阐述了BP神经网络的学习算法，及神经网络算法的实现方法，最后以企业的年度备件使用量为依据进行了验证。结果表明：BP神经网络方法在预测备件需求量上是一种预测精度比较高的算法。

摘要： 本文研究约瑟夫森结特性，将Patrick Crotty提出的用约瑟夫森结组成的超导电路来模拟生物神经元与量子计算相结合，提出了一种约瑟夫森结量子神经元模型及其学习算法。实验结果表明，约瑟夫森结量子神经元具有较好的收敛性能。应用量子计算方法分析该量子神经元模型的量子逻辑运算功能，分析证明单个约瑟夫森结量子神经元能够实现单个经典神经元无法实现的XOR函数。

摘要： 发酵过程优化问题通常包含有互相冲突的多重优化目标,另外反应本身具有诸多复杂性。提出一种基于Pareto的分布式Q学习多目标策略,用以求解赖氨酸分批补料发酵过程流加速率轨迹的Pareto最优解&该策略中，学习算法和Pareto排序法将结合来产生非支配解集，并使之逼近真实的Pareto前沿#利用奖赏机制来描述多重目标之间的关系,并同时使用多组含有随机初始值的agent共同作用改善搜索能力。将所提出的方法应用于赖氨酸分批补料发酵过程的优化中，并与粒子群优化进行了对比,验证策略的性能。

摘要： 本发明属于深度学习方向的个性化路径推荐算法领域，涉及一种基于深度学习引导的A*算法的个性化路径推荐算法，包括：对数据进行预处理，从用户历史出行信息中提取可用数据；CNN+LSTM神经网络通过提取出的数据学习其中隐含的用户的个性化偏好特征，利用CNN+LSTM神经网络进行路径规划，得到备选路径；选路径的评测标准作为A*搜索算法的估算函数，用于A*搜索算法的迭代过程中下一时刻结点选取的依据；经A*搜索算法规划出的路径为最终求解结果即为用户推荐的个性化路径。该算法为现代导航系统的路线推荐功能提供了新的选择，能为用户提供更契合用户需要的路线建议，提升用户对导航服务的满意度，提高交通出行的质量。

摘要： 本发明公开了本发明提供的基于历史数据及自动学习动态精度收缩算法实现的里程时长预估算法，通过获取目标时间和位置信息，所述位置信息包括起始点经纬度和终点经纬度；根据目标时间和位置信息加载对应的索引和历史行程数据；根据索引在历史行程数据中检索；若检索命中目标行程数据，则将目标行程数据作为行程预估结果返回。本发明通过基于位置和时间的索引在历史行程数据中进行精准检索，将命中的行程数据作为预估结果反馈。历史行程数据具有真实的里程数据，和更具参考价值的时长数据，本发明与现有技术截然不同，索引精度和预估进度会跟随着数据量的积累逐步提升。

摘要： 本发明涉及极限学习机分类算法技术领域，具体涉及基于改进乌鸦搜索算法的极限学习机分类算法；包括以下步骤：搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。本发明弥补随机生成输入权重和阈值带来的一系列缺陷，提高ELM模型分类精度，并在对ELM模型参数进行优化时，基于传统CSA算法，通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索。

摘要： 对利用以往的散点图无法判定的细胞种类进行判定。一种使用神经网络结构的深度学习算法对生物试样所含的细胞进行分析的细胞分析方法，包括：使前述细胞在流路中流过，取得关于在前述流路内通过的各个细胞的信号强度，将与取得的关于各个细胞的信号强度对应的数值数据输入深度学习算法，基于从深度学习算法输出的结果，对每个细胞判定取得了信号强度的细胞的种类；利用前述细胞分析方法，解决了课题。

摘要： 本发明涉及一种用于训练机器学习算法的方法，方法包括以下步骤提：供具有与医学技术成像系统的安全数据连接和在该数据连接之外在网络中的中央计算装置的训练装置，提供数据接口，所述数据接口设计为用于从所述训练装置将数据发送至所述中央计算装置，创建多个基于图像记录的训练数据集，所述训练数据集分别配备有基本事实或者在数据技术方面与基本事实链接，经由所述安全数据连接将所述训练数据集发送给所述训练装置，借助于所述训练装置借助所述训练数据集训练所述机器学习算法，经由所述数据接口将经训练的所述机器学习算法的参数数据集发送给所述中央计算装置。本发明还涉及相应的机器学习算法、控制装置、成像系统以及设备复合体。

摘要： 系统(100)包括一个或多个处理器(110)和一个或多个存储设备(120)，其中系统(100)配置为通过由一个或多个处理器(110)执行的语言识别机器学习算法生成基于生物学相关语言的输入训练数据(102)的第一高维表示。此外，系统(100)配置为通过语言识别机器学习算法根据第一高维表示生成基于生物学相关语言的输出训练数据，根据基于生物学相关语言的输入训练数据(102)和基于生物学相关语言的输出训练数据的比较调整语言识别机器学习算法。此外，系统(100)配置为通过由一个或多个处理器(110)执行的视觉识别机器学习算法生成基于生物学相关图像的输入训练数据(104)的第二高维表示，根据第一高维表示和第二高维表示的比较调整视觉识别机器学习算法。

摘要： 本发明提出一种深度学习算法的选择方法，该方法包括：获取待处理的问题类型；依据所述问题类型选择相应的数据集，并将所选数据集分为训练数据和测试数据；计算所述训练数据的相似度；依据所述相似度调整所述训练数据的批次大小；依据所述问题类型选择多种深度学习算法，并利用所述训练数据训练所选择的所述深度学习算法以获取相应的算法模型。上述方法降低了深度学习算法的选择难度且通用性强。本发明同时提供一种深度学习算法的选择装置。

摘要： 本申请提供了一种组件发布及基于图形化机器学习算法平台的组件构建方法、图形化机器学习算法平台。图形化机器学习算法平台能够将功能模型发布或构建为新的组件，因此，在用户需要重复使用某一项功能的情况下，可以直接使用新的组件，而无需再重复建立功能模型，从而方便用户的使用。

摘要： 本发明公开了一种基于松鼠优化算法和机器学习算法的玻璃硬度预测方法，涉及电数字数据处理领域；方法包括：构建不同组分玻璃材料的硬度数据库；构建特征描述符；提供训练集样本，初始化松鼠搜索算法的参数；设定松鼠搜索算法优化参数，运用其优化Catboost算法参数，得到最佳Catboost算法参数，建立玻璃硬度预测模型；输入测试样本数据，预测玻璃硬度。本发明构建了独特的描述符，将松鼠搜索优化算法用于优化Catboost算法参数寻优，结构简单，提高收敛速度和精度，且寻优得到的最优Catboost算法参数可以较明显地提高Catboost算法的性能，对于提高预测玻璃硬度的准确性具有现实意义。

摘要： 本发明涉及一种基于深度强化学习算法的无人机辅助空地通信优化算法，属于无线通信技术领域。本发明首先构建分布有若干无人机基站和地面用户的三维场景，再建立无人机和地面用户的笛卡尔三维坐标模型，根据用户和空中基站的位置得到它们之间的距离和d和仰角θ，建立空地通信的系统模型，接着整理基站和用户之间的路径损耗，传输速率等影响因素，建立以吞吐量和公平性为目标的优化问题，然后确定模型所需的状态变量，动作变量以及奖励函数等，建立DDPG算法模型，最后根据算法，通过Python建立仿真，和其他算法进行对比。