基于改进深度学习模型的语音库量化标注仿真

针对语音库中文件数量较多导致标注效率低的问题,研究基于改进深度学习模型的语音库量化标注方法.构建深度学习模型,提出基于深度学习模型的语音库量化标注原理,根据标注规则对原始语音库中的文件进行预处理,设计语音库量化标注流程,至此完成基于改进深度学习模型的语音库量化标注.实验结果表明,研究的基于改进深度学习模型的语音库量化标...     

考虑数据量化的改进无模型自适应迭代学习控制算法

针对一类存在数据量化的离散时间单输入单输出非线性系统,提出一种带有编码解码量化机制的无模型自适应迭代学习控制(MFAILC)算法.首先使用伪偏导数将受控非线性系统动态线性化,进而考虑系统输出数据经由均匀量化器进行量化处理的过程,并设计了一种编码解码量化机制,最后基于这种编码解码量化机制提出了一种改进的MFAILC算法.理论上给出了算法的收敛性分析,结果表明,当系统存在数据量化时,所提出的算法仍可保证系统收敛.与已有算法相比,所提算法仅利用较少的输入输出数据,就可以实现跟踪误差的零收敛.仿真进一步验证了算法的有效性.     

一种加权学习矢量量化算法

针对传统学习矢量量化算法没有考虑属性的重要度差异的问题,提出一种加权学习矢量量化算法．该算法为每一维属性引入一个权重系数,用其表征相应属性在分类过程中的重要程度,并与权向量一同更新．利用输入样本和获胜神经元之间的修正距离的均值,控制权重系数更新的阈值及步长．距离均值确保了更新过程的稳定性,且无需进行权重系数的归一化操作．UCI机器学习数据库中6组数据的实验结果表明,该算法能够有效给出数据的本质属性,尤其是局部型权重系数．与传统学习矢量量化算法及其改进算法相比,识别率高、性能稳定、计算复杂度低．     

数据挖掘中自我学习算法研究

随着我国现代化的迅速发展,伴随着快速发展的脚步其数据也越来越多,如何处理这些数据成为了越来越受人关注的问题。因为大数据多,种类复杂的特征,使得数据挖掘越来越重要,而自我学习可以对数据进行分析,并找出其相关模式,因此在商业领域应用广泛。本文主要就是研究数据挖掘中的自我学习算法,了解自我学习算法的特征,并分析在实际中可以应用到哪些领域。     

用于矢量量化的神经网络竞争学习算法

对典型的竞争学习算法进行了研究和分析，提出了一种基于神经元获胜概率的概率敏感竞争虎法。与传统竞争学习算法只有一个神经元获胜而得到学习不同，ＰＳＣＬ算法按照各种凶的获胜概率并通过对失真距离的调整使每个神经元均得到不同的学习，可以有效地克服神经元欠利用问题。     

学习矢量量化的推广及其典型形式的比较

无监督学习矢量量化(LVQ)是一类基于最小化风险函数的聚类方法,文中通过对无监督LVQ风险函数的研究,提出了无监督LVQ算法的广义形式,在此基础上将当前典型的LVQ算法表示为基于不同尺度函数的LVQ算法,极大地方便了学习矢量量化神经网络的推广与应用。通过对无监督LVQ神经网络的改造,得到了基于无监督聚类算法的有监督LVQ神经网络,并将其应用于说话人辨认,取得了满意的结果并比较了几种典型聚类算法的优劣。     

自我效能感与自主学习能力的相关性研究

学生能否自主学习的一个重要衡量因素是自我效能感的强弱。以问卷调查及随机抽访的模式,在159名学生中进行了自主学习情况的调查分析,用所得数据揭示了自我效能感与自主学习两者之间的联系。     

矢量量化的误差竞争学习算法

提出了误差竞争学习（Ｄｉｓｔｏｒｔｉｏｎ ｃｏｐｍｐｅｔｉｔｉｖｅ ｌｅａｒｎｉｎｇ,ＤＣＬ）算法。该算法基于Ｇｅｒｓｈｏ的矢量量化误差渐近理论的等误差原则,即当码本数趋于无穷大时,各区域子误差相等,使用这个原则作为最优码书设计的一个必要条件,并结合传统最优码书设计的两个必要条件,然后根据这３个必要条件：（１）最近邻规则;（２）中心准则;（３）各区域了误差近似相等设计最优码书,而在算法的实现中引入     

