一种改进的CP网络学习算法

本文针对学习CP网络在训练过程中出现的不稳定性提出了一种改进的CP网络学习算法。由于这种改进的学习算法在训练过程中将希望输出的信息传递给第一层权值，因此它有效地克服了CP网络训练过程中的不稳定性，避免了网络在训练过程中陷于局部最小点。本文最后给出了一个实例，通过这一实例可以看出改进的学习算法明显地优于传统的学习算法。     

基于支持向量域描述的学习分类器

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器.该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界，然后通过该边界对样本数据进行分类.文章所获得的学习算法和支持向量机（SVM）和序列最小优化（SMO）算法相比，不仅降低了样本的采集代价，而且在训练速度上有了很大提高.在CBCL人脸库和USPS手写数字识别的实验中，给出了该算法和SVM、SOM算法的实验对比结果，说明了该学习算法的有效性。     

基于神经网络的业务量预测研究

分别采用back—propagation（BP）算法和Favidon最小二乘学习算法训练神经网络（NN），并用于复杂业务流量预测。以自相似流量模型验证了2种NN学习算法的有效性，并分析比较了他们在流量预测中的可行性，得出Davidon最小二乘学习算法训练的NN比BP算法收敛速度快、收敛误差相差不多，验证了复杂自相似业务流的可预测性，为复杂自相似网络业务流预测的研究提供了一种有效途径。     

基于字典学习的碰摩声发射信号降噪算法

针对现场实测声发射信号经常淹没在噪声中的问题，提出了一种基于字典学习的碰摩声发射信号降噪算法。首先在训练阶段采用干净碰摩声发射信号利用K-SVD算法训练自适应字典，然后对含噪碰摩声发射信号的噪声方差进行估计，最后利用正交匹配追踪算法对含噪碰摩声发射信号在训练后的字典上进行稀疏分解，从而达到对碰摩声发射信号进行降噪的目的。实验结果表明:基于字典学习的算法对碰摩声发射信号能取得较好的降噪效果，相比与基于固定字典的传统算法能够获得更高的信噪比。     

基于主动学习的图像分类技术：现状与未来

图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法...     

BP网络不平衡训练样本集的有效学习算法

分析了BP网络标准反传学习算法对不平衡样本集训练速度慢的原因,研究了如何改进其学习算法来加速训练速度,并通过实验对上述理论进行验证。     

基于元学习的无监督风格迁移算法研究

最近,在生成式对抗网络和足够的非配对训练数据下,无监督领域风格迁移取得了较高的性能。然而，现有的领域迁移框架大多基于庞大的训练数据集，且只能根据训练图像进行特定类别的风格迁移，忽略了其中的学习经验被，使获得的模型不能适应新的领域。文中对传统的非配对循环生成对抗网络Cycle-GAN进行了改进，并使用元学习方法训练了无监督领域的风格迁移问题。另外，文中提出的模型在7个不同的双域迁移任务上证明了其有效性，当对每个新领域进行小样本训练时，该算法均优于传统的风格迁移算法。     

基于深度强化学习的无人机目标跟踪研究

基于目标跟踪任务,阐述运用深度学习为我方无人机训练跟踪策略,寻找最适于无人机对目标跟踪的深度学习算法,建立了目标跟踪模型,并运用四种算法进行训练,比较了在线训练的指标以及离线执行时的结果,从而在双决斗深度Q学习和近端策略优化中取得了最好的训练效果。     

利用深度学习方法的相干源DOA估计

基于子空间分解的相干信源DOA ( Direction of arrival) 估计算法对阵列有特殊的要求，且估计性能较差，在低信噪比时甚至失效；另外，基于压缩感知的DOA估计算法在高信噪比下可以实现相干源的DOA估计，但计算复杂度较高。针对这些不足，本文基于稀疏表示的阵列接收信号模型，提出一种基于深度学习的相干源DOA估计方法，该方法利用卷积网络和全连接网络构造了深度学习网络，并通过选择合适的训练策略，对网络进行了有效训练，利用训练好的深度学习网络能够对相干源进行有效的DOA估计。仿真实验表明，与现有的相干源DOA估计算法相比，本文提出的方法适合于任意阵列结构，在时间复杂度上有着明显的优势，在估计性能上优于平滑解相干和L1-SVD（Sigular Value Decomposition）算法，略差于OGSBI（Off-Grid Sparse Bayesian Inference）算法。      

