训练算法

摘要： 为找出桥梁工程位移估算的标准模型,本文基于Feed神经网络、Elman神经网络、Time神经网络和Cascade神经网络共4种人工神经网络模型,采用traincgb算法、trainrp算法、traincgf算法和traincgp算法等14种训练算法训练模型,构建了16种模型,并以均方根误差(RMSE)、相对均方根误差(RRMSE)、决定系数(R2)、平均绝对误差(MAE)、效率系数(Ens)评价不同模型精度,结果表明:14种训练算法的运行效率有所差别,traincgb算法、trainrp算法、traincgf算法和traincgp算法的运行效率最高;不同模型精度有所差异,其中,Cascade神经网络模型在trainrp算法训练下的精度最高。

摘要： 神经网络优化是机器学习领域的一个基础性前沿课题。相较于神经网络的纯梯度优化算法,非梯度算法在解决收敛速度慢、易陷入局部最优、无法解决不可微等问题上表现出更大的优势。在剖析基于梯度的神经网络方法优缺点的基础上,重点对部分非梯度优化方法进行了综述,包括前馈神经网络优化和随机搜索优化;从基本理论、训练神经网络的步骤以及收敛性等方面对非梯度优化方法的优缺点和应用情况进行了分析;总结了基于非梯度的训练神经网络的算法在理论和应用方面面临的挑战并且展望了未来的发展方向。

摘要： 为了解决可应用于更广泛患者群体的医学问题,机器学习模型依赖于来自各种机构的大型、多样的数据集。但是,由于法律、隐私和文化方面的限制,卫生系统和医院通常难以共享患者数据。近日发表在Scientific Reports杂志上的一项研究表明,一种称为联合学习(Federated Learning)的新兴技术可以解决这一难题。联合学习是谷歌首创的用于键盘输入自动更正的一种方法,它在多个分散的设备或服务器上训练算法,这些设备或服务器保存本地数据样本,而无需进行数据样本交换。

摘要： 物联网的发展为许多企业带来了令人兴奋的机会,也让个人生活变得更加轻松惬意,同时提高了许多企业的效率、生产力和安全性。当下,人工智能可能是其新的催化剂。早在2017年,人工智能和物联网就被认为是颠覆性的里动因素。人工智能使物联网获取感知与识別能力、物联网为人工智能提供训练算法的数据,在商业层面,二者共同作用于实体经济,促使产业升级、体验优化。

摘要： 长短期记忆(long short-term memory,LSTM)网络是一种循环神经网络,其擅长处理和预测时间序列中间隔和延迟较长的事件,多用于语音识别、机器翻译等领域.然而受限于内存带宽的限制,现今的多数神经网络加速器件的计算模式并不能高效处理长短期记忆网络计算;而阻变存储器交叉开关结构能够以存内计算形式完成高效、高密度的向量矩阵乘运算,从而成为一种高效处理长短期记忆网络的极具潜力的加速器设计模式.研究了面向阻变存储器的长短期记忆神经网络加速器模拟工具以及相应的神经网络训练算法.该模拟工具能够以时钟驱动的形式模拟设计者提出的以阻变存储器交叉开关结构为核心加速部件的长短期记忆加速器微体系结构,从而进行设计空间探索;同时改进了神经网络训练算法以适应阻变存储器特性.这一模拟工具基于System-C实现,且对于核心计算部分实现了图形处理器加速,可以提高阻变存储器器件的仿真速度,为探索设计空间提供便利.

摘要： The existing methods of fall detection have poor adaptability and limited functions.In this paper,a recurrent neural network based fall detection system is introduced to improve the performance of fall detection and to make it able to identify more dangerous near-falls by exploring the relationship of the position sensor data.Firstly,a serialization representation method on position sensor data,training and test data is designed as the basis for intrinsic relationship exploration.Then,the training algorithm for RNN based fall detection is proposed,where the fall detection is transformed into a classification problem of the input sequence.Finally,using the large-scale RNN system based on distributed neurons,the fall detection system is implemented on the Spark platform.Evaluations are carried out on Fall adl data.The experimental results prove that the proposed system can improve the precision and recall of fall detection effectively.Compared with the existing fall detection systems,F-measure has improved by 12％ and 7％,respectively.Moreover,the system is also able to detect the near-fall behavior effectively which helps provide timely protective measures to reduce the damage caused by falls.%针对现有跌倒检测方法存在适应性差和功能较单一等问题,引入递归神经网络,通过发掘位置传感器数据之间的内在联系提高检测跌倒行为的效果.首先,设计了传感器、训练与检测输入数据的序列化表示方法,为发掘其中与跌倒和接近跌倒行为相关的内在关联提供了基础;接着,给出了用于跌倒检测的RNN训练算法以及基于RNN的跌倒检测算法,将跌倒检测转换为输入序列的分类问题;最后,在前期实现的基于分布式神经元大规模RNN系统的基础上,在Spark平台上实现了基于RNN的跌倒检测系统,使用Fall_adl_data数据集进行了测试与分析,验证了其能有效提高跌倒检测的准确率和召回率,F值相比现有跌倒检测系统提高12％和7％,同时能有效检测出接近跌倒的行为,有助于及时采取保护措施减少伤害.

