集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题,提出一种基于集成学习与特征降维的小样本调制方式分类模型.首先,通过集成人工特征与深度学习自动提取特征构成特征集合.然后,设计特征选择算法对特征合集进行优选生成高效特征子集.最后,利用可快速收敛的高性能分类器对信号进行区分,实现在少量有标签样本和大量无标签样本条件下的调制方...     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于流形学习的多核SVM财务预警方法研究

在进行财务困境预测时, 为了客观全面地反映企业的财务状况, 纳入较多的预警指标, 数据集维度将变得很大, 传统方法求解此类问题效果并不理想. 流形学习处理高维数据具有较好的降维效果,多核SVM对于分布不平坦的数据具有很好的分类性能. 基于此, 提出了“流形学习+多核SVM”的混合算法财务预警模型, 该模型适用于具有大量指标集的财务预警. 实验结果表明, 与传统预警方法相对比, 其具有更优的预测性能.     

基于Bagging-SVM动态集成的多极化HRRP识别

针对多极化高分辨率一维距离像（high range resolution profile, HRRP）在目标识别过程中存在计算量和数据量大、识别算法复杂的问题,提出一种基于Bagging-SVM动态集成的目标识别方法。该方法首先提取多极化HRRP平移不变特征向量,然后运用Bagging方法结合基于动态互信息的特征选择方法生成基分类器,最后引入基分类器差异度进行选择性集成。实验验证该方法在缩减数据规模和计算量的同时,能有效利用多极化特征信息,得到较高的分类正确率,并且松弛了HRRP目标的姿态敏感性。     

Novel algorithm for distributed replicas management based on dynamic programming

1 .INTRODUCTIONCreating replica in different nodes is a popularmethod to make sure the data reliability in distrib-uted system. On one hand, multi-replica can avoidthe single-point-of-default problem; on the otherhand ,replicas in different nodes can reduce the ac-cessing delay and prevent the hot spots problem[1](when a single fileis accessedfrequently ,the nodewill become the bottleneck of the whole system) .However , with replicas increasing, the ex-pense for maintaining replicas is bec…     

Improved scheme with cooperative diversity based on distributed space-time block coding

An improved scheme with cooperative diversity based on distributed space-time block coding (WCD-DSTBC) is proposed, which effectively achieves diversity gains and improves the performance of the system by sharing some single-antenna users' antennas to form a virtual antenna array and combining with distributed space-time block coding (DSTBC) mode. Then the relation between the system BER and the interuser BER for WCD-DSTBC scheme is theoretically derived and the closed-form expression of BER for WCD-DSTBC system is obtained. The simulation results show that the proposed WCD-DSTBC scheme achieves distinct gains over the non-cooperative multi-carrier CDMA (MC-CDMA) system. When system BER is le-3 and interuser BER is le-3, about 2.5 dB gain can be gotten. When interuser channel state information (CSI) outgoes the users' individual CSI, about 3 dB gain is also achieved.     

基于分布式深度学习的边缘服务放置策略

针对移动边缘计算网络中不合理的服务放置和资源分配所导致的服务质量下降问题, 提出了一种基于分布式深度学习的边缘服务放置策略。首先, 以最小化所有用户服务请求时延与加权服务放置成本总和为优化目标, 将优化问题建模为混合整数非线性规划问题。其次, 在给定服务放置策略情况下, 利用凸优化理论求解出边云最优的计算资源分配方案。最后, 利用分布式深度学习解决了服务放置问题。理论证明及仿真结果表明, 所提策略能够有效降低用户服务请求时延和应用服务提供商的服务放置成本, 并且逐渐逼近全局最优的服务放置策略。     

分布式MIMO系统中基于矩阵分割的检测算法

针对分布式多输入多输出(multiple input multiple output, MIMO)系统中由于收发天线在地域上的离散分布所引起的异步接收问题,提出了一种基于矩阵分割的串行检测算法。该算法先从等效信道矩阵中划分出较小的矩阵,然后在此矩阵内进行检测。检测出的结果,部分用于干扰消除,部分用于和之后的检测结果合并。最后,从干扰消除后的信道矩阵中再划分矩阵,重复检测步骤,直至所有信号被检测出。在瑞利衰落信道下的计算机仿真表明,该算法与已有的分布式天线下的排序干扰对消(distributed antenna ordering successive interference cancellation, DA-OSIC)检测算法相比,可支持信号的连续发送,且随着发送序列的增长,算法性能逐步逼近DA-OSIC算法,并具有较低的计算复杂度。     

非确定环境下基于分层理论多无人机动态协同设计

针对非确定环境下多无人机自主协同控制这一多约束、强耦合非线性优化问题,采用分层理论将其分解成三个相对独立子 层,即协同感知层、环境态势理解层和协同全局重规划层. 协同感知层借助“层协作感知”算子来进行多模信息融合,解决非确定环境下目 标（包括静态确定目标和动态非确定目标）的感知与识别;环境态势理解层则是解决动态非确定环境更新,以及基于窗口势场法的障碍物（威胁目标）规避问题;而协同全局重规划层则是利用“层场景引擎”来实现多机非确定环境下的自主协同、路径快速寻优及状态决策. 模拟结果显示构建的多机自主协同模型能较好地解决非确定环境下的路径寻优和状态决策问题.     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法. 该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献. 相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整. 在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

