BP算法应用中的关键问题

分析了学习方法的选择、隐层数和隐层单元、学习步长的选择、避免局部最小的方法、学习样本的选择、激活函数的选择等使用BP算法时应考虑的问题，并将BP网络应用于化学反应催化模型。     

基于神经网络增强学习算法的工艺任务分配方法

在任务分配问题中,如果Markov决策过程模型的状态-动作空间很大就会出现"维数灾难".针对这一问题,提出一种基于BP神经网络的增强学习策略.利用BP神经网络良好的泛化能力,存储和逼近增强学习中状态-动作对的Q值,设计了基于Q学习的最优行为选择策略和Q学习的BP神经网络模型与算法.将所提方法应用于工艺任务分配问题,经过Matlab软件仿真实验,结果证实了该方法具有良好的性能和行为逼近能力.该方法进一步提高了增强学习理论在任务分配问题中的应用价值.     

一类有效的变尺度分层BP学习算法

提出一类有效的改进ＢＰ算法，它采用分层的变尺度学习算法克服一般变尺度学习算法处理的矩阵线数过高、难于实用的问题；同时对势态项系数采用一种自适应的调整方法，避免因其选择不当影响学习收敛速度问题．计算实例表明算法的优越性．     

基于弱监督对比学习的弱多标记特征选择

多标记特征选择已被广泛应用于医疗诊断、模式识别等领域，然而现实中的数据往往存在维数灾难以及标记大量缺失等问题，现有的弱多标记特征选择算法又普遍易受缺失标记和噪声的干扰，使算法模型难以准确地选择重要特征．针对上述问题，提出一种用于弱多标记数据集特征选择的弱监督对比学习方法，旨在缺失和含噪声标记数据集中选择优质特征，同时挖掘少量人工标注数据中潜在的类间对比模式．该方法包括三个步骤：首先，设计一种弱监督预训练策略，通过利用实例相似性以及稀疏学习方法获取每个类标记类属属性，用于恢复缺失标记；其次，引入对比学习策略来捕获少量有标记数据的对比模式来削弱噪声数据的影响；最后，选取10组多标记数据集以及四个评价指标进行实验.实验结果证明，与多个先进多标记特征选择算法相比，提出的方法分类性能更优．     

模糊神经网络的局部调整快速学习算法

神经网络的学习速度是影响其在实时控制中应用的重要原因之一,在文中提出了一种基于局部调整方法的模糊神经网络快速学习算法．该算法通过采用对输入数据进行判别的方法来选择每次学习时所需调整的有效规则,大大减少了学习中调整的规则数,从而加快了模糊神经网络的学习速度．同时,通过这一判别还可进一步确定是否需增加新规则以及增加的规则数,因此该算法不仅能够进行模糊神经网络的参数调整,还能实现神经网络的结构自适应调整功能．随着神经网络的输入维数以及初始规则数目的增加,算法的上述优点更加明显．最后采用快速算法与普通算法分别对单输入及多输入系统进行了辨识,仿真结果证明了上述结论：在初始规则数较少,普通算法无法收敛时,应用快速算法则可以收敛;随着规则数目与输入维数的增加,算法的快速性与精度跟普通算法相比优势明显     

学习方法的后现代观

选择适合自己的学习方法是提高学习效率的关键,这是每个学生都关心的问题。实践中,学生的学习方法除了受制约于教师的教学方法外,还应当考虑学习方法所具有的特征。本文从教学方法的历史演变赋予学习方法的基本特征和实际观察的大量现象,运用后现代理念阐述了学习方法的选择问题。     

基于集成特征选择的盗窃案件预测方法

盗窃类案件是公安机关较为棘手的一类犯罪,呈现高发低破态势.提前预测发案情况是预防该类型犯罪的有效途径,因此对预测盗窃犯罪提出了一种以Bagging方法为基础、基于特征选择准确度和差异性双重考量的集成学习算法,根据集成学习器好而不同的原则,构造由异质基学习器集成的特征选择器,实现对影响盗窃犯罪发生因子的有效选择,使用更少维度的特征数据集提升犯罪预测的效率和准确度.实验结果表明,提出的SEFV_Bagging算法具有较好的泛化能力和稳定性,在测试数据上表现出的预测准确度也较为理想,且算法无需根据先验知识设置所选特征子集维数,在盗窃犯罪数据分析预测领域应用中有较为明显优势.      

