本体稀疏向量凸优化学习算法

随着大数据时代的到来,本体模型所要处理的数据量越来越庞大.在这一背景下,本体稀疏学习算法越来越受到重视.文中利用稀疏向量学习得到本体函数,用凸优化模型得到本体稀疏向量.使用平衡函数构建平衡项,给出凸集的选取方法,并通过迭代策略得到平衡函数的表达式.最后,两个仿真验证实验表明算法是有效的.     

本体稀疏向量迭代计算算法

用机器学习方法得到本体函数时,需要将每个本体概念所对应的信息用一个p维向量来表示。在很多应用背景下,由于p值很大而导致计算量庞大。通过稀疏向量的学习来得到本体函数,利用块方法设计一种迭代计算算法进而得到稀疏向量。将该算法应用于生物基因GO本体和物理教育本体,并将实验结果与已有算法的结果作对比,验证了算法在生物基因领域的相似度计算和在物理教育学领域建立本体映射上有较高的效率。     

基于惩罚似然优化模型的本体稀疏向量计算算法

通过稀疏向量的学习来得到本体函数,利用方向导数计算来得到惩罚似然优化模型的最优解,进而得到本体稀疏向量.将该算法应用于植物学领域PO本体和仿生机器人领域本体,同时将实验结果与已有算法的结果作对比,结果表明本算法对植物学领域的相似度计算和仿生机器人领域本体映射的建立有较高的效率.     

本体稀疏向量衰减迭代计算策略

在生物学和医学等领域的工程应用中,往往涉及海量数据的处理和计算.在此背景下,稀疏向量学习算法被引入到这些计算中,旨在提取重要的特性信息,减少计算量.随着本体在基因学等领域的广泛应用,发现本体概念数学化后,其对应向量的维度会异常的高,再加上本体图庞大的规模使得计算量大大增加.出于有效解答此类工程计算问题的需要,考虑本体框架下的稀疏向量学习优化算法.用分解本体稀疏向量的方法得到可求导的新优化模型,通过核参数γ递减过程中断点的估计,以及衰减率的调节得到对应的本体稀疏向量迭代求解算法.通过实验验证了新算法可用于本体相似度计算和本体映射的构建.     

学习理论的一个关键算法的稀疏逼近

Poggio和Smale最近提出的学习理论的一个关键算法(A key algorithm,KA)可用于非线性分类和回归,并避免求解二次规划,但几乎所有的样本是“支持向量”。为此提出了一种稀疏KA算法(SKA),通过设计特定的优化函数,SKA能有效减少“支持向量”,并具备良好的推广能力。将SKA应用于两个实际的模式识别问题,并与支持向量机(SVM)进行比较,验证了SKA的有效性。     

基于数据挖掘的本体关系学习算法

如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题.     

基于TLP经验模型的本体学习算法

将TLP和本体回归算法相融合,提出基于TLP经验模型的本体相似度计算和本体映射算法。新算法继承了TCP的特点,使其具有无偏参数估计的特征。将新算法应用于GO本体和物理教育本体,通过实验结果表明新算法对特定的应用领域具有较高的效率。     

基于不平衡排序的本体学习算法

运用不平衡排序的思想,得到新的本体学习方法,并将新算法应用于数学本体和化学指数本体,从而分别验证算法对相似度计算和构建本体映射的效率.     

基于距离测度计算的本体学习算法

给出通过计算向量之间的几何距离确定概念相似度的本体学习算法,并讨论了在实例空间映射到特征空间后距离测度的计算方法.最后利用3个仿真实验说明本文算法对相似度计算和本体映射的构建是有效的.     

基于预测-校正原对偶内点法的多分类支持向量机学习算法

支持向量机基于统计学习理论,是一种新型通用的有监督的机器学习方法,其核心思想是使结构风险极小化,但是由于需要求解二次规划,使得它在求解大规模数据上具有一定的局限性,尤其是对于多分类问题,现有的支持向量机算法具有很高的复杂性.本文构造了基于线性规划的一对一三类结构支持向量分类器,可以直接利用比较成熟的线性规划算法——预测-校正原对偶内点法,并在此基础上提出了基于预测-校正原对偶内点法的支持向量机的多分类学习算法,这种算法可用于比较庞大的多类别识别问题,并且克服了标准支持向量机的一些缺点,而且模型简单,容易实现.针对UCI数据库上数据进行了实验,结果证实该算法具有较高的可行性和实用性.     

