排序方式: 共有128条查询结果,搜索用时 218 毫秒
51.
多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成, 提出了两种具体的多标记选择性集成算法:基于最小距离的簇中心选择算法(Minimum distance based cluster center selection,MDCCS)和基于K-means的簇中心选择算法(K-means based cluster center selection, KMCCS)。在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式。此外, 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性。 相似文献
52.
针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星(Himawari-8)数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明:模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测(CALIPSO)产品数据进行对比分析,结果显示云检测总体精度为97.1%。 相似文献
53.
在未知材料化学成分和性能关系的情况下,通过传统的“试错-纠错”方法研发具有特定功能的新材料成本高且经常失败。随着人工智能和数据驱动的第四科学范式的发展,材料基因工程(MGE)已经成为材料设计与研发的新模式。综述了材料基因工程中高通量计算、材料数据库和人工智能方法的研究进展。介绍了材料高通量计算常用的框架和方法;阐述了材料数据库在材料数据类型和数据标准两方面的发展现状和有待解决的难题;总结了人工智能方法在材料关键基础问题中的应用。从高通量可视化计算方法、材料多类型数据库和可视化机器学习框架三方面重点证述了自主开发的多尺度集成可视化的高通量自动计算和数据管理智能平台ALKEMIE。展望了材料基因工程未来的发展趋势。 相似文献
54.
55.
卫星上测温资源有限,只有部分设备有测温点,难以准确获得其他无测温点设备的温度。基于反向传播(BP)神经网络对复杂非线性系统优秀的拟合能力,建立了估测卫星上无测温点设备温度的神经网络,以在轨有测温点设备温度为输入层,以在轨无测温点设备为输出层,并使用卫星热试验获得的星上温度遥测数据和在轨无测温点设备的热电偶温度数据进行训练和测试。测试结果表明,所建立的神经网络估测精度在1℃以内,可以用来精确估测卫星无测温点设备的温度。针对学习样本对估测误差之间关系进行了研究,计算表明,学习样本的多样性和大数据量能够显著减小估测误差。 相似文献
56.
57.
王建东 《南京航空航天大学学报(英文版)》1997,(1)
讨论了背景知识和领域理论在学习过程中的作用,强调了学习系统中背景知识的重要性。文中介绍了一个以领域理论为主知识库、以背景知识为二级知识库的基于解释的学习系统,说明基于解释的学习系统如何利用背景知识克服不完全的领域理论带来的问题,使其能通过纯演绎的方法实现知识级的学习。最后,本文还简单讨论了学习系统中背景知识的获取方法。 相似文献
58.
60.