距离度量学习算法的精确性研究

距离度量学习是机器学习领域较为活跃的研究课题之一,文中利用UCI(加州大学欧文分校)数据库的数据对度量学习算法进行比较研究。为了寻找一种可靠的没有明确定义标志的算法,选择四种算法在UCI的六个数据集上对距离矩阵进行比较。每个样本数据集的性质(尺寸和维度)是不同的,因此算法的结果也不同。编码相似度算法在大多数情况下表现良好。在未来的实际应用领域,对于提高无标记数据和相似集的距离度量学习算法的精确性提供了研究基础。     

有监督的人工智能机器学习图片认知分类系统的方法研究

人工智能出现在我们视野的占比逐渐增大,给我们的生活工作带来了很多便利,步入信息时代的社会离不开信息技术。人工智能机器学习在众多的数据以及产品中具备其独特的特点,本文以介绍机器学习的进行简要介绍,并在此基础上对图片认知分类进行阐述。     

基于多尺度卷积神经网络的玻璃表面缺陷检测方法

卷积神经网络在图像处理中的应用越来越广泛,针对图像处理技术手段在玻璃生产表面缺陷有效检验,分析了基于卷积神经网络的机器学习原理与方法,提出一种基于多尺度卷积神经网络(MCNN)图像识别模型,将MCNN模型在玻璃表面缺陷识别中进行应用实践研究,通过采用不同的算法模型和分类器进行对比实验,并运用混淆矩阵和F1值来评估学习器性能。实验结果表明,所设计的MCNN均比传统卷积神经网络(CNN)识别方法的准确率较高,尤其是在划痕缺陷和杂质缺陷图像的识别准确率上提高了较大的幅度,F1值均提高了5.0%以上,在玻璃缺陷检测的整体识别准确率上较优。     

基于集成学习的全双工中继系统安全中继选择方案研究

当处于无线信道状态信息(Channel State Information,CSI)快速变化或者多跳中继等应用场景时,利用集成学习算法解决安全中继选择问题能减少实时处理时延及计算复杂度.将合法信道和窃听信道的CSI作为训练模型输入,使系统安全容量到达最大的中继节点索引作为输出,把全双工中继系统安全中继选择问题转化为一个多类分类问题,并利用随机森林(Random Forest,RF)算法求解.安全中继选择方案的实现分为数据准备、模型建立和结果预测三个阶段.在数据准备阶段,由于RF算法要求训练模型输入为离散值,给出了均匀量化和非均匀量化两种特征提取法将CSI转化为离散值.最后,通过仿真实验验证方案性能.