学习速率

摘要： 实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40~45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.

摘要： 为了提高软件可靠性智能预测的精度,采用连续型深度置信神经网络算法用于软件可靠性预测.首先提取影响软件可靠性的核心要素样本,并获取样本要素的关键特征;然后建立连续型深度置信神经网络(Deep Belief Network,DBN)的软件可靠性预测模型,输入待预测样本,通过多个受限波尔兹曼机(Restricted Boltzmann Machine,RBM)层的预处理训练,以及多次反向微调迭代获取DBN权重等参数,直到达到最大RBM层数和最大反向微调迭代次数;最后获得稳定的软件可靠性预测模型.实验结果证明,通过合理设置DBN隐藏层节点数和学习速率,可以获得良好的软件可靠性预测准确率和标准差.与常用的软件可靠性预测算法相比,所提算法的预测准确度高且标准差小,在软件可靠性预测方面的适用度较高.

摘要： 针对跟踪过程中遮挡因素以及目标尺度变化因素导致的目标跟踪漂移问题,文中提出了一种自适应尺度与学习速率调整的背景感知相关滤波跟踪算法.该算法首先通过背景感知相关滤波器获得目标的初步位置信息;其次在背景感知相关滤波器的基础框架下训练尺度相关滤波器,以有效估计目标尺度变化,从而准确调整搜索区域的大小;然后根据响应图波动情况进行遮挡判定,利用平均峰值能量指标与最大响应值判定目标遮挡情况,自适应调整模型学习速率大小;最后,设计相应的模型更新策略,来提高模型性能.在OTB100 Benchmark数据集上进行测试,实验结果表明,该算法与背景感知相关滤波器相比,其成功率提高了6.2％,精度提高了10.1％,因此该算法能有效地处理遮挡、尺度变化等问题,提高了跟踪模型的成功率与准确率,同时具有实时的跟踪速度.

摘要： 利用模糊系统和BP神经网络的组合模型来进行电子部件的性能评价,组合模型能够兼具二者优点,从理论上比模糊系统性能评价更精准全面.为提高模糊BP神经网络的映射和预测能力,将BP神经网络结构中的动量因子和学习速率两个参数利用误差反馈来调整.从理论上组合模型对电子部件性能评价误差更小,速度更快.通过实例仿真试验表明,改进后的模糊BP神经网络相比较改进前模糊BP神经网络系统,对导引头的性能评价更精准,适用性更强.

摘要： 检测异常用电的目的 是打击异常用电,并减少电能的非技术性损失.文中提出了一种基于逻辑回归算法的异常用电辨识方法,主要包括特征提取、算法构建以及检验模型等模块.提取电网用电量等相关数据,并从数据集中提取出电量下降趋势指标、线损指标和告警类指标用作异常用电评判体系.进行电量下降趋势指标、线损指标和告警类指标的归一化处理,再进行离群邻近度的计算,初步筛选异常用电用户.对初步筛选的结果进行逻辑回归算法的再次筛选,进一步提高识别准确率.经过电网部分用电数据的检验后,该算法相较于逻辑回归算法,识别率更高,识别效果更好.

摘要： 针对目前工作面液压支架阻力确定方法的不足,提出了1种新的预测方法,采用改进后的逻辑斯提算法(LR)来优化梯度提升回归(GBRT)模型,以此来预测液压支架阻力.在GBRT中加入学习速率来限制子模型的学习速率,防止其过拟合;应用LR对样本参数进行优化,建立LR-GBRT回归预测模型;将该预测模型应用于液压支架阻力的预测,预测结果与LR(线性回归模型)、SVM(支持向量机模型)、DTR(决策树回归模型)、EN(弹性网回归模型)进行对比分析.结果表明:LR-GBRT模型具有较强的泛化能力,较高的预测精度,可以对液压支架阻力进行有效预测.

摘要： 针对传统混合云数据冗余值迭代算法的平均回报值较低、收敛稳定性较差、收敛动作规模较小等问题,提出一种基于学习速率与更新向量的混合云数据冗余值迭代算法.首先,构建混合云数据冗余值值函数,在该函数中引入一个新的参数更新权重向量,基于深度学习中学习速率要求,获取值函数的稳定值;其次,依据获取的稳定值计算值函数稳定值向量,利用新权值处理稳定值向量,获取值函数更新向量;最后,对权值增量进行计算,结合哈希表完成混合云数据冗余值的迭代研究.实验结果表明,该算法的平均回报值最高,且收敛速度最快.

摘要： 首先讨论了ART2网络的常用学习规则,指出快速学习方式中隐式蕴含了在其他神经网络中常提到的学习速率,并给出了调整这种隐式学习速率的方法。通过实例说明了学习速率调整对模式漂移现象的抑制作用,并对比了不同学习速率对Iris数据集分类的影响.

摘要： 在基本的BP算法及VLBP算法的基础上,根据遗传算法中变异的思想.提出了一种随机学习速率的BP算法。该算法在避免陷入局部最小的问题上有了一定的改善,并明显地加快了收敛速度.