大学生利用网络信息学习的方法探讨

文章在分析大学生利用网络信息进行学习时应掌握的技巧和技能的同时,探讨了大学生应学会利用信息、成为信息的主人,应选择自己的方法进行学习,同时指出了信息社会大学生在学习时应注意克服孤独感。     

基于全局搜索策略的神经网络动态建模分析

介绍一种基于全局搜索策略的神经网络学习算法，并对该算法的学习性能进行比较和分析，关于建模过程中网络结构的选择与延迟数识别等方面也做了讨论与分析，给出相应的仿真结果。     

新时期党员干部读书学习的思考

本文论述了新时期党员干部读书学习的重要性、内容的选择及读书学习的方法路径,对于党员干部的学习具有重要的指导意义。     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。     

网络学习中学习者个性挖掘方法的研究

提出了一种面向个性化网络学习的学习者个性挖掘方法，以实现网络学习中学习者个性特征的自动获取．该方法首先通过对样本学习者的个性属性归并，去除冗余的个性属性；进而通过对学习者行为模式与个性特征的定量关联规则分析，得到两者间的关联规则；最终据此规则对后续学习者的行为模式进行推理，获取学习者的个性特征．此方法不仅解决了个性化网络学习中学习者个性特征的自动获取问题，而且还可表现出个性与行为间的关系．该方法已在计算机教学管理示范系统中进行了试验，结果表明该方法是有效的．     

论探究性学习及其在课堂教学中的应用

探究性学习有其内涵、发展过程、特点与价值,在课堂教学中引入探究性学习有着重要的意义和应遵循的原则,将探究性学习应用于课堂教学中的可行性方法之一是“四步法”。     

高校思想政治理论课引入研究性学习方式的作用浅见

与传统的接受性学习方式相比,研究性学习方式有着显著的优势,将研究性学习方式引入高校思想政治理论课的教学之中,能有效地丰富高校思想政治理论课的教学方式,增强教学效果,更重要的是它对提高大学生的学习能力、形成正确的知识观和学习观、切实提升大学生的思想道德素质及促进其健康成长具有十分重要的作用。     

基于支持向量机的主动学习方法及其实现

根据主动学习可以有效地减少标注样本的代价这一特点,设计了一种基于SVM的主动学习方法.仿真实验中,检验分类正确率和F测度这两类评估指标,结果表明基于SVM的主动学习的学习效果优于被动学习.     

高职英语阅读自主式课堂教学研究

传统的英语阅读教学方法以教师为主体,学生完全处于被动地位,学习兴趣不高,学习自主性差,致使教学效率不高,学生实际应用能力差。本文在自主学习的理论基础上介绍了一种自主式的英语阅读教学模式。希望这种教学模式有助于高职教师培养学生自主学习的能力,使学生成为真正的自主学习者,提高学习效率。     

传统和非传统学习方法与高职院学生英语成绩的关系

本文通过对55名高职院学生英语学习方法的调查,分析了学生传统方法和非传统方法的使用情况,并进一步探究了学习方法与学习成绩的关系。     

多输出支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法，由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点，将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

用OWL绑定学习对象元数据

随着学习对象的增加,对学习对象的管理、查找、评价和共享需要通过元数据来实现。目前一般用XML或RDF绑定元数据。由于XML绑定缺乏语义性,RDF绑定虽然具有一定的语义性,但是其表达的语义不够。于是提出了用OWL绑定学习对象元数据,通过OWL提供的大量建模原语,可以为学习对象元数据增加更多的语义描述信息,从而更好地实现学习对象的语义查询。     

基于HS样本选择和BvSB反馈的多类图像分类

针对主动学习由于初始阶段随机选择样本而导致的抽样偏差,将Sanjoy Dasgupta等人提出的分层聚类采样(Hierarchical sampling,HS)引入到主动学习方法中,替代初始阶段随机样本选择,然后在基于支持向量机分类器的图像算法中引入最优标号和次优标号(Best vs second-best,BvSB)的反馈准则,提出了基于HS和BvSB(HS+BvSB)的多类图像分类方法。分别在两组标准测试数据集上进行分类实验,比较HS+BvSB方法与随机选择样本+BvSB方法的学习性能,结果表明,随着初始选择样本数目的增多,提出的Hs+BvSB方法具有更优的性能。