基于域间相似度序数的迁移学习源领域的选择

现有迁移学习研究大多数都建立在源领域和目标领域的相似度较高的全局约束下,对如何选择合适的源领域缺乏研究。为了确定如何自适应地从候选源领域集合中选择合适源领域,提升迁移效率,避免"负迁移"现象,基于最大均值差异(maximum mean discrepancy,MMD)提出一种叫作域间相似度序数(MMD-SR)的度量方法,用于度量候选源领域与目标领域间的相似度。同时,基于MMD-SR,提出一种迁移学习源域自适应选择策略(MMD-SR source domain selection strategy,MMD-SR_SDSS)。在人工数据集和真实数据集中的实验结果表明了度量方法MMD-SR和源领域选择策略MMD-SR_SDSS的有效性和可行性。     

基于模拟退火的动态蚁群算法求解TSP

旅行商问题是智能算法研究中的一个经典问题,同时也是检测智能算法的标尺.在是蚁群算法的参数随着迭代的进行做动态调整的基础上,运用模拟退火算法对取得的局部最优解进行调整,使蚁群算法跳出局部最优,得到更好的解     

一种基于窗长自适应的语音信号处理算法

首先指出固定窗长的窗函数在处理复杂语音信号时,通常会遇到保持短时平稳性和准确性的矛盾.继而提出一种窗长可以自适应的算法来解决问题,在维持短时平稳性的同时保证准确性.实验结果表明,通过窗函数的窗长自适应来响应复杂信号的频率变化,能够更准确、更有效地处理语音信号.     

聚类分析在彩色图像量化中的应用

提出了一种基于模式识别技术的彩色图像量化的新算法—基于最小距离最大的快速统计聚类算法(FSCAMMD)。本算法克服了SCA算法对聚类中心初始值选取的不足,给出了最大频度与类内最小距离最大相结合的方法—初始值优选法。实验结果表明,本算法可较大幅度地减少图像量化后的总方差以及颜色失真度,量化效果优于SCA和其它一些聚类量化算法。     

基于相似度的神经网络多源迁移学习算法

为了解决迁移学习中的"负迁移"问题,提出了基于相似度的神经网络多源迁移学习算法。该算法是以经典的BP神经网络模型为基分类器,利用梯度下降法对各个源领域与目标域之间的相似度进行学习和优化,把各个源领域的网络权重参数信息按照与目标域之间的相似程度迁移到目标域中,提高机器学习算法在目标域的分类性能。在UCI数据的Letter-recognition数据集以及20Newsgroups文本数据集上进行实验。实验结果表明了MTL-SNN算法比传统的多源迁移学习算法以及BP神经网络算法在分类准确率上有所提升,因此MTL-SNN算法有效地解决了"负迁移"问题。     

一个多重约束目标的问题求解——物理题库智能组卷系统

本文介绍高校工科物理试题库智能组卷系统的结构,提出了一种对分目标进行回溯的松驰搜索法,叙述了系统实现中使用的规划、启发式算法和松弛指标决定原则等一些人工智能技术和方法。     

基于模拟退火的Levenberg-Marquardt算法在神经网络中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Levenberg—Marquardt算法．在相同的初始条件下,用基于模拟退火的Levenberg—Marquardt算法的神经网络和Levenberg—Marquardt算法进行了比较,得出前者的特点和优点：收敛于全局最优解。一般函数逼近的实现表明,提出的算法是可行的,有效的。     

基于特征对比的领域泛化算法自适应选择方法

在自动驾驶，医疗等领域，模型的泛化性是衡量其安全性的重要指标。领域泛化算法选择方法可以指导使用者快速准确地选出适合的模型训练算法。针对目前尚缺乏有效的算法选择方法的问题，提出一种基于对比学习的领域泛化算法选择方法，称为特征对比 (feature contrast, FeCo)。首先依据正例和负例选择策略选择特征，采用点积的方式计算特征相似度，最后通过噪声对比估计 (info noise contrastive estimation, InfoNCE)计算得分。该得分评估了同一类特征的聚合程度和不同类特征的分离程度。在3个数据集共200个领域泛化模型上进行验证。实验结果表明，在所有的方法中FeCo是唯一结果稳定的方法，FeCo的结果和模型真实泛化误差的相关性最高可达0.89，且运行时间缩短超过60倍。