基于主动学习的有监督在线多核学习算法

为了提高大规模数据的分类性能,提出一种基于主动学习的有监督在线多核学习算法SOMK_AL(Supervised online multiple kernel learning algorithm based active learning).首先,采用主动学习的方法缩减数据规模.通过训练生成两个分类器,对读入数据xt进行预测,将两个分类器预测类别不一致的数据作为信息含量高的有标记数据,参与在线学习过程中的核更新;接着,在核集成过程中,通过随机抽样的方法构造核函数集的子集,仅仅在子集中实现核更新,缩减核更新的计算规模.最后,在大规模数据的基准数据集上进行实验,对提出的算法的有效性进行评估,结果表明SOMK_AL能较好地提高数据的分类性能.     

基于用户画像的学生学习质量评价方法研究

针对学生学习质量持续跟踪并支持个性化评价问题，文章研究基于用户画像技术的评价方法.从技术角度出发，主要讨论了用户画像数据的采集、数据的处理、画像模型的构建等技术，在此基础上讨论了学生学习趋势的预测应用.综合利用多源异构数据，对学生用户进行个性化建模，实现了数据驱动的学习质量评价，因此，本研究对提高学生学习质量具有一定的实用价值.     

代价敏感多主题学习的邮件过滤算法

针对传统邮件分类模型中较少对邮件主题进行描述和分析的问题,提出一种代价敏感多主题学习的邮件分类算法,用以实现垃圾邮件过滤.首先,基于LDA(潜在狄利克雷分布)对邮件的多个主题进行提取,对邮件语义进行描述;其次,利用CS-SVM(代价敏感支持向量机)对邮件进行代价敏感学习,实现对不同类别邮件的惩罚;最后,结合MI-SVM(多示例支持向量机)进行代价敏感的多主题学习,实现邮件分类.实验采用四组ling-spam处理数据集.实验结果证明:该分类算法较比传统邮件分类算法,可以取得更高的准确性、特异性与敏感性.     

基于稀疏编码空间金字塔模型的零样本学习

针对目前零样本图像分类均采用图像底层视觉特征训练属性分类器而导致分类精度较低的问题,提出一种基于稀疏编码空间金字塔模型的零样本学习方法,给出系统结构流程图.首先从原始视觉图像中提取SIFT特征,并进行SIFT特征点提取;然后构建空间金字塔最大池化模型,对已提取的SIFT中间特征进行稀疏编码;最后建立间接属性预测模型.给出基于稀疏编码的空间金字塔最大池化模型的零样本学习算法步骤,完成对目标图像的属性预测,从而达到零样本图像分类的目的.在Shoes数据集与OSR数据集上进行了对比试验.结果表明:试验证实了文中算法的有效性;相对于传统算法,试验耗时减少,图像属性预测精度增加,图像分类识别率提高.     

基于分布式纳什Q学习的多传感器协同目标跟踪

针对传统目标跟踪算法过分依赖环境模型的问题,提出了一种基于分布式纳什Q学习的多传感器协同目标跟踪算法.分析了强化学习与分布式纳什Q学习算法的原理;描述了多传感器的协同跟踪态势,建立了离散系统的非线性模型,给出了传统的扩展卡尔曼滤波解决方法;定义了对分布式纳什Q学习性能影响至关重要的传感器行为和奖惩函数,奖惩函数通过计算预测误差方差阵的迹得到;采用基于贝叶斯推理的概率统计方法解决了Q函数的更新问题.纯方位量测信息的被动跟踪仿真结果表明,相比于传统滤波算法,该算法增强了传感器对环境变化的适应性,实现了对目标的有效跟踪,提高了跟踪精度.     

