一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

基于Relief算法的特征学习聚类

聚类作为数据挖掘常用工具之一,是按照事物间的相似性进行的一种无监督分类．然而传统的聚类方法较少考虑特征权值．为此,通过研究、分析Relief算法及其在聚类应用中存在的问题,提出了一种基于Relief算法的特征评价函数,并将此函数运用到特征学习聚类中,以解决特征权值取值不当对聚类产生的负面影响．     

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....     

基于改进单神经元梯度学习的无线网络主动队列管理

考虑传统网络拥塞控制忽略了网络拥塞的持续状态, 引入将数据包到达链路速率作为控制器输入的方案, 得到一种改进单神经元梯度学习(improves single neuron gradient learning, ISNGL)的主动队列管理算法. ISNGL 算法采用梯度学习动态调整网络参数, 并在此基础上对收敛速度和稳定性加以改进, 提出带有位移参数的新激活函数和带有权值调整的动量项的改进方法, 最后通过 NS2 网络仿真软件在无线网络的拓扑模型上进行仿真分析, 结果表明 ISNGL 算法在无线网络环境下拥有良好的拥塞控制能力.     

人脸检测与识别方法研究

人脸图像处理包括人脸检测、人脸识别等．分析了有关人脸检测问题的研究方法并对其进行了分类和评价,重点介绍了人脸自动识别这一领域的研究方法并对其进行了简要分析评价,最后提出了人脸图像处理领域的研究展望．     

基于复杂网络和机器学习的P2P用户违约预测

互联网的发展不断冲击着各个行业,P2P行业作为2013年开始兴起的互联网金融中的重要组成部分最近一段时间由于信用违约等原因,给许多用户带来了不小的财产损失.对于P2P行业来说,对用户的信用预测及防范违约风险是事关公司利润的核心问题.本文利用用户手机通讯录之间的包含关系构建社交网络,并从复杂网络的视角加以分析.通过将分析结果转化为机器学习的输入特征,我们用支持向量机的方法挖掘其内在的关联,从而利用用户的社会网络结构性质预测其信用情况.我们的模型基于知名互联网金融公司闪银所提供的大规模脱敏数据,得到了很好的预测效果.     

基于半监督学习的中文多文档子主题划分

为了能在多文档自动摘要过程中更好地划分子主题,提出了一种基于半监督学习的子主题划分方法:首先计算句子的语义相似度;然后通过层次聚类对可信度高的句子进行主题类别标记,生成少量已标记主题类别的句子集,在此基础上对所有句子进行constrained-k-means聚类,通过交叉验证的方法确定子主题的数目k;最后使用k-means聚类获得多文档的各个子主题.实验结果表明,该方法有效地提高了子主题的识别率.     

基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.     

一类新遗传算法

针对标准遗传算法(SGA)收敛速度慢和早熟的缺陷,从生物学和人类社会学得到启示,在每一代完成遗传操作后引入一个学习过程;从模式的角度出发提出学习概率的确定原则并确定了其计算方法.实现了进化过程中同代个体之间相互竞争与学习的结合.采用惯用的测试函数进行比较研究,仿真结果表明此算法提高了SGA的全局收敛速度,克服了早熟的缺陷,且在群体规模较小的情况下仍然能够达到全局最优,具有较好的寻优能力和一定的现实意义.     

基于稀疏编码的迁移学习及其在行人检测中的应用

行人检测是计算机视觉领域中的研究热点,其实质是一个二分类问题.目前基于统计的行人检测技术已取得了一定进展,但大都需要大量的训练数据.针对这一问题,提出了一种基于迁移学习的半监督行人分类方法:首先基于稀疏编码,从任意的未标记样本中,学习到一个紧凑、有效的特征表示;然后通过迁移学习,将学习到的特征表示方法迁移到行人分类中.在MIT行人数据库上的实验结果表明:该方法能有效地刻画出行人的特征,提高行人分类的性能,在标记样本少的情况下仍具有良好的分类效果,因此可应用于行人检测中.