摘要： 针对对角回归神经网络(DRNN)的输入层学习速率ηI,隐含层学习速率ηD,输出层学习速率ηO和隐含层神经元个数q选取任意性的缺点,提出了基于遗传算法(GA)的DRNN,即在初始化阶段用GA来优化ηI,Dη,ηO和q,再用这些优化的参数来构建DRNN,并给出了改进的基于GA的DRNN.分别用标准DRNN和基于GA的DRNN进行实例仿真,结果表明,基于GA的DRNN具有优良的特性.

摘要： 本文利用提出的信号相依性测度进行盲信号分离。在白化过程中利用各个输出分量之间二阶相依性测度确定源信号的数目,在分离阶段利用高阶相依性测度确定学习速率参数,以自动控制分离的收敛速度。理论分析表明,信号相依性测度能很好地表示各个输出分量的分离程度。仿真结果证实,该算法能够较准确的估计源信号数目,提高了盲信号分离的精度。而且具有较快的收敛速度和较高的稳定性。

摘要： 对角回归神经网络的学习速率和结构选取都是采用经验法。遗传对角回归网络就是应用遗传算法对它的学习速率和网络结构进行优化,用优化的结果来构成一个新神经网络,并给出了具体的算法。将这个遗传对角回归神经网络用于伺服系统控制器设计,仿真结果表明,这种方法设计的控制器具有较高的控制精度。

摘要： 本研究提出一种学习动力与能量的模型,此一模型以科学方式剖析学习系统,其原理类似物理学中的牛顿动力学,因此称此一模型为学习反应动力学.首先探讨学习系统中学习动力与学习速率的关系,并且进一步推导学习能量的变化(学习动力学第一、二定律),然后以学习能量变化来剖析学习过程与学习成效的提升(学习动力学第三、四、五定律).本研究之学习系统是累积过去二年在非同步远距教学课程的实验,利用资料探勘技术,从远距教学的学习历程资料挖掘学习资讯,然后利用这些资讯,推导并验证上述的学习模式.

摘要： 本文提出了一种单神经元控制器的参数自整定方法,用该方法设计的控制器可以按照模糊规则实现神经元学习速率的自整定.这种模糊神经元与Smith预估器组合的复合控制可以降低Smith预估器对模型误差的敏感性.文中通过仿真给出了这种控制方法用于纯滞后系统的实验,实验结果表明,这种控制方式利用了神经元自学习的能力及模糊推理的优点,对纯滞后系统可能取得较好的控制效果.

摘要： 通过对Elman网络进行在线学习算法的推导,建立了递归网络稳定性条件.通过分析得出若干拓展的结论,并以对角递归神经网络为例,给出更为简洁的判断结果.得出的递归网络稳定性分析结论,可适用于一大类递归神经网络.

摘要： 通过对Elman网络进行在线学习算法的推导,建立了递归网络稳定性条件.通过分析得出若干拓展的结论,并以对角递归神经网络为例,给出更为简洁的判断结果.得出的递归网络稳定性分析结论,可适用于一大类递归神经网络.

摘要： 通过对Elman网络进行在线学习算法的推导,建立了递归网络稳定性条件.通过分析得出若干拓展的结论,并以对角递归神经网络为例,给出更为简洁的判断结果.得出的递归网络稳定性分析结论,可适用于一大类递归神经网络.

摘要： 一种深度学习预均衡‑超奈奎斯特速率大气光传输方法，将深度学习预均衡技术与FTN技术相结合，在高传输速率下进一步提高了大气光通信系统的误码性能，属于无线光通信技术领域。从而实现传输速率大于奈奎斯特速率；收端通过采用匹配滤波器、超奈奎斯特采样和最大似然检测技术实现信号的恢复。相比于传统无线光通信系统，FTN以及深度学习技术的引入在保证系统性能的前提下有效提高了系统的传输速率，对新型大气光通信系统的设计具有参考价值。

摘要： 一种基于半监督学习的移动边缘计算速率最大化方法，包括以下步骤：1)每个无线设备都需要与基站建立联系；2)使用两个互不重叠的集合M0和M1分别表示在本地计算模式和分流模式的所有无线设备；3)处在集合M0中的无线设备能够收集能量并同时处理本地任务，而处在集合M1中的无线设备只能在收集能量后将任务分流至基站处理；4)所有无线设备的模式选择将通过它们的信道增益hi决定，半监督学习的作用则是将它们的信道增益作为输入，然后生成一个能使所有无线设备的总和计算速率最大化的最优模式选择，即决定哪些无线设备的任务在本地处理而哪些分流至基站处理。本发明在保证用户体验的前提下最大化所有无线设备的总和计算速率。

摘要： 本发明公开了基于变速率学习的螺杆式物料下料装置控制器，其包括输入模块、存储模块、输出模块和处理模块，处理模块又包括预测模块、重量监测模块、误差计算模块及逻辑控制模块。基于单次和累积下料误差，处理模块通过迭代学习对螺旋输送器进行控制，迭代过程中基于下料误差的变化分别对单次和累积下料误差的学习因子进行动态调整。本发明基于距离传感器和称重模块的检测，通过搅拌器对下料仓内的物料堆积进行调节以保证物料密实度稳定；学习因子能自动调整优化，与现有技术相比，本发明使得下料控制不需要对参数反复试凑，能快捷地获得收敛性能较好的迭代式，且在迭代学习过程中的落料能被有效利用。