摘要： 木材含水率是木材干燥过程中的重要参数。为了使木材干燥实验数据得到更加精确有效的处理,利用RMA神经网络模型算法的优势来构建木材含水率中影响因素与时间的函数关系。通过选取多层反馈神经网络,进行模型算法建立并针对已经完全建立好的模型进行运算平台建设;综合实际实验数据结合仿真程序得出木材含水率实验系统的解析表达式。对进一步研究木材干燥含水率系统函数具有十分重要意义。

摘要： 本文创新之处是围绕可扩展训练的深度学习模型和递归神经网络(RUN)快速训练的深度双向长短时记忆元(DBLSTM)的两个方面进行进一步分析和研究。通过CSC的时域后传训练算法和训练算法的解码算法,解决解码延迟高和DBLSTM训练缓慢等缺点。该训练算法用短CSC的建模代替长序列的DBLSTM模型,模型的改进提高了降低了解码延迟、加快了训练速度、模型训练的并行度等。

摘要： 如何控制和预测孔结构是炭气凝胶研究的重要课题.然而,由于耗时耗财,导致实验方法研究控制和预测孔结构成为难题.本文提出一种基于神经网络的炭气凝胶孔结构的预测与优化模型,并采用遗传算法设计和优化模型,对六种典型训练算法模型性能进行比较分析.利用该模型对孔径和吸附容量进行预测,两者的预测相关系数分别为0.992和0.981,预测均方根误差分别为0.077和0.054.经测试,该模型与实验研究的结果相符,并有效的应用于预测和控制炭气凝胶实验参数.%An intelligent simulation method for predicting and optimizing the pore structure of carbon aerogels is proposed by using an artificial neural network ( ANN) algorithm. The ANN model has been optimized based on an improved genetic algorithm from six typical training algorithms. The volumes and diameters of pores in the simulated samples are predicted by the optimized ANN model, which shows correlation coefficients R2 of 0. 992 and 0. 981 and root-mean-square prediction errors ( RMSPE) of 0. 077 and 0. 054 between the predicted and experimental values for the volumes and diameters of pores, respectively. The proposed model is expected to have practical applications in the pore structure control of carbon aerogels.

摘要： Deep learning is the most popular research topic in the field of machine learning, AlphaGo which overwhelmingly impacts the world is trained with deep learning algorithms. Convolution neural network (CNN) is a model trained with deep learning algorithm, CNN is widely and successfully applied in computer version. The main purpose of this paper includes two aspects: one is to provide readers with some insights into CNN including its architecture, related concepts, operations and its training; the other is to present a comprehensive survey on research advances of CNN, mainly focusing on 4 aspects: activation functions, pooling, training and applications of CNN. Furthermore, the emerging challenges and hot research topics of CNN are also discussed. This paper can be very helpful to researchers in related field.%深度学习是目前机器学习领域最热门的研究方向,轰动全球的AlphaGo就是用深度学习算法训练的.卷积神经网络是用深度学习算法训练的一种模型,它在计算机视觉领域应用广泛,而且获得了巨大的成功.本文的主要目的有2个:一是帮助读者深入理解卷积神经网络,包括网络结构、核心概念、操作和训练;二是对卷积神经网络的近期研究进展进行综述,重点综述了激活函数、池化、训练及应用4个方面的研究进展.另外,还对其面临的挑战和热点研究方向进行了讨论.本文将为从事相关研究的人员提供很好的帮助.

