信息动态

深度学习是机器学习研究中的一个新的领域,其核心思想在于模拟人脑的层级抽象结构,通过无监督的方式分析大规模数据,发掘大数据中蕴藏的有价值信息.深度学习应大数据而生,给大数据提供了一个深度思考的大脑. 尽管YahnLecun在1993年提出的卷积神经网络是第一个真正成功训练多层网络结构的学习算法,但应用效果一直欠佳.直到2006年,Geoffrey Hinton and RuslanSalakhutdinov基于深度置信网,提出非监督贪心逐层训练算法,应用效果才取得突破性进展.从2009下半年开始,美国微软研究院邀请Hinton到雷德蒙与他的研究员合作,将深度学习巧妙地应用在大规模语音识别,迅速获得巨大成功,由此掀起了深度学习的浪潮[1-3].2014年3月,Facebook报道他的DeepFace项目使得人脸识别技术的识别率已经达到了97.25％,只比人类识别97.5％的正确率略低一点,准确率几乎可媳美人类.该项目利用了9层的神经网络来获得脸部表征,神经网络处理的参数高达1.2亿.     

最小平方高阶联想存贮器*

本文提出了一个新的高阶联想记忆模型．该模型采用噪声模式优化联想功能，使得对于噪声输入模式在均方误差的意义下同样达到最优的联想效果和存贮性能，推广了chen的的结果，计算机的模拟结果表明了这一点．     

最小平方函数链式联想存储器

本文借助于输入的函数扩展思想，将其引入到一般类型的联想存储器模型，通过噪声输入模式来优化所提出的模型，推广了一类联想存储器模型，实验结果表明最小平方函数链式联想存储器（ＦＬＡＭ）比之ＫＯＨＯＮＥＮ模型、ＭＵＲＡＫＡＭＩ模型在性能上优越．     

具有非线性映射能力的RAM式联想存贮器*

本文提出一种具有非线性映射能力的RAM式联想存贮器(RAM—AM)，通过将二值输入模式分解成若干个子模式，并作为RAM的寻址地址，来训练该联想存贮器．存贮编码采用相关矩阵方法，此AM作为异联想存贮器能成功地回忆，如XOR、高阶奇偶校验一类高阶非线性问题，说明了映射能力对于模式划分行为的依赖性．最后从理论上证明了所提模型的信噪比大大高于Hopfield模型的信噪比及在大量神经元存在下的可实现性，实验例子证实了这种模型的可行性．     

稳定平台动态精度分析及改进

对整体及部分稳定的跟瞄系统的动态精度进行了分析,并根据理论分析提出了具体的方珐实现了对系统的改进和优化.从瞄准线稳像误差产生的来源入手,通过对稳瞄系统稳定平台动态误差模型的分析和研究,揭示了系统稳像误差的来源.同时根据分析的结果对系统进行改进,提出有效的控制方法,有效提高了稳瞄系统的跟踪精度.     

局部化的广义特征值最接近支持向量机

基于广义特征值的最接近支持向量机(Proximal Support Vector Machine via Generalized Eigenvalues,GEPSVM)是一种新的具有与SVM性能相当的两分类方法,通过求解广义特征值来获得两个彼此不平行的拟合两类样本的超平面.其决策是将测试样本归为距其最近的超平面所在的类.然而,该规则在某些情形会导致较差的分类结果.对此,在GEPSVM基础上,通过在类拟合超平面上寻找一个包含了所有训练样本投影的局部凸区域,来决定样本的类别.该局部方法不仅具有较GEPSVM更优的分类性能,同时还衍生出了求解超平面上凸壳的简单且易于核化的新算法.最后在人工和UCI数据集上获得了验证.     

基于单簇聚类的数据描述

文中提出了一种基于单簇可能性C-均值聚类(Possibilistjc C-Means,PCM)的数据描述方法并用于单分类.训练时,其首先进行P1M(PCM,C值取1)聚类,得到所有训练样本对目标类的隶属度;然后设置隶属度阈值,形成相应的数据描述进行单分类.分类时,计算新样本对目标类的隶属度,若其隶属度小于该阈值则判为异常,否则为正常.该方法和当前流行的支持向量域数据描述方法以及Parzen方法窗具有类似的参数配置和相当的分类性能,由此提供了另一种单分类学习算法.值得指出的是,尽管是PCM的一个特例,但P1M拥有PCM一般不具备的全局最优特性,而该特性对解决实际问题十分重要.     

推广的矩阵模式特征提取方法及其在人脸识别中的应用

特征提取是模式识别的一个重要环节.本文在MatFLDA的基础上,提出了一种推广的特征提取方法(EMatFLDA),同步对角化了类内和类间散度矩阵.在几个UCI数据集和人脸数据库上进行了测试,结果证实了EMatFLDA的有效性.另外,将EMatFLDA方法与模糊理论相结合应用在人脸识别中,所得的FEMatFLDA方法亦推广了模糊人脸识别F-fisherface方法,与F-fishreface相比FEMatFLDA方法不仅识别率和效率都有所提高,更重要的是该方法结果比F-fisherface更稳定,更鲁棒.     

一般化的灰SOM模型及其性能评估

自组织特征映射是Kohonen提出的一种人工神经网络模型，它能把高维的信息数据以有序方式映射到低维空间上，形成一种拓扑意义上的有序图，但其权值的调整仅考虑了学习率及输入模式与获胜神经元及其邻域，却忽略了输入模式分量与全体参与竞争的神经元权值向量间的某种相关关系。Hu等人利用灰关系系数(GRC)的描述方法显式地刻画这种关系。尽管如此，但GRC仍忽略了输入模式与所有参与竞争的神经元权值间的整体描述关系。该文通过在GRC中引入该整体关系，提出了一个一般化的灰关系模型G^2SOM，并将GSOM作为其特例，进而侧重就三种特殊的函数关系进行了性能评估，最后，通过实验验证了G^2SOM的有效性与可行性。