摘要： 本发明公开了一种基于端到端学习的通信可达速率检测方法，其步骤包括：1、利用神经网络模型训练计算出对数似然比(LLR)；2、通过梯度下降算法精确计算结果3、根据所求对数似然比计算基于比特译码的信息可达速率——广义互信息(GMI)。本发明能在保证计算结果准确性的同时大幅度提高计算效率，从而能提高信息可达速率的计算实时性。

摘要： 本发明提出了一种基于深度学习的疲劳裂纹扩展速率测试装置和方法，包括一种双尺度快速‑区域卷积神经网络以准确度量裂纹长度，克服了传统柔度法、电位法难以适应于非标准试样的缺点，可用于任意几何尺寸的非标准试件裂纹扩展长度追踪。该方法首先通过相机采集不同尺度的裂纹数据集；其次，利用Faster‑RCNN对裂纹数据集进行训练；再次，构建全局和局部双尺度快速卷积神经网络，预测整个载荷循环周次下的裂纹长度；最后，融合断裂力学获取疲劳裂纹扩展速率与裂纹尖端应力强度因子的关系。本发明可实现对任意几何尺寸的非标准试件裂纹长度度量和扩展速率测试，对疲劳裂纹扩展试验过程中的裂纹长度进行实时自动化测量，并对裂纹扩展速率进行测试。

摘要： 本发明公开了一种基于机器学习的量子城域网端到端可用密钥速率测量方法，主要解决现现有同类技术因时延判断错误导致测量精度低的问题。其方案是：用XGBoost算法训练不同网络的端到端时延得到端到端时延趋势预测模型；设置待测路径的相关参数，源端发送密钥包；目的端记录并分析相邻数据包的到达间隔，决定后续密钥包包长；源端发送后续测试密钥包；目的端记录密钥包的端到端时延计算其特征值，输入到训练好的端到端时延趋势预测模型得到端到端时延变化趋势；根据该变化趋势重复调整速率，获得满足精度的可用密钥速率。本发明减小了对时延趋势判断失误的概率，提高了测量精度，可用于量子城域网络建设项目验收，相关通信服务及网络优化。

摘要： 视频编码器确定缩放的变换系数，其中，确定缩放的变换系数包括：根据给定的量化步骤，对视频数据的块的变换系数进行缩放。视频编码器确定经标量量化系数，其中确定经标量量化系数包括：将标量量化应用于该块的缩放的变换系数。另外，视频编码器应用神经网络，该神经网络针对块的每个相应的变换系数，来确定相应的概率集合。用于各个变换系数的各个概率集合包括针对多个可能的调整值中的每个可能的调整值的相应的概率值。神经网络的输入包括缩放的变换系数和经标量量化系数。视频编码器基于针对块的特定变换系数的概率集合，来确定用于该特定变换系数的量化水平。

摘要： 本发明提出一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，包括：(1)基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型；(2)基于该物理模型产生大量管道泄漏数据；(3)采用粒子群算法优化的支持向量机（PSO‑SVM）和简化处理的卷积神经网络（CNN）分别对物理模型生成的大量数据进行学习；(4)得到基于机器学习模型的燃气管道泄漏速率预测方法；(5)进一步对机器学习模型的适应性进行研究；(6)进行模型参数选择以及模型预测分析；(7)测试模型的泛化能力并进行实验验证；(8)根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型。其实现了更精确预测燃气管道泄漏速率的预测方法。

摘要： 本发明提供了一种测试MAC地址学习速率的方法、测试系统，控制终端先在待测试设备的验证端口上绑定静态MAC地址，然后控制测试仪以预设发送速率向待测试设备发送学习流量样本和验证流量样本，检查测试仪的第三端口不再有洪泛流量时，等待预设时间后若第三端口累计收到的洪泛个数没有增加，则将累计接收到的洪泛个数确定为第一洪泛样本数，然后基于第一洪泛样本数、流量个数以及预设验证速率计算得到MAC地址学习速率。由于上述过程不存在时间变量，因此，可以消除时间变量带来的测试误差，同时该方法适用于待测试设备在通过软件方式或者硬件方式进行MAC地址学习时测试学习速率，具备通用性。

摘要： 本发明公开了一种硬件压缩打包提升MAC学习速率的方法及系统，涉及通信网络数据交换技术领域，本发明通过交换芯片收到报文时，根据MAC表挂起状态和老化状态，进行MAC地址过滤；同时，将MAC学习消息批量压缩打包上送，大幅提升MAC学习效率。为了进一步提升MAC学习的可靠性，本发明还设计了MAC表删除流程，当不可靠的系统出现MAC学习消息丢失时，通过定时删除被挂起的MAC表，能保证MAC学习消息会继续送往学习模块进行学习。