对手偏好主动学习驱动的协商框架

针对自动化协商问题,提出一种基于主动学习算法的对手协商偏好学习方法. 在该方法中,协商过程表示为建议序列,将建议序列映射到出价轨迹特征空间,建立训练样本集. 在激烈竞争的电子商务环境中,样本标记的成本较高,引入主动学习算法后,在预算范围内,提高了对手协商偏好预测的精度. 实验数据表明,该方法能在少量有标记训练样本下获得良好的预测能力,减少了协商回合数,提高了协商总效用.     

深度视觉频谱残余融合的图像质量评价

针对现有图像质量评价方法的缺陷,通过深度学习理论建模人眼视觉系统(human vision system,HVS)特性,提出了一种基于视觉特征深度感知与学习融合(deeply perception and learning for pooling,DPLP)的评价方法.首先为了增加图像视觉特征的稳定性,根据人眼感光的空域结构特征和频域多通道特性,对图像依次进行二维Log-Gabor小波变换、梯度变换和频谱残余的深度视觉信息处理,然后分别提取各层视觉信息进行质量评价.其次为了克服HVS融合的不确定性,对质量评价信息采取了深度池化策略,第一层为评价视图的空域融合,采取了符合人眼感光特性的高斯加权策略;第二层为多通道评价的频域融合,采取了具有HVS推理能力的BP神经网络的学习-预测策略;第三层为各级视觉特征的评价融合,采取了具有自适应特性的回归函数策略.最后,基于现实中的各种失真类型图像进行了实验,结果表明所提方法具有较高的主客观评价一致性水平和更好的稳定性.     

基于近邻图正则化的高光谱图像特征选择方法

高光谱图像分类是近年来的研究热点。其数据的 高维性引发了“维度灾难”问 题。数据降维成为解决问题的关键。针对高光谱数据有标记训练样本点匮乏的特点, 提出用无监督的特征选择方法对高光谱数据进行降维。该方法能够同时保持原始高光 谱数据的判别能力和局部几何结构。为了保持判别能力,用所选特征对原始高光谱数 据进行重构,利用重构误差最小化将特征选择问题转化为优化问题。为了保持局部几 何结构,建立近邻图,并将其转化为正则项加入目标函数中。通过迭代梯度下降方法 解此优化问题,得出优选特征子集参与高光谱图像分类识别任务。在真实数据集上的 实验表明,新方法能够提高分类识别的精度。     

NPCD-Agent：扩展的Agent思维状态模型

在基于Agent的计算中,现有研究对于动机的定义和动机影响Agent行为决策的分析比较片面,缺少对动机的清晰考虑和相应目标产生的描述.为此建立了具有动机的Agent思维状态模型,将动机分为社交行为准则（N）、策略（P）、契约准则（C)和内部愿望(D).形式化地描述了动机扩展的Agent思维状态模型(NPCD-Agent)和BNPCDGI逻辑,阐述了逻辑的语法、语义以及相应的公理系统.给出了动机算子基于Kripke可能世界的新的语义解释,验证了动机算子不存在逻辑全知问题.通过计算0-1规划和设定优先顺序,建立了动机冲突消解模型,改进了现有包含动机的Agent思维状态模型实现方法.实例分析表明,改进的Agent思维状态模型使得Agent行为决策过程更加理性.     

基于流形波段选择的高光谱图像分类

为解决高光谱图像中高维数据和有标记训练样本不 足的矛盾导致“维度灾难”问题,提出一种无监督的基于流形学习的波段选择(MLBS)方法。 首先通过流形学习方法,得到原始数据的流形嵌入映射;然后通过LASSO优化过程,运用顺 向坐标下降算法,得到原始波段对每个流形结构 维度的贡献度;最后统计每个波段的贡献度,选取贡献度大的波段形成波段子集。用 真实的AVIRIS高光谱图像对算法进行仿真实验的结果表明,本文方法在小样本下的高光谱 地物分类识别问题上具有良好的效果。