摘要： 量子神经网络是一种借鉴量子理论中的态叠加思想而设计的单隐层前馈神经网络,其主要用于数据分类。由于采用多层激励函数神经元,并且在量子间隔训练中采用了新的目标函数,即同类输入数据的隐层节点输出方差最小,从而使量子神经网络具备了发掘不同类别数据间模糊性的能力。但由于训练时对量子神经网络权值和量子间隔使用了不同的目标函数,使迭代过程中两者不可避免的会出现相互冲突,从而导致训练迭代次数的增加和网络性能的下降。本文借鉴约束优化理论,在两个目标函数的梯度下降求解中引入了惩罚函数,提出了一种新的量子神经网络训练算法,消除了两个目标函数间的冲突。实验结果表明,本文提出的训练算法可以显著提升训练的速度和网络的性能。

摘要： 针对支持向量回归(Support Vector Regression,SVR)的传统训练算法在大样本下内存开销大、训练速度慢的缺点，在分析SVR数学形式的基础上，充分利用二次规划自身的结构特点，将阈值量引入支持向量回归的目标函数中，采用扩展变形的方法，提出了一种用于SVR的简化连续过松弛(Successsive Over Relaxation，SOR)训练算法，并将其与传统的训练算法进行对比。仿真结果表明，简化的SOR算法是可行、有效的。它在保证拟合精度的情况下，克服了传统训练算法对系统内存要求较高的缺陷，减少了训练时间，提高了运算效率。

摘要： 基于梯度的神经网络训练算法收敛速度慢且易陷入局部最优,并且算法收敛依赖网络参数的初始值。现有基于PSO算法的训练算法虽然可以提高算法收敛速度,但是由于微粒群尺寸随着神经网络规模的扩大而增大,从而导致算法复杂性急剧增加,并且存在过早收敛问题。为此,本文提出了一种改进的神经网络PSO训练算法,该算法仅用到两个微粒子,且可以证明算法以概率1收敛到全局最优。仿真实例表明,本文提出的算法不仅收敛速度快、收敛精度高,并且算法收敛不依赖于网络参数的初始值。

摘要： 本文针对神经网络求解大规模数据时表现出的计算能力不足问题，提出一种新的基于数据自律分发的神经网络集成模型，设计了由Pull-MA和Push-MA实现的确保时序一致性的通信机制和数据自律分发和收集的训练算法．实验结果表明所构建模型和集成算法对大规模数据的处理能达到理想的训练效果，网络具有良好的泛化和分类能力。

摘要： 本文首先介绍了支持向量机的理论基础，随后引入支持向量机的概念、几何解释和基本公式，讨论比较了近几年出现的主要的几种支持向量机的训练算法，在上述算法的基础之上重点研究了当前比较先进的算法--改进的SMO算法，最后概述了支持向量机的研究现状和发展前景。

摘要： 用支撑矢量机(SVM)分类时,针对大规模数据集,SVM的训练成为一个难题.提出了一种采用样本到某一类的马氏距离来提取可能为支撑矢量的数据的方法,同时阐明了如何解决在输入空间和特征空间中求马氏距离所遇到的问题.利用特征值、特征矢量及伪逆运算的并行计算方法,建立了一种提取支撑矢量的快速算法,用该方法对训练数据进行预处理后,可以加快SVM的训练速度.实验结果也表明了该方法的有效性.

摘要： 针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法.运用小波神经网络对图像重构进行了仿真研究.实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少.对计算机视觉和图像处理具有良好的应用价值.

摘要： 提出了一种适用于高精度逼近和泛化建模的小波神经网络的学习算法,它可用来辨识混沌系统.文中给出了小波网络的基本原理和详细的网络训练算法.仿真实验通过用小波网络来辨识hernon混沌系统,并用Lyapunov指数验证了小波神经网络(WNN)在辨识混沌系统时的系统输出性能指标.

摘要： 基于OASIS的在线场景感知算法通过对机器人要识别的场景库进行训练得到一个反映当前数据集的参数化矩阵，计算自定义的含参相似度函数的值来作为两幅图像的相似性度量，并采用K-NN分类机制计算机器人在线获取图像的类别．从不同数量级和不同相似性度量等方面对基于OAsIS的机器人在线场景感知进行研究和探讨．实验结果证明，本算法对各个数量级的场景库都有很好的精度，并且拥有很好的伸缩性．适合于在机器人的海量场景库中进行快速训练和精确分类．

摘要： 基于OASIS的在线场景感知算法通过对机器人要识别的场景库进行训练得到一个反映当前数据集的参数化矩阵，计算自定义的含参相似度函数的值来作为两幅图像的相似性度量，并采用K-NN分类机制计算机器人在线获取图像的类别．从不同数量级和不同相似性度量等方面对基于OAsIS的机器人在线场景感知进行研究和探讨．实验结果证明，本算法对各个数量级的场景库都有很好的精度，并且拥有很好的伸缩性．适合于在机器人的海量场景库中进行快速训练和精确分类．

