基于Logistic回归分析的直推式迁移学习

传统的机器学习方法基于一个基本的假设:训练数据和测试数据遵循相同的分布。然而,在许多现实的应用中,这种假设并不能够被保证。在这种情况下,传统的机器学习方法因没有意识到分布的改变而可能失败。近年来,迁移学习技术被专门用来解决这一缺陷。文章提出了一种叫做TTLR的方法,将原始领域中的训练数据有效地迁移到目标领域中,该方法首先对Logistic回归分析模型进行扩展,然后利用不同领域概率分布之间的差异性,调节训练数据中每个实例的权重,从而使得训练得到的分类器更加适应于目标领域;在所选取的数据集上得到的实验结果表明,与传统的监督式学习方法相比,所提出的方法有很大的优势。     

一种基于支持向量机的直推式学习算法

直推式支持向量机(Transductive Support Vector Machine,TSVM)是标准的支持向量机算法在半监督学习问题上的一种扩展,但已有的TSVM算法存在训练速度慢、回溯式学习多、学习性能不稳定等缺点,针对这些问题提出一种改进的直推式支持向量机算法———ITSVM,该算法较准确地确定了待训练的未标识样本中的正负样本数问题,有效解决了传统TSVM中过多的回溯式学习问题,同时该算法也无需利用过多的未标识训练样本,从而减轻了计算强度.实验表明,ITSVM相比TSVM在分类正确率、分类速度以及使用的样本规模上,都表现出了一定的优越性.     

基于NFI直推式学习算法的故障诊断方法

在故障特征数据空间中,搜索输入数据最相邻的训练数据作为子训练数据集,用最速下降法对模型模糊规则参数进行优化。用Fisher's iris数据集仿真并同自适应神经模糊推理系统(ANFIS)比较,平均试验误差降低了15%,运算速度提高了约30%。将一组采自航空发动机实际试车故障特征数据输入到诊断模型中,模型能准确识别发动机存在的三类故障状态,说明了此算法对解决一些故障诊断问题的有效性。     

代价敏感的直推式支持向量机算法

针对不均衡数据集下分类超平面偏移导致直推式支持向量机样本标记准确率低的问题,结合动态代价和TSVM算法,提出一种代价敏感的TSVM算法,该算法依据类样本的空间分布信息计算类错分代价,利用KKT条件选择对当前分类超平面有影响的样本加入下一轮迭代,该算法可以提高初始分类器的分类性能,减少错误的传递和累积,从而提高标注准确率,增强最后分类器的泛化性能.最后在UCI数据集上的实验结果表明该算法在不均衡数据集下的有效性.     

基于非视距鉴别的室内移动节点跟踪算法

NLOS环境是影响室内移动节点跟踪的关键因素之一.为了降低NLOS环境对室内移动节点跟踪的影响,提出一种自适应跟踪滤波算法.该算法首先基于典型室内环境非视距偏置误差的时间变化特性分析,建立修正偏置扩展卡尔曼滤波来估计距离量测中的非视距误差;然后根据估计结果对LOS/NLOS环境进行鉴别;最后联合NLOS鉴别算法和修正偏置扩展卡尔曼滤波建立自适应跟踪滤波算法.数值仿真结果表明,该算法在室内环境具有较好的跟踪精度和较强的自适应性.     

一种用于NLOS环境基于MIMO模型的单站定位方法

在无线定位中,信号的非视距传播成为高精度定位的主要障碍,它严重制约了移动台的定位精度.在该领域中,大多数研究都把焦点集中在NLOS的鉴别与抑制上.在基于MIMO模型下,给出一种新的定位方法.该方法可以充分利用NLOS传播路径而不是去抑制它,其定位模型由只利用2条NLOS路径扩展到利用多条NLOS路径来估计MS位置并实现单基站定位.计算机仿真结果验证了该算法的有效性.     