基于差分演化的自适应集成学习算法在不均衡数据分类中的应用

不均衡数据问题在我们日常生活中随处可见,例如疾病诊断,矿藏资源识别等等.对于不均衡数据的分类而言,目前基于集成学习的不均衡数据分类技术较为成熟,但现有方法都将不均衡数据作为一个整体考虑,而不区别对待不同类型的不均衡数据.事实上,不均衡数据因其不均衡比、数据维度和类别数的不同,所具有的数据分布也不同,使用统一的模型处理所有不均衡数据难以在所有数据集中都获得好的效果.基于此,本文提出了一种基于差分演化算法的自适应集成学习算法(adaptive multiple classifier system based on differential evolution algorithm,DE-AMCS),使得针对不同的不均衡数据,系统能够选择最优的集成学习模型来完成分类任务.本文选择了KEEL数据集中的10个数据集进行测试,测试结果与5个现有的集成分类算法进行了对比,实验表明DEAMCS相比于对比算法,分类精度上有明显的提升.最后,本文将DE-AMCS应用到江汉油田某区五口井的石油储层含油性的识别中,在每口井的含油性识别中,精度均达到了100%.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

多属性决策中基于离差最大化的组合赋权方法

依据多属性决策中属性权重的确定方法有多种,每种赋权方法有其各自的特点,为了综合利用各种赋权法的优势,基于离差最大化的基本原理,提出了一种组合赋权方法。该方法通过一个最优规划模型来确定组合权重。研究了模型的求解,给出权重的计算公式,探讨组合赋权方法的检验,确保组合权重能反映主观信息和客观信息,并总结该方法的计算步骤。最后进行实例分析,结果表明该组合赋权方法是有效性的。     

基于新型集成分类器的非平衡数据分类关键问题研究

针对非平衡数据分类问题,提出了一种基于差异采样率的重采样算法（differentiated sampling rate algorithm, DSRA）,基于DSRA设计了一种新的集成分类器(SVM-Ripper ensemble classifier, SREC）。SREC采用独特的分类器选择策略、分类器集成策略、分类决策方案,可获得较高的分类精度。同时,利用SREC对影响非平衡数据分类的关键问题进行了研究。结果表明,非平衡数据分类问题本质上是由正负样本类间非平衡、类内非平衡、样本规模以及样本非平衡度等诸多因素引起的,只有综合考虑这些因素才能更好地解决非平衡数据分类问题。     

基于自适应多分类器系统的甲状腺疾病诊断方法研究

甲状腺释放甲状腺激素以调节人体的新陈代谢速率,甲状腺激素过多或过少分别会引起甲亢或甲减,都属于甲状腺疾病.在实际医疗数据中,甲状腺疾病数据属于典型的不均衡数据.传统的分类方法往往忽略了不均衡数据存在的异构现象(不均衡程度,特征维度,类别数目在不同数据集中各不相同).针对甲状腺疾病数据的类分布不均衡现象以及异构现象,本文提出一种自适应多分类器系统(adaptive multiple classifier system,AMCS),构造多分类器集成系统,自适应地对异构不均衡甲状腺疾病数据进行分类来辅助甲状腺疾病的诊断.AMCS系统包括特征选择,集成框架,基分类器以及集成规则四个组成部分,每一组成部分由不同的算法组成候选池,根据不同数据存在的异构现象,自适应地为异构数据选择最优集成算法.本文采用KEEL和UCI提供的10组异构甲状腺疾病数据进行实验,验证了本文所提出的方法在辅助甲状腺疾病诊断的有效性.     

Collaborative multi-agent reinforcement learning based on experience propagation

For multi-agent reinforcement learning in Markov games, knowledge extraction and sharing are key research problems. State list extracting means to calculate the optimal shared state path from state trajectories with cycles. A state list extracting algorithm checks cyclic state lists of a current state in the state trajectory, condensing the optimal action set of the current state. By reinforcing the optimal action selected, the action policy of cyclic states is optimized gradually. The state list extracting is repeatedly learned and used as the experience knowledge which is shared by teams. Agents speed up the rate of convergence by experience sharing. Competition games of preys and predators are used for the experiments. The results of experiments prove that the proposed algorithms overcome the lack of experience in the initial stage, speed up learning and improve the performance.     

Multi-agent reinforcement learning based on policies of global objective

1 .INTRODUCTIONBecause an agent’s rewardis a function of all agents’joint action, when applying RL[1]to multi-agent do-mains ,some fundamental change should be made .Byadopting single agentQlearning[2]to Markovgames,several algorithms have been proposed,suchas Littman’s mini maxQ-learning( mini max-Q)[3],Hu et al’s NashQ-learning(Nash-Q)[4 ,5], Claus etal’s cooperative multi-agentQ-learning[6], Bowlinget al’s multi-agent learningQ-learning using a vari-able learning rate[7 ~9],…     

Research and design on a kind of CASE environment architectural style based on ToolBus

1.INTRODUCTION CASEenvironment,whichencompassesasetoftool suitesandtoolintegrationframeworks,isakindof complexsystemsoftware.It’sthemajorchallenges totheCASEenvironmenttosupporttheopenness distributionandteamworkbasedontheInternet SimilartosoftwarearchitectureofOS(operatingsys tem),softwarearchitectureofcurrentCASEenvi ronmentalsocanbedividedintothreetypes:mono lithic,layeredandToolBusstructures. Untilnow,mostCASEenvironmentshavebeen implementedinmonolithicorlayeredstructure…