面向不平衡数据的逻辑回归偏标记学习算法

偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的.算法先根据训练集中各个类别样本所占比例定义了一个新的似然函数,之后通过逼近和求导等数学手段推导得到了能够求解的光滑的逻辑回归偏标记学习模型.在UCI数据集和真实数据集上的仿真实验表明,所提算法在数据存在不平衡问题时提高了样本的平均分类精度.     

基于后验概率的Markov逻辑网参数学习方法

通过介绍统计关系学习方法Markov逻辑网的理论模型和参数学习方法, 提出一种基于后验概率的参数估计方法, 该方法采用正态先验分布, 用伪似然概率替代似然概率, 通过最大化伪后验概率来学习模型参数. 实验结果表明, 该方法能够有效地学出模型参数, 且所得模型推理能力优于现有的参数学习方法.     

随机进程代数IMCs的性能评价

将马尔可夫路径概率计算方法推广到随机进程代数:交互式马尔科夫链(IMCs)模型上.由于IMCs中存在动作转移和概率转移,两种不同性质的转移破坏了系统的稳定性,因此在IMCs的性能刻画中,去掉系统的稳态性刻画,给出动作和概率转移共存的IMCs模型的路径定义和基于概率转移率的路径转移发生的概率计算方法,解决了Until算子的描述.使用基于动作的逻辑aCSL给出IMCs的性能评价.证明该方法的正确性,它是纯马尔可夫链模型中性能评价方法的扩展.     

基于概率抽样仿真异类输入不确定性传播方法

在已有概率、非概率不确定性描述理论的基础上,针对建模仿真中对不确定性下仿真结果的需求,提出一种基于概率抽样的异类不确定性联合传播方法.给出了基于概率框架的随机变量以及基于非概率框架的区间变量、模糊变量、不精确随机变量、模糊随机变量等不确定性描述方法.针对非概率框架下的不确定性描述方法存在的不确定性传播困难,分别给出了相应的概率框架转化模型.提出一种基于概率抽样的异类不确定性联合传播方法,实现了采用不同不确定性描述方法建模描述的不确定性变量的联合传播.     

视觉概念学习方法研究进展

计算机视觉的核心问题是寻找视觉概念的层次化与结构化表示.以深度学习为代表的连接主义方法能够学习到输入图像数据的分层表示,这个表示具有优异的类内不变性与类间区分性,带来了视觉目标分类问题的突破式进展.而以图像随机语法模型为代表的逻辑主义方法试图基于先验知识和输入图像数据得到视觉概念的层次化与结构化表示,进而实现像人类一样的概念迁移学习,从更一般的意义上解释视觉现象.综述了两类方法各自的一些代表性工作,分析了其主要思路与各自的优缺点.分析认为,两类方法具有明显的互补性,在概率图模型框架下将两类方法综合是未来视觉概念学习的一个重要发展方向.     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法,存在维护成本高,实时性不足等缺点,提出一种基于深度强化学习的CDN流量调度系统设计框架.该框架基于马尔科夫链设计了故障告警网络来触发调度,建立了基于stacking模型的质量评估奖励函数,并在此基础上对流量调度进行定义和建模,构建了基于DQN的深度强化学习模型....     

一种非均匀概率空间下二值命题逻辑中命题的真度理论

将经典二值命题逻辑中公式的真度概念推广到势为2的非均匀概率空间上,定义了二值逻辑p-测度和其上的命题的真度;在p=1/3的情形下证明了全体公式的真度之集在[0,1]中是稠密的,并给出了公式真度的表达通式;利用真度定义公式间的相似度,进而导出全体公式集上的一种伪距离,为近似推理理论提供一种可能的框架.     

形式化描述在学习目标中的研究

对IMS学习设计规范中的学习目标进行了分析,并构建其概念模型,然后运用描述逻辑语言ALC对该模型进行形式化描述,定义了学习目标的相关概念,并通过不同的权值来表现对不同知识点掌握的高低程度。     

概率逻辑中的命题相关性与逻辑运算

原子命题是数理逻辑研究的基本单位. 分析了原子命题的相关性与逻辑运算之间的关系. 在经典二值逻辑中,命题逻辑运算结果的真值只与参与运算的命题的真值有关,而与命题的具体内容无关;在概率逻辑中,命题逻辑运算由命题的关系决定,真值相同的不同命题,逻辑运算结果不一定相同. 定义了与经典二值逻辑相容的蕴涵联结词,克服了条件概率不能用于推理的缺点.     

RSILP模型若干问题的研究

利用基于粗糙集理论的统计关系学习方法, 解决了统计关系学习中归纳逻辑程序设计方法的不确定性问题, 并改进了粗糙集结合归纳逻辑程序设计的系列模 型, 从而得到更加准确的模型体系定义. 改进后的模型系列更合理完善.     