一种用于NLOS环境基于MIMO模型的单站定位方法

在无线定位中,信号的非视距传播成为高精度定位的主要障碍,它严重制约了移动台的定位精度。在该领域中,大多数研究都把焦点集中在NLOS的鉴别与抑制上。在基于MIMO模型下,给出一种新的定位方法。该方法可以充分利用NLOS传播路径而不是去抑制它,其定位模型由只利用2条NLOS路径扩展到利用多条NLOS路径来估计MS位置并实现单基站定位。计算机仿真结果验证了该算法的有效性。     

基于卡尔曼滤波器消除NLOS影响的移动定位

为了克服非视距信号（NLOS）对移动定位的影响,提出了一种基于卡尔曼滤波器的平滑技术．首先对到达时间（TOA）测量数据进行周期性的NLOS环境判决标识,然后根据不同结果利用不同形式的卡尔曼滤波对TOA测量数据进行平滑．将处理后的TOA代入到TDOA算法中进行定位估计．后面的跟踪虽然不能提高定位的精度,但可以平滑移动轨迹．仿真表明,该技术可以达到FCC对定位服务的要求．     

一种抗非视距误差的组合定位算法

为解决移动机器人在NLOS 环境下定位系统误差大和稳定性差的问题,提出一种抗NLOS误差的N-CTK组合算法。首先在Chan-Taylor协同算法基础上,融入卡尔曼滤波算法,提出一种CTK组合定位算法,然后基于TDOA测量值构建NLOS误差模型,引入NLOS误差转化因子,融合扩展卡尔曼滤波算法,并结合所提CTK组合算法,最终获得标签的估计值。实验测试表明：LOS环境下误差为6cm时,N-CTK组合算法相比CTK组合算法的累积分布函数提高了13.5%,NLOS环境下误差为15cm时,N-CTK组合算法相比CTK组合算法的累积分布函数提高了55%,定位精度明显提高。     

基于多标签直推学习的抗菌肽及其抗菌功能预测

抗菌肽是广泛存在于生物体内的一类具有广谱抗菌作用的天然多肽,因其不易导致细菌耐药性,已成为医药界开发新型抗菌制剂的主要选择,识别出更多的抗菌肽并预测其抗菌功能具有重要意义.提出了一种基于多标签直推学习的抗菌肽及其抗菌功能的预测方法,该方法利用K-spaced氨基酸对组成方法提取多肽特征,采用多标签学习框架和加权近邻图构建直推预测模型,通过对有标签训练样本和无标签待测样本的共同学习来提升预测性能.该方法不仅能够识别多肽是否为抗菌肽,还能同时预测出抗菌肽所具有的单种或多种抗菌功能,且适用于对多效抗菌肽和普通抗菌肽的预测.数值实验表明,与已有的iAMP-2L预测方法相比,所提方法在全局预测精度和多标签预测性能上均有较大提升.     

一种改进的室内环境下的非视距距离比例缩放定位算法

在室内环境下,移动台精确定位面临的主要问题是非视距（NLOS）和多径的影响.在非视距距离比例缩放（NLOS-Range-Scaling）算法的基础上,利用更多基站的信息,提出了适合室内情况的NLOS-Range-Scaling算法（ENRSA）,研究了ENRSA算法在不同NLOS误差下的表现,结果表明该算法能更有效的降低NLOS误差的影响,定位精度比其他算法有显著提高.     

一种基于循环回归的推荐算法

提出了一种基于循环回归的推荐算法.首先,对原数据集中的评分数据及缺失值进行离散化处理,然后对离散化数据进行回归模型训练,此过程循环执行并最终建立推荐系统.在离散化阶段,对比不同的离散方法,并对它们的分类粒度开展研究.在模型训练阶段,讨论回归算法对于模型性能的影响.数值计算实验表明,本算法较之近年非常热门的SVDFeaute方法,能够产生更小的均方根误差,验证了算法的有效性.     

