基于基学习器差异度的层次化Bagging 集成修剪

本文主要目的是寻找到Bagging 的一种快速修剪方法,以缩小算法占用的存储空间、提高运算速度和 实现提高分类精度的潜力;还提出一种直接计算基学习器差异度的新选择性集成思想．选择出基学习器集合中对提 升其余基学习器差异度能力最强者进行删除,通过层次修剪来加速这一算法．在不影响性能的基础上,新算法能够 大幅度缩小Bagging 的集成规模;新算法还支持并行计算,其进行选择性集成的速度明显优于GASEN．本文还给出 了集成学习分类任务的误差上界     

丹贝固态发酵过程时间序列分析与预测

基于机器视觉替代物理化学方法和人工方法检测丹贝发酵过程。计算色调、饱和度、亮度彩色模型空间灰度共生矩阵来提取丹贝发酵图像纹理特征。通过和人工感官评定方法的对比,丹贝图像纹理特征曲线转折点被证明可以作为决策依据来区分丹贝发酵的4 个时期,并进一步细分为6 个阶段。纹理数据分析表明,少孢根霉菌丝发酵起点比人工方法提前3 h确定,丹贝发酵纹理特征值的极值点即为丹贝发酵过程的终点。通过移动观测窗来构建纹理特征时间序列,进而利用神经网络集成训练构建丹贝发酵过程的非线性时间序列模型,并最终通过此模型预测图像纹理特征曲线变化的极值点来实现对丹贝固态发酵过程和发酵终点的分析与预测。     

基于UML的多智能体建模分析方法研究

以多智能体系统机器人足球仿真比赛为研究背景 ,对Agent理论和结构模型进行分析 ,探讨了使用UML语言建立Agent模型与结构之间映射关系的方法 .通过对Agent的内部结构与行为的描述 ,实现了A gent建模与其软件建模的统一 .并在开发机器人足球仿真比赛队伍AFU2 0 0 4Agent软件的过程中成功地加以应用 ,为Agent的建模和设计实现开启了新的思路 .     

删除最差基学习器来层次修剪Bagging集成

主要目的是寻找到一种Bagging的快速修剪方法,以缩小算法占用的存储空间、提高运算的速度和实现提高分类精度的潜力.传统的选择性集成方法研究的重点是基学习器之间的差异化,从同质化的角度采研究这一问题,提出了一种全新的选择性集成思路.通过选择基学习器集合中的最差者来对Bagging集成进行快速层次修剪,获得了一种学习速度接近Bagging性能在其基础上得到提高的新算法.新算法的训练时间明显小于GASEN而性能与其相近.该算法同时还保留了与Bagging相同的并行处理能力.     

一种自适应的运动目标模糊边缘检测方法

提出了一种有选择的局部背景快速分割方法;针对模糊边缘难以检测的问题,提出一种将梯度法与灰度阈值法相结合的方法.该方法首先通过大津法确定目标的位置;然后在其邻域内求出关于灰度值分布的直方图的极值点,再通过灰度阈值法得到目标的初步边缘;最后根据梯度信息对边缘进行微调,减少了灰度不均匀等因素造成的影响.实验结果表明,文中的方法可以有效地提高模糊边缘的检测效率.     

机器人足球视觉图像快速识别方法的研究

机器人足球比赛作为多智能体系统（Multi-agent System, MAS）的理想研究平台已成为复杂人工智能研究的一个新兴领域.机器人足球比赛是使用计算机视觉闭环的反馈控制系统.机器人足球队员的色标设计是直接关系到系统辨识精度、实时性和抗干扰性的一个重要因素.该文通过对4种典型色标设计进行比较和分析,研究出一种比较合理的全新的队员识别算法设计思路,并针对性地提出了一种快速准确的神经网络边缘检测算法,利用足球机器人外形特征取得了良好的辨识结果.该算法对基于视觉的分布式控制式足球机器人系统的研究与开发进行了有益的探索.     

使用聚类来加速AdaBoost并实现噪声数据探测

决定集成学习性能的主要因素是集成的个体学习器之间的差异性.使用聚类技术来加速AdaBoost.在不同噪声水平环境下,新算法的性能都接近AdaBoost.对AdaBoost噪声敏感问题提出了新的解决思路,使用该项技术可以实现快速的噪声探测和噪声剔除后的再学习,从而在对含噪声数据基进行处理时,在综合性能和效率上都明显优于AdaBoost.