聚丙烯复合材料老化数据集成学习

聚丙烯复合材料老化实验周期长, 且单次实验采集的数据样本少, 使用传统机器学习方法进行预测的准确度较低. 为了解决聚丙烯复合材料老化数据样本少与预测准确性低的问题, 提出了一种虚拟样本生成(virtual sample generation, VSG)的集成学习预测方法. 首先, 对聚丙烯复合材料老化数据使用高斯混合模型(Gaussian mixed model, GMM)虚拟样本生成方法平滑生成验证有效的虚拟样本; 然后, 使用生成后的数据集建立集成学习预测模型, 该模型包含随机森林(random forest, RF)、极端梯度提升(extreme gradient boosting, XGBoost)算法、轻量级梯度提升机(light gradient boosting machine, LightGBM)算法以及分类梯度提升(categorical boosting, CatBoost)算法. 实验表明: 集成学习模型的 LightGBM 算法与 CatBoost 算法性能最优, 在测试数据上均方误差为 0.001 3 与 0.000 1, 比 RF 算法与 XGBoost 算法分别高出 0.4 与 0.2. 聚丙烯复合材料老化虚拟样本生成与集成学习方法可以有效解决实验周期长、单次实验采集的数据样本少的问题, 并可取得比单一机器学习算法更优的性能.     

融合高斯混合模型和深度学习的目标跟踪

目标跟踪是计算机视觉的关键技术,但快速运动所导致的目标运动模糊会影响跟踪的精度.提出融合高斯混合模型和深度学习的目标跟踪算法,利用高斯混合模型对目标视频进行建模,在卷积神经网络中提取浅层和深层的图像特征,将两个特征的响应值融合后实现跟踪目标的定位.首先,根据高斯混合模型建立样本数据集,利用概率密度函数筛选数据,依据正态分布获得对应的高斯分量;其次,在深度学习框架下对高斯混合后获得的样本数据提取浅层和深层特征;最后,将提取的浅层与深层特征响应值进行融合,并更新目标模型,实现目标跟踪定位.该算法在VOT-2016公开的数据集进行实验,与6个视频跟踪算法对比分析.实验表明,所提的算法表现出较好的性能,特别是在快速运动的评价指标中,该算法的抖动模糊精度比ECO算法提高6. 25%.     

基于迁移学习的软件缺陷预测方法研究

针对传统的软件缺陷预测方法难以在单独的项目中利用小规模训练数据的问题,提出了一种基于迁移学习的软件缺陷预测技术,利用已有的项目辅助新项目的预测.该方法在源项目和目标项目之间寻找一个公共特征空间,使得在公共特征空间上2个项目的数据分布距离最小.在这个公共空间进行模型训练,以达到迁移分类的效果.实验结果显示该方法相对传统的缺陷预测算法有更好的预测性能,并且充分利用了原始训练数据,可以更高效地运用于各种软件缺陷预测任务.     

基于深度森林算法的慢性胃炎中医证候分类

针对中医问诊复杂性和非线性的特点,采用深度森林算法(gcForest)构建慢性胃炎中医问诊证候分类模型。利用gcForest分析慢性胃炎问诊数据,建立证候分类模型,并与DBN和DBM两种深度学习算法以及ML-KNN、BSVM、ECC、RankSVM、LIFT这5种多标记学习算法构建的模型进行比较。实验结果表明,该模型在多标记评价指标和单个证型的分类准确率上都优于其他算法,能有效地解决慢性胃炎中医问诊证候分类问题,通过该算法建立的模型分类效果良好,可以为慢性胃炎证候量化诊断研究提供参考。     

一种改进的局部多核学习算法

局部多核学习算法（LMKL）是一种变系数的多核支持向量机算法,其利用选通函数局部的选取合适的合成核函数;但是其选通函数有严重的参数沉余的问题,为此提出了改进的局部多核学习算法（ILMKL）,在其目标函数中加入正则项,区别于LMKL中选通函数的l1范数形式,使用选通函数的lp范数形式,增强核函数间的“互补”作用;采用该算法在模拟数据集和UCI数据集上实验,结果表明该算法取得较高的分类能力.     