一种基于改进结构的级联手势回归算法

基于手势特征和回归算法,通过改进传统的3D手势级联回归算法学习效率低的缺陷,提出一种新的基于手势变化特征的手部结构特征算子,有效减少了手部特征算子的维度,并对传统级联回归器进行了适应于手势变化的结构改进,使其针对手部结构的识别效率显著提高.在公开数据库及自建数据库分别进行实验,实验结果表明,该算法在保持手势识别准确度的同时,能有效提高执行效率.     

一种推扫式光子计数激光雷达点云滤波算法及其验证

提出一种用于推扫式光子计数激光雷达点云滤波方法。定义了一种线性径向基函数,利用这种基函数可以计算密度点密度值;基于此实现了一种粗滤波和精去噪结合的点云滤波算法,经过两个步骤的滤波之后能够对诸如植被等分层地物进行精细滤波。使用NASA的机载激光雷达MABEL的实际飞行数据对这种滤波算法进行了验证,并与中值滤波算法的效果进行了对比。结果表明算法能有效滤除与地面非常接近的噪声点,适合低密度地物目标点云的滤波处理,能够很好保留细节,其中植被滤波精度90.26%,地面点滤波精度96.11%。     

基于梯度提升回归树的井下定位算法

为了提高井下定位系统的定位精度,提出了基于梯度提升回归树(gradient boost regression tree, GBRT)的井下定位算法。本文首先介绍了GBRT算法的实现过程,然后利用射线追踪算法模拟井下多径信号叠加后的接收信号强度(received signal strength, RSS)数据集,最后对比了GBRT、K最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和神经网络多层感知器(multi-layer perceptron regressor, MLPR)算法的定位结果并对GBRT的定位结果进行5点平均滤波。实验结果表明,在100个点组成的行人轨迹定位中,GBRT算法的定位结果的均方误差为0.381米,明显优于其他四种算法,平滑滤波后的定位轨迹更加贴合真实轨迹。因此,本算法可以有效提高定位精度,可以满足井下定位系统的精度要求。     

基于机器学习算法的股价回归预测研究

互联网技术的发展,影响着传统行业工作模式和流程,许多行业希望借助互联网技术得到进一步的发展,量化交易在实务操作中越来越重要。该文基于abu量化系统,构建特定的交易环境,运用sklearn的线性回归模块进行仿真分析,得出较为理想的预测结果,根据得出的预测结果从一定程度上论证了量化交易的可行性,也证明了机器学习算法在实际投资操作中所具有的优势。     

基于加权元学习的节点分类算法

受注意力机制和直推式学习方法的启发,提出一种基于加权元学习的节点分类算法.首先利用欧氏距离计算元学习子任务间数据分布的差异;然后利用子图的邻接矩阵计算捕获子任务间数据点的结构差异;最后将二者转化为权重对元训练阶段更新元学习器过程进行加权,构建优化的元学习模型,解决了经典元学习算法在元训练阶段所有元训练子任务的损失是等权重更新元学习器参数的问题.该算法在数据集Citeseer和Cora上的实验结果优于其他经典算法,证明了该算法在少样本节点分类任务上的有效性.     

移动云计算嵌套式两阶段博弈计算卸载算法

移动云计算中,移动设备需要决定哪些应用部分卸载至云端处理,即计算卸载决策问题。针对这一问题,提出了一种嵌套式两阶段博弈算法。第一阶段中,移动设备决策其服务请求至云端处理的部分;第二阶段中,云端系统根据所有移动设备的服务请求到达率决策服务请求处理的资源分配。移动设备的目标是最小化功耗和服务请求响应时间,而云端系统的目标是最大化收益。基于向后归纳原则,利用凸优化方法求解了嵌套式两阶段博弈过程中移动设备和云端系统的最优策略,并证明算法可以产生唯一Nash均衡解。实验结果表明,比较基准算法,嵌套式两阶段博弈算法可以使移动设备同步降低平均功耗和平均服务请求响应时间分别约21. 8%和31. 9%。