基于强化学习的动态定价策略研究综述

随着人工智能技术的不断发展,其应用领域也逐渐拓宽。为了能进一步将强化学习技术应用于动态定价领域,构建智能动态定价系统,对与动态定价相关的强化学习技术进行介绍,将已有研究从供应商数目(单供应商、多供应商)、所处环境模型(MDP、POMDP、Semi-MDP)、选用算法(Q-Learning, SARSA, Monte-Carlo)等方面进行综述。基于综述内容提出未来智能动态定价的研究方向。     

一种基于机器学习的雷达目标跟踪算法

针对卡尔曼滤波算法中新息残差的理论值与实际值不一致所导致的跟踪器滤波精度下降的问题,文中在卡尔曼滤波算法的基础上,提出了一种新型的雷达目标跟踪算法。首先由发射机发射信号,雷达接收机接收到目标反射信号,对信号进行处理,用卡尔曼滤波算法对目标下一个方位进行跟踪,在跟踪的过程中,利用机器学习中的支持向量机回归算法来估算理论新息和实际新息残差的最小均方误差(自适应调节因子)进行训练,预测出目标下一个方位并不断减少与实际测量值间的误差,从而显示出预测轨迹,这样可以减少噪声误差的影响,实现目标的跟踪。     

基于间隔理论的过采样集成算法

针对传统集成算法不适用于不平衡数据分类的问题，提出基于间隔理论的AdaBoost算法（MOSBoost）。首先通过预训练得到原始样本的间隔；然后依据间隔排序对少类样本进行启发式复制，从而形成新的平衡样本集；最后将平衡样本集输入AdaBoost算法进行训练以得到最终集成分类器。在UCI数据集上进行测试实验，利用F-measure和G-mean两个准则对MOSBoost、AdaBoost、随机过采样AdaBoost（ROSBoost）和随机降采样AdaBoost（RDSBoost）四种算法进行评价。实验结果表明，MOSBoost算法分类性能优于其他三种算法，其中，相对于AdaBoost算法，MOSBoost算法在F-measure和G-mean准则下分别提升了8.4%和6.2%。     

机器学习分类问题及算法研究

机器学习是一门综合性较强的学科,对该学科的研究多集中在分类问题和算法方面。基于此点,文章从机器学习的内涵及发展历程介绍入手,分析了机器学习中的分类问题及学习步骤,在此基础上对机器学习的算法分类进行论述。     

新一代机器学习技术在大规模光伏系统无人机智能运维中的应用*

光伏产业发展日新月异,其运维工作已成为制约光伏产业发展的核心因素.将无人机应用在大规模光伏发电系统的运维工作中,并融合机器学习技术,有利于提高发电企业的生产效益.从实际应用层面,针对现阶段存在的技术难题,探讨了新一代机器学习技术在无人机智能运维中的应用,对未来大规模光伏发电系统的运维工作,提供了一些新思路.