自组织映射神经网络量化机器人强化学习方法研究

强化学习一词来自于行为心理学，这门学科把行为学习看成反复试验的过程，从而把环境状态映射成相应的动作。在设计智能机器人过程中，如何来实现行为主义的思想，在与环境的交互中学习行为动作？文中把机器人在未知环境中为躲避障碍所采取的动作看作一种行为，采用强化学习方法来实现智能机器人避碰行为学习。为了提高机器人学习速度，在机器人局部路径规划中的状态空量化就显得十分重要。本文采用自组织映射网络的方法来进行空间的量化。由于自组织映射网络本身所具有的自组织特性，使得它在进行空间量化时就能够较好地解决适应性灵活性问题，本文在对状态空间进行自组织量化的基础方法上，采用强化学习。解决了机器人避碰行为的学习问题，取得了满意的学习结果。     

基于提升小波变换与学习矢量量化网络的鉴别分析方法

提出了一种基于提升小波变换（LWT）和学习矢量量化网络（LVQ）相结合的鉴别分析方法。提升小波又叫作第二代小波,比传统的第一代小波变换更为快速有效,利用它的多分辨率特性,可以获取输入图像的低频信息并使图像降维。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单,但却表现出比BP网络更强的有效性和鲁棒性。在ORL标准人脸库及现实人脸图像上的实验结果表明该方法具有很好的鉴别分析能力。     

实施量化过程管理和持续性过程改进的研究

目前在基于CMMI进行过程改进中,如何实例化CMMI中的抽象的实践是许多企业在实施CMMI最佳实践所面临的难题[3].针对上述问题,基于量化过程管理和持续过程改进的理念,提出了企业组织进行高成熟度改进的具体的实施方案,使企业可以结合自身特色进行有效的过程改进.针对量化过程管理和持续性过程改进的基本理念进行了论述,并提出了具体实施的方法,为实施量化过程管理和持续过程改进提供参考.     

技术争论的量化分析与最终裁决归属

问题描述有关技术的争论贯穿于任何软件开发过程中,但是对于这些争论处理适当的并不是很多。不少项目最后变成技术经理或者项目经理对任何问题都做最后决定的糟糕局面。之所以说糟糕是因为无论经验多么     

基于矢量量化和深度优先搜索的轨迹分布模式学习算法

在对轨迹流矢量进行量化编码的基础上,提出了一种基于深度优先搜索的轨迹分布模式提取算法,生成了能够描述轨迹分布的序列模式图,并给出了与之相应的异常检测和行为预测方法。对不同场景的可见光和红外序列图像的实验表明,本文方法不仅能够学习轨迹中流矢量的分布,而且能够反映它们之间的时序关系,可以应用于室外复杂场景的目标异常行为检测。     

基于学习矢量量化算法的财务失败预测研究

实现有效的财务失败预测对于银行、投资者、企业和政府管理机构来说具有重要的意义，因而相关研究一直在金融信息处理领域中备受关注。近年来，神经网络方法被引入该领域并成为新的研究热点。文中分别利用160家和384家公司的财务数据作为训练集和测试集，首次将学习矢量量化(LVQ)算法应用至中国上市公司的财务失败预测模型的构建．井与传统的BP神经网络、对数回归模型、C4．5决策树等方法进行了实证分析比较。研究结果表明学习矢量量化算法与这些传统方法相比具有更高的预测精度，在此领域有着良好的应用前景。     

网络学习行为与传统学习行为监控的比较研究

信息的输入、编码、储存和提取是信息的执行过程，它受控于控制系统，控制系统是人的大脑中枢，执行过程要在控制过程的调控之下进行信息加工。心理学将此称作元认知。由于网络信息多，比较复杂，学生处于自主学习和开放的学习空间，教师不容易控制学生的学习过程，所以需要学生对自己的思维活动和学习活动有自我控制能力。     

对学习矢量量化神经网络中“死”点问题的研究

竞争型神经网络已经在模式识别、分类等方面得到了广泛的应用,与传统的聚类方法相比具有巨大优势,但是在许多方面还存在不足,需要进一步完善。在Kohonen提出的学习矢量量化网络(Learning Vector Quantization Network,LVQ)的基础上,引入阈值学习规则,较好地解决了该类网络中遇到"死"点时训练误差偏大的问题,最后通过Matlab编程实现。     

基于漏洞扫描的生存性量化分析算法研究

针对信息系统生存性的概念和生存性评估的可抵抗性、可识别性、可恢复性、自适应性四个基本属性的定义,结合对成熟的网络安全技术--漏洞扫描技术的深入研究,提出了一种网络漏洞扫描和生存性分析攻击情景相结合的生存性分析方法,最终得出基于网络漏洞扫描技术的生存性量化分析是可行的结论.通过对漏洞库相关内容的总结,提出了基于漏洞扫描的生存性分析数据库应扩展的内容,最后,详