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： 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： 本发明提供的基于NSGA2(非支配多目标优化遗传算法)训练的AMP检测算法和系统，将用户比特流映射到相应星座点；对信号作ISFFT变换，把信号映射到时频域中再经IFFT变换，把时频域信号转换为时域信号流；将时域信号流经过Jakes信道模型；取出每个用户的频域信号作SFFT变换得到相应的时延多普勒信号；将得到的信号进行AMP迭代检测，计算最小MSE，当MSE小于阈值时中止迭代；完成当前信号解调过程，依据迭代次数趋势图确立固定迭代次数，通过遗传算法多目标优化得到最优参数；将最优参数放入AMP检测算法进行检测。本发明通过计算迭代收敛率，在兼顾性能的同时确立最佳迭代次数，每层迭代的收敛因子看作独立参数，通过NSGA2算法训练出的参数对比固定参数有效性能提升。

摘要： 计算机可读介质、训练对象检测算法的方法及训练设备。一种非暂时性计算机可读介质包含使一个或多个处理器执行方法的指令。所述方法包括：(A)在一个或多个存储器中接收与对象相对应的3D模型；以及(B)设置用于检测真实场景中的所述对象的姿态的深度传感器的深度传感器特性数据集。所述方法还包括：(C)基于所述3D模型和所述深度传感器特性数据集，为所述3D模型周围的至少一个视图生成所述3D模型的模糊2.5D表示数据，以基于2.5D表示数据生成用于训练对象检测算法的训练数据，以及(D)将所述训练数据存储在一个或多个存储器中。

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： 描述了一种计算机实现的、用于创建交通参与者算法以对交通参与者进行计算机模拟的方法，其中所述交通参与者属于被不力地保护的类别的交通参与者，其中在真实的交通环境中借助于安置在所述交通参与者上的传感器在实施至少一个任务期间检测该类别的交通参与者中多个不同的、真实存在的交通参与者的数据，其中由所述数据求取所述交通参与者的运动轨迹，其中由所述运动轨迹计算出用于所述任务的平均运动轨迹和用于偏离平均运动轨迹的带宽。还描述了一种计算机实现的、用于训练至少一个用于机动车的控制设备的算法的方法、一种计算机程序产品以及一种机动车。

摘要： 本申请公开了一种基于自注意力机制的算法交易系统及基于该系统的算法交易模型的训练方法。其中系统包括：全连接神经网络模块，用于对输入的交易数据进行特征提取、转换和映射；自注意力机制模块，用于衡量不同时刻特征不同的重要程度，并提取其中较为重要的有效信息；长短时记忆网络模块，用于根据自注意力机制模块处理后的序列化信息输出交易决策。本申请训练方法包括使用近端策略优化算法训练一个策略函数π和一个值函数V，其参数分别为θ和。本申请的有益之处在于提供了一种结合了近端策略优化算法和长短时记忆网络的优势从而实现深层次挖掘市场特征的基于自注意力机制的算法交易系统及基于该系统的算法交易模型的训练方法。

摘要： 本发明公开了一种基于演化算法的深度神经网络训练与优化算法。步骤包括：步骤1，训练样本准备，即准备神经网络训练所需的样本数据；步骤2，神经网络结构编码，通过设定初始网络结构和网络结构复杂度变化的范围，通过迭代将待搜索的所有可能的网络结构和参数写入网络结构编码表；步骤3，利用超粒子群算法对网络结构编码表中的项利用同时改变种群中超粒子的位置和空间，来搜索最优的神经网络结构编码。实验证明最优编码代表的神经网络结构和参数比人工通过经验设计和训练的神经网络结构和参数在CT图像肺间质性疾病分类问题上有更好的精确度。

摘要： 本发明提供了一种基于机器学习训练算法的智能穿衣镜及其训练方法，属于计算机应用技术领域，包括穿衣镜本体、触摸式LED显示屏、隐藏秤和智能测控单元，智能测控单元包括微处理器、图像获取模块、RF接近传感器开关、GPS定位系统、GPRS无线透传模块及远端服务器。该方法利用机器学习生成对抗网络训练算法搭建框架，收集一年四季不同天气情况下的穿戴图片作为原始数据集，以使用者拍照时的天气数据情况为判别条件，通过生成网络、判别网络反复的迭代、判断，迅速、准确的输出在当前天气情况下，使用者应穿戴的符合当前天气的穿着数据，并在显示系统中输出对比图片。同样，依据此算法，可以实现不同天气情况下，输出使用者的面部肤质检测报告。

摘要： 本发明公开了一种基于快速Adaboost训练算法的自动扶梯乘客检测算法，包括步骤：1)视频图像采集；2)生成正样本和负样本；3)提取正、负样本中的HOG特征；4)利用快速Adaboost算法训练分类器；5)利用得到的分类器进行乘客检测；6)利用camshift算法跟踪人体。通过本发明算法可以有效提高Adaboost分类器的训练速度，大大减少了算法在需要使用多分类器和需要多次训练分类器场合下的时间开销。