基于特征关联融合的图像检索方法

鉴于单一特征检索效果的不足,提出基于颜色和纹理特征相互关联融合的图像检索新方法。利用非等间隔量化HSV颜色空间,提取图像的颜色特征,利用Gabor小波提取图像的纹理特征;对内容分布简单的检索图像,采用图像底层特征串行关联(FSC)方法,对内容分布复杂的检索图像,采用基于典型相关分析(CCA)的图像底层特征并行关联(FPC)的方法,融合颜色特征和纹理特征进而检索图像。     

一种基于信息熵数据修剪的支持向量机:EB-SVM

支持向量机在处理分类问题时,如果两类数据重叠严重会造成分类器过学习,降低泛化性能。为此提出了一种基于信息熵的数据修剪支持向量机EB-SVM(entropy based-support vector machine),其主要思想是通过计算样例信息熵删除部分边缘数据和边界处混淆程度较高的样例以及噪声数据,用较少的训练样例学习SVM分类器。实验结果表明,该方法能够有效提高SVM的泛化性能。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

Optimal Response Learning and Its Convergence in Multiagent Domains

In multiagent reinforcement learning, with different assumptions of the opponents＇ policies, an agent adopts quite different learning rules, and gets different learning performances. We prove that, in multiagent domains, convergence of the Q values is guaranteed only when an agent behaves optimally and its opponents＇ strategies satisfy certain conditions, and an agent can get best learning performances when it adopts the same learning algorithm as that of its opponents.     

A Machine Learning Approach to Automated Negotiation

Automated negotiation between two competitive agents is analyzed, and a multi-issue negotiation model based on machine learning, time belief, offer belief and state-action pair expected Q value is developed. Unlike the widely used approaches such as game theory approach, heuristic approach and argumentation approach, This paper uses a machine learning method to compute agents‘ average Q values in each negotiation stage. The delayed reward is used to generate agents‘ offer and counteroffer of every issue. The effect of time and discount rate on negotiation outcome is analyzed. Theory analysis and experimental data show this negotiation model is practical.     

决策树构建方法:向前两步优于一步

为提高搜索算法找到全局最优解的可能性,在C4.5算法的基础上,本文提出了向前两步的决策树(two-step forward decision tree,TSFDT)构建算法。该算法在选择属性时,考虑同时选择两个属性带来的信息增益,而不是只考虑单一最优属性对于信息增益的贡献,从而在寻找问题全局最优方面比只考虑单一最优属性具有更大的可能性。10个UCI基准数据集上的实验结果表明,该算法明显优于C4.5算法。     

基于径向基函数神经网络迟滞非线性自适应控制

提出了一种新的动态迟滞非线性模型．将一定数量不同死区宽度的backlash模型并行相加，作为一个动态系统以仿真执行器中的迟滞特性．利用该模型，采用伪控制方法设计了一套具有未知迟滞特性非线性系统的神经网络自适应控制方案，通过自适应算法来调整干扰项的上限．采用Lyapunov稳定性理论进行了严格证明，仿真试验验证了所提方案的有效性．     

基于多示例多标记KNN的图像分类算法的改进

为了提高图像分类的准确度,提出基于最小Hausdorff距离的多示例多标记K近邻图像分类方法。该方法通过改善图像包的生成方法,均匀分割并提取图像的颜色和纹理特征,使用最小Hausdorff距离作为包间的距离度量,对多示例多标记K近邻算法进行改进。实验结果表明,该方法提高了分类准确度,减少了运行时间。     

一般和对策中基于协商的多代理强化学习

一般和对策中,只考虑个体理性的多代理协作是一种无全局目标的协作.代理学习基于对手策略假设,不能保证假设的正确性.为此通过定义代理协作的集体目标,提出了一种基于多代理协商的代理强化学习算法.代理选择协商策略,并惩罚偏离该策略的代理来保证协商策略的执行.文中给出了学习收敛的条件及证明,并以实例加以分析.     

基于核的k-medoids分类器的参数选择方法

对于基于核的分类算法来说,选择一个最优的核参数是个至关重要的问题.核参数直接影响到基于核的分类算法的分类正确率.作者为基于核的k-medoids分类器提出了一个新的选择参数的方式,即通过目标函数的方式来选择参数.对比传统的选择核参数的方式,该方法克服了计算复杂度高的缺点,且不依赖于数据集分布情况.基于UCI数据集的k--medoids实验表明:提出的选择参数的方法使分类器取得很好的效果.