带混合学习算法的多阶段神经模糊系统模型

提出一种基于演绎模糊推理的多阶段神经模糊系统模型, 对于给定的学习样本, 通过结构学习（采用遗传算法）与参数学习（采用误差逆传播神经网络方法）过程, 能够生成适当的演绎模糊规则集, 并通过与单阶段神经模糊系统模型求解Benchmark问题的实验对比, 讨论和分析了该模型的有效性和健壮性.     

Markov逻辑网在重复数据删除中的应用

为了解决和突破现阶段重复数据删除方法大多只能针对特定领域,孤立地解决问题的某个方面所带来的不足和局限,提出了基于Markov逻辑网的统计关系学习方法。该方法可以通过计算一个世界的概率分布来为推理服务,从而可将重复数据删除问题形式化。具体采用了判别式训练的学习算法和MC-SAT推理算法,并详细阐述了如何用少量的谓词公式来描述重复数据删除问题中不同方面的本质特征,将Markov逻辑表示的各方面组合起来形成各种模型。实验结果表明基于Markov逻辑网的重复数据删除方法不但可以涵盖经典的Fellegi-Sunter模型,还可以取得比传统的基于聚类算法和基于相似度计算的方法更好的效果,从而为Markov逻辑网解决实际问题提供了有效途径。     

边排序贝叶斯网络结构学习算法应用于基因调控网络构建

提出一种基于多数据源融合思想的贝叶斯网络结构学习算法.该方法在现有贝叶斯网络结构学习算法的基础上,进行网络结构再学习,能有效处理不同数据源无法简单合并的问题.实验结果表明:在现有基因芯片数据节点数过多但数据量过少的前提下,该算法能有效提高建网精度;基于酿酒酵母细胞周期对不同实验条件下的表达数据进行融合,可以将正确率提高约12%.     

基于支持向量机的增量学习算法

通过对支持向量机KKT条件和样本间关系的研究,分析了新增样本加入训练集后支持向量的变化情况,提出一种改进的Upper Limiton Increment增量学习算法.该算法按照KKT条件将对应的样本分为3类:位于分类器间隔外,记为RIG;位于分类间隔上,记为MAR;位于分类间隔内,记为ERR.并在每次训练后保存ERR集,将其与下一个增量样本合并进行下一次训练.实验证明了该算法的可行性和有效性.     

基于项目的学习模式在数字逻辑课程设计中的应用

基于项目的学习模式是一种主动的探究性学习模式．根据“数字逻辑”课程的特点,将基于项目的学习模式应用于“数字逻辑课程设计”中,给出了设计流程,并在教学过程中引入必要的控制,取得了较好的教学效果．实践结果表明：基于项目的学习模式提高了学生学习的积极性和主动性,变被动学习为主动学习,培养了学生在实际工作中的实践能力、应用能力、获取知识的能力、发现并解决问题的能力,促进知识向能力的转化。     

用于肺结节检测和分类的两阶段深度学习方法

针对肺部CT数据具有空间信息的特点, 提出一种基于深度学习的两阶段方法, 即使用两个3D卷积网络有效学习结节特征, 对CT图像中的肺结节进行检测和分类. 该方法的检测器部分采用基于U Net的编码器 解码器结构的3D语义分割模型, 以预测结节的位置、 大小和语义掩码; 分类器部分采用3D双路径网络, 用于特征的汇总和收缩, 并给出分类结果. 为充分利用原始数据中的特征信息, 将检测器的结果应用于对原始数据进行采样和掩码操作, 并通过空间金字塔池化层获得一致的输入尺度. 在公开数据集上的实验结果表明, 该深度学习方法对CT图像肺结节的检测和分类具有良好的性能.     

基于G-KRA模型框架的工作流建模

基于广义知识重构与抽象(G KRA)模型框架给出了工作流建模的一般过程, 根据功能知识引入了功能感知的概念, 自动构造工作流抽象对象库WfO_a. 构造基本行为感知和WfO_a中的基于功能的工作流抽象对象之间的映射关系, 实现基本行为感知与相应关系的替换操作. 通过这些映射关系, 生成了基于功能的工作流抽象模型以简化基本工作流模型的表示.     

基于SVM评价准则的高维数据混合特征选择算法

基于高维数据的特征选择性, 运用功能扰动集成方法, 对４种不同特征选择器的结果进行集成, 得到了分类精度高且稳定性较好的特征子集.  在基因数据集上与原有算法进行性能对比实验, 结果表明, 多特征选择混合算法可使特征选择的结果间具有互补性, 从而有效提高特征选择的稳定性和分类精度.     

基于LVQ神经网络的植物种类识别

提出一种基于学习矢量量化（LVQ）神经网络的计算机植物种类识别新方法. 使用2-D不变矩、 多尺度2-D Gabor滤波器等多种方法分别提取了叶片的几何特征和纹理特征, 应用LVQ神经网络识别植物种类. 实验结果表明, 该方法对植物种类的识别效率较高.