文本自动分类系统的研究与实现

利用贝叶斯算法，通过对训练文本的学习，构建了一个文本分类器，从而实现了本文提出的自动分类的目标。贝叶斯分类算法是现在比较流行的方法，它的分类效果比较好，简单而且高效，可以通过大规模的训练语料提高分类的质量。文本的分类是选择最有可能生成该文本的类。只有建立了知识库，分类进行训练，才可以构造相应的分类器，对相关的文本进行分类。     

正则模糊联想记忆

本文提出了一种特殊的模糊联想记忆系统（ＦＡＭ）一正则数据联想记忆及其学习算法－正则学习算法，正则模糊联想记忆具有比一般方法所设计的模糊联想记忆更好的性能，且其性能受训练数据不足和训练数据噪声的影响很小，最后，举例说明了正则模糊联想记忆在模糊控制器的应用。     

一种基于U-D分解卡尔曼滤波多层感知器学习算法

在研究多层感知器结构后，提出一种利用U－D分解卡尔曼滤波训练多层网的新算法．仿真结果表明：与BP算法比较，此算法有着学习速度快、数值稳定性好、对学习参数不敏感、能避免局部极小点等特点。     

基于随机子空间的半监督协同训练算法

 半监督学习是近年来的一个研究热点.协同训练(co-training)是利用未标记数据来提高传统监督学习性能的一种半监督学习范式.本文提出一种基于随机子空间的协同训练算法(RAndom Subspace CO-training,简称为RAS-CO).该算法探讨多视图的协同训练.用随机判别的理论分析了算法的分类精度和泛化能力.讨论了随机子空间的维数和个数对分类性能的影响.在UCI数据集上的实验结果表明,与其它同类算法相比,RASCO算法有较好的性能.     

非平衡样本分类的集成迁移学习算法

针对冗余数据量大且正负样本不平衡的辅助训练数据,提出了一种改进集成迁移学习算法,利用这些辅助训练数据迁移帮助目标数据进行分类.新的样本初始权重分配及调整策略,突出了对负样本的识别能力.通过动态调整辅助训练集,根据设定好的权重阈值下限适时地淘汰冗余数据,降低了冗余数据对分类器性能的影响,提升了迁移学习对非平衡样本的学习能力.本文利用桥梁实际监测数据进行的实验表明了该算法较TrAdaboost算法的有效性.     

基于深度特征学习的旋转机械滚动轴承状态在线监控

针对现有算法在旋转机械设备动态监控中的不足，提出基于深度特征学习的滚动轴承状态监控算法研究。在深度学习模型编码器的构建方面，考虑到隐层神经元活跃度的设定，并确保自动编码器具有一定的稀疏性和降噪性；采用堆叠式稀疏降噪编码器的结构设计，对故障数据做无监督逐层训练，以降低损失函数值；结合GLUP算法提取故障数据集的特征，达到提高在线监控精度的目的。实验数据表明，该算法在故障样本集的训练和测试中，均保持较高故障分类准确率和监控精度，在模型损失函数值控制方面也优于现有监控算法。     

一种PMN网络的GEM训练算法

本文提出一种概率映射网络的ＧＥＭ训练算法，它是ＥＭ算法的一种改进算法。ＰＭＮ风为一个四层前馈网。它构成一个贝叶斯分类器，实验多类分类的贝叶斯判别，把输入的样本模式经网络变换为输出的分类判决，其网络节点对应于贝叶斯后验概率公式的各个变量。此ＰＭＮ网络用高斯核函数作为密度函数，网络参数的训练由ＧＥＭ算法实现，其学习方式为类间的监督学习和类内的非监督学习。     

图像矢量量化—频率敏感自组织特征映射算法

用神经网络实现图像矢量量化是一种非常有效的方法，本文在分析自组织特征映射（ＳＯＦＭ）算法的基础上，提出了一种频率敏感自组织特征映射（ＦＳＯＦＭ）算法，并对网络学习训练参数的优化进行了探讨。实验表明，ＦＳＯＦＭ算法优于ＳＯＦＭ算法。     

基于信息叠加的学习算法

提出了一种基于信息叠加的迭代学习算法。该算法利用协同神经网络中的原型模式具有信息的 性,将学习中误识率最高 的模式作为反馈量来修正原型模式。利用实际采集得到的样本对新算法进行的测试表明：新算法具有最优搜索能力强,训练时间短的特点。另外,将新算法与基于遗传算法的原型模式选取算法在网络训练性能上进行了比较。     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

区间估计的FWNN及其区间学习算法

本文提出了一种基于子波的模糊神经网络，用以处理数据的区间估计，其网络结构基于模糊化的子波神经网络，在学习算法中，我们引入了区间学习算法的概念，使训练后的网络的输出为一个区间，其具体实现采用ＬＰ法，它同时提供了确定子波系数的另一种方法。