基于多源域知识迁移学习的小微企业信用评分

针对新业务,新场景下金融机构目标数据集“高维小样本”的问题,本文提出了基于多源域知识迁移学习的小微企业信用风险测度方法,其能够迁移学习其它数据源(源域)的知识以提升目标域模型的预测效果.该方法通过对来自多个源域的多种源域知识进行归纳提取,进而将其纳入目标域模型的构建中,可以充分利用源域知识,提升目标域模型的估计精度.另外,模型无需获取各源域的原始数据,因此很大程度上降低了数据传输中隐私泄露的风险.模拟实验和企业信用评分的实例数据验证了所提方法的可行性及其在变量选择,系数估计和分类预测上的良好效果.该方法能够在隐私限制的背景下有效迁移源域知识以克服信用评分中目标数据集信息量不足,而导致估计效果较差的问题.     

基于知识中介的项目型组织知识转移多群体演化博弈分析

根据项目组织环境特点,构建了以PMO为知识中介的有限理性知识转移多群体动态演化博弈模型,通过计算分析得到演化稳定策略和演化稳定相图。研究表明,知识溢出效应、知识协同效应、知识转移成本以及知识转移的奖惩措施,是知识转移行为主要影响因素,并决定项目型组织知识转移的整体演化趋势。     

基于多域特征与随机子空间集成的脑电分类

针对脑机接口(Brain-Computer Interface,BCI)中脑电信号预处理、特征提取、分类识别等过程,提出一种基于多域特征的随机子空间集成方法实现运动想象脑电分类。该方法的基本思想是通过事件相关同步/事件相关去同步特性分析,提取出最佳时频段的多域特征作为特征向量,结合交叉验证自适应地选择特征随机子空间的集成规模,集成线性判别分析分类器实现脑电信号分类。实验结果表明,多域特征和随机子空间集成分类正确率可达90.71%、Kappa系数可达0.63,均优于BCI竞赛第一名成绩,从而证明了该算法在脑电分类中的有效性和实用性。     

基于多Agent系统的装备保障性评估研究

依据装备保障性评估的实现功能,建立了基于多Agent系统(MAs)的保障性评估模型的体系结构.通过对装备保障过程的分析,以装备保障过程MAS模型为例,阐述了保障过程模型中Agent的功能和结构,探讨了基于黑板系统的多Agent间的通信,设计了装备保障过程模型的仿真实现.     

基于多Agent 系统的分布式知识管理研究

根据第二代知识管理的思想,以及现在企业、组织的分散式管理特点,提出一种基于多Agent系统的分布式知识管理模型.以企业知识管理为范例,该模型利用Ontology为每个企业,或者企业内各部门构建各自知识库.为了实现各个异构Ontology知识库之间的知识共享和交换,模型采用多Agent系统进行各个企业或企业内部各部门之间的知识管理.系统包含Ontology知识库的构建、知识库之间的知识检索、知识交换和共享,以及Ontology协商和映射等功能模块.实践表明该模型能有效地在异构环境下实现分布式企业之间的知识管理,而且该分布式模型具有快速开发,易于维护的优点.     

基于深度特征融合的SAR图像与AIS信息关联方法

星载合成孔径雷达(synthetic aperture radar, SAR)和自动识别系统(automatic identification system, AIS)都可以获取到探测目标的相关信息,将两者获取的信息进行关联融合,有益于实现高效的海上侦察监视。由于数据之间存在的异构性,传统方法多依赖人工特征建立SAR图像与AIS信息的关联关系,但这些方法存在精度差、效率低等缺点。本文提出了一种基于深度特征融合的SAR图像与AIS信息关联方法,针对两种模态数据的特点分别设计了对应的特征学习网络获取单模态特征表示,进一步融合不同模态的特征信息以增强跨模态信息间的语义相关性,然后通过设计的关联学习目标函数进行跨模态特征之间关联学习。在构建的数据集上验证表明,所提方法关联精度高、适应性强,验证了所提数据集和方法的有效性。     