基于对比学习方法的小样本学习

针对目前小样本学习中存在的问题, 设计一种新的网络结构及其训练方法以改进小样本学习. 该网络在特征嵌入部分采用卷积网络并结合多尺度滑动池化方法以增强特征提取. 网络主体结构为类孪生网络, 以便于通过样本间的对比从小样本数据中学到语义. 网络的训练方法采用嵌套层次的参数更新以保证收敛的稳定性. 在两个经典小样本学习数据集上与常用的视觉模型和前沿小样本学习方法进行了对比实验, 实验结果表明, 该方法在小样本学习的精度上有显著提升, 可作为样本不充足情况下的解决方案.     

虚拟学习社区学习有效性研究

对虚拟学习社区(VLC)的功能、特点、活动方式和学习有效性的影响因素、特征进行了分析,探究了虚拟学习社区学习有效性以及它在虚拟学习社区未来发展中的重要意义.     

虚拟学习社区学习有效性研究

对虚拟学习社区(VLC)的功能、特点、活动方式和学习有效性的影响因素、特征进行了分析,探究了虚拟学习社区学习有效性以及它在虚拟学习社区未来发展中的重要意义。     

基于连续动作学习自动机的联想强化学习

联想强化学习是一种在不确定环境下的机器学习问题,其中学习系统的目标是为环境的每一种输入状态确定一个最佳的输出动作。文章提出一种新的连续动作学习自动机(CALA)。该自动机以一个可变区间作为动作集,并依照均匀分布方式产生输出动作。根据环境反馈的成功/失败信号,学习算法对动作区间的端点进行自适应更新。将该方法应用于求解两个经典的联想强化学习问题,仿真结果演示了新算法相对于两种现有的CALA算法的优越性。与旧算法相比,新算法的学习性能平均可提高1.9%到5.7%,最高可提高22.4%到65.2%。     

基于隐偏向信息学习的强化学习算法

传统的强化学习算法应用到大状态、动作空间和任务复杂的马尔可夫决策过程问题时,存在收敛速度慢,训练时间长等问题.有效地学习和利用问题中包含的偏向信息可以加快学习速度,提高学习效率.在分析了偏向机制特点的基础上引入了隐偏向信息的概念,建立了一种基于偏向信息学习的强化学习模型,并提出了一种基于特征的改进SARSA(λ)算法.针对于推箱任务的实验表明,改进的算法明显提高了学习效率.     

Brief Review on Learning Objects in Online Learning

Introduction Learning objects are the important in online learning environment. An increasingly large literature is about it,but some questions and problems exist in the literature. This article will briefly reviewthe definition and evaluation of     

学习自控力与学习动机、自信心、责任心的相关研究

本文修订了学习自信心、学习动机、学习责任心三个量表。用这三个量表所测量的数据与学习自控力量表得分算相关和路径分析。结果发现：①修订的学习自信心、学习动机和学习责任心量表具有一定的信度；②学习心理对学习自控具有显著的影响，而学习动机与学习责任心对学习成绩没有直接的显著性影响；这似乎可以说明：其它学习心理对学业成就的影响，需要通过行为的自我控制才能真正起作用；③学习自信心对学习成绩有显著性的影响。教学中，老师要注意培养学生学习的自信心，同时要重视把学生的学习动力转化为实际的学习行动。     

基于迁移学习的贝叶斯网络参数学习方法

针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题，在考虑源域-目标域多种信息形式的情况下，提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用，在结构相似性的基础上，探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域数据与迁移过程联系起来，实现平衡系数的自动调节.Asia网络验证了本文方法的准确性.     

语言的内隐学习研究及其对语言学习的启示

介绍了在母语语言学习及第二语言学习中内隐学习的实验研究的方法及其研究结果。在对研究结果进行分析评述后,提出了在语言学习中有效利用内隐学习的具体对策。     

关于研究性学习的思考

研究性学习是教育界倍受关注和着力倡导的一种教育教学方法．文章基于研究性学习的历史，分析了国际化、信息化社会下研究性学习的实质和目标，诠释了研究性学习课程与学科课程的关系，并对开展研究性学习进行了深入的思考．对学校推行的教学方法改革具有理论的指导与实质的借鉴意义。