基于支持向量回归的增量学习算法

提出了一种基于支持向量回归的增量学习算法,该算法在增量学习中除了考虑原训练集中的支持向量(SVs)外,还考虑了非SVs与ε-带(-iεnsensitive zone)的边界距离较近的样本,并将这些样本与新的训练集一起训练.试验结果表明,与传统的支持向量机增量学习算法相比,此算法提高了训练精度;与经典的SVR相比,此算法大大节约了训练时间,是一种行之有效的增量学习算法.     

基于壳向量的支持向量机渐进式增量学习算法

从降低时间和空间复杂度的角度出发,针对支持向量机的增量学习问题展开了研究,描述并比较了目前研究与应用较多的几种支持向量机增量学习算法,提出了一种基于壳向量的支持向量机渐进式增量学习算法,仿真实验结果表明:该算法在保证良好的分类精度的前提下,提高了学习效率.     

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.     

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.     

基于BMRM迭代排序方法的本体学习算法

本体作为一种结构化数据存储和表示模型已成为信息检索领域的研究热点,并被应用于生物医学、地理科学、社会科学等诸多领域。提出基于BMRM迭代排序学习方法的本体相似度计算和本体映射算法,利用BMRM迭代得到最优参数向量,由此得到排序函数,将本体图或多本体图中的顶点映射成实数,通过两顶点对应实数间的差值来确定它们对应概念间的相似度。最后,将算法分别作用于GO本体和计算机软件本体,通过实验数据对比说明新算法对特定的应用领域具有较高的效率。     

本体学习算法的RO稳定性

主要研究了本体学习算法在替换一个样本点(RO)情况下的稳定性.定义多个本体学习算法的稳定性相关概念并得到它们之间的相互关系.另外结果还显示RO稳定性是本体学习算法的充分必要条件.     

基于深度学习和约束稀疏表达的人脸识别算法

目前的人脸特征匹配算法大多关注于单图像与单图像的匹配而不能有效利用图像序列之间的相关信息,因而提出了一种基于深度学习与约束稀疏表达的人脸特征匹配算法.通过CNN网络对人脸图像进行特征提取,并利用改进的稀疏表达方法自动选取相似的图像序列进行特征匹配,有效地利用了图像序列之间的相关信息.实验结果表明,该算法在LFW和AR数据库上取得了很好的效果并优于传统的SRC,L1-norm和CRC-RLS算法.      

基于深度学习和稀疏表示的害虫识别算法

对农作物害虫种类和数量进行有效的预测是农作物病虫害防治的关键环节,因此基于捕获害虫的样本图片对农作物害虫进行准确的种类识别可以为病虫害的防治提供一定的先验知识.由于农作物害虫种类和形态的多样性及不同种类害虫颜色和纹理的相似性,增加了害虫分类识别的难度.为提高害虫图像识别的准确率,提出了一种基于深度学习和稀疏表示相融合的方法来进行害虫的检测分类识别,进而实现对农作物病虫害的有效防治.该算法首先利用高效的深度学习caffe框架来构建提取害虫特征的网络模型,然后利用该网络模型来提取训练害虫样本的特征向量,从而建立不同种类害虫的超完备字典,最后采用稀疏表示算法来对测试样本进行分类识别.实验部分对10种常见害虫进行了检测识别,实验结果表明新提出的算法有很好的检测分类效果.     

基于稀疏编码和多核学习的图像分类算法

提出了一种基于稀疏编码和多核学习的图像分类算法.首先从图像中提取Dense-SIFT（Dense Scale Invariant Feature Transform）和Dense-SURF（Dense Speeded Up Robust Feature）2种特征,使用稀疏编码对特征点进行处理,得到一系列高维向量,然后对这些高维向量应用max-pooling算法,将图像表示成单个向量.最后,使用改进的多核学习方法对这些向量进行分类,对于不同的特征,使用不同核的组合以达到最好的分类效果.实验结果表明,该算法作为词袋（BoW）模型的改进,能够提高分类准确率.
     

基于k-部排序学习方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多领域。利于k-部排序学习算法得到最优排序函数,从而将多本体结构图中每个顶点映射成一个实数,通过比较来自不同本体顶点对应实数间的差值判断概念间的相似程度。实验表明：该方法对于在不同本体间建立映射是有效的。