基于SMOTE和深度迁移卷积神经网络的多类不平衡遥感图像分类算法研究

在遥感图像分类实际应用中,深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题,难以发挥优势。基于上述问题,提出一个基于人工少数类过采样方法(synthetic minority oversampling technique, SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法。所提算法创新性地采用深度迁移学习,使算法能够学习不同时空相同地物的相似性,并利用SMOTE方法对学习数据进行类分布空间优化平衡,从而解决目标域数据不足和数据类不平衡问题。两组公开的高光谱遥感图像被用来验证所提算法的有效性。实验结果表明,相比传统的深度学习,所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度。     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

基于深度强化学习的云作业调度及仿真研究

针对复杂瞬变的多用户多队列多数据中心云计算环境中作业调度困难的问题,提出一种基于深度强化学习的作业调度方法.建立了云作业调度系统模型及其数学模型,并建立了由传输时间、等待时间和执行时间三部分构成的优化目标.基于深度强化学习设计了作业调度算法,给出了算法的状态空间、动作空间和奖赏函数.设计与开发了云作业仿真调度器,完成作...     

基于着色Petri网的复杂产品开发多项目调度建模研究

建立多项目调度模型已经成为复杂产品开发多项目计划和控制的基础。分析了复杂产品开发多项目调度的特点，指出目前已经提出的多项目调度建模方法不能全面的体现和描述上述特点，提出了用着色Petri网建立多项目调度模型的具体思路和方法，即在着色Petri网颜色定义的基础上，利用着色网的颜色、层次等特点描述多项目调度的相似性、开放性争层次性，利用着色网的守卫函数、孤函数和双向孤等方法描述多项目调度的冲突性、技术关联性争遮代性，文章简要阐述了模型实例和分析方法，最后给出结论和下一步工作。     

基于元网络的项目组织学习能力对任务完成影响评价仿真方法

组织能力是影响项目任务完成的决定性因素,而学习能力是组织能力形成的关键基础.基于元网络理论和动态仿真方法,将组织(人)、知识和任务视为多智能体复杂交互系统,提出知识扩散度和任务完成水平两项关键指标,研究项目组织学习能力对任务完成水平影响的内在机理.以通用品牌别克汽车4S店建设项目群管理为例,验证评价指标的合理性,并进一步通过仿真实验,识别项目组织的关键知识、关键组织以及关键学习阶段,进行组织学习能力提升和任务分配的优化.为项目组织设计、任务分配及组织学习的研究探索了一种有效的方法.     

基于学习效应的企业知识流程外包策略研究北大核心CSCD

从组织学习和知识创造的视角,主要讨论企业采取知识流程外包的策略选择问题.针对于知识流程外包中所存在的两种学习模式,即知识吸收效应和干中学效应,从知识的创造过程出发,凭借成本–收益的经济分析框架对企业知识流程内部运营和外包决策进行理论建模和比较分析.结论发现:在知识流程外包中,基于企业协同合作的知识吸收效应加强了干中学效应,因此在其他条件不变的情况下,企业应该选择知识流程外包来获得所叠加的两种效应.其次,为了加强知识流程外包的绩效,企业重点是加强自身对知识吸收的能力建设.最后,为了提高两种学习效应的效果,企业应该从长期动态的角度去考虑外包决策,而非基于短期的优劣予以判断.     

基于EAS+MADRL的多无人车体系效能评估方法研究

无人作战开始步入现代战争舞台, 多无人车(multi unmanned ground vehicle, MUGV) 协同作战将成为未来陆上作战的主要样式。体系效能评估是装备论证和战法研究的核心问题, 针对MUGV体系效能评估问题, 建立了一套以自主学习算法为基础的探索性仿真分析方法。将MUGV对抗过程建模为零和随机博弈(zero sum stochastic game, ZSG)模型, 通过使用多智能体深度强化学习类方法(multi agent deep reinforcement learning, MADRL)探索在不同对方无人车规模条件下, ZSG模型的纳什均衡解, 分析纳什均衡条件下参战双方胜率, 作战时长等约束, 完成MUGV体系作战效能评估, 并在最后给出了MUGV体系效能评估应用示例, 从而建立了更可信、可用的体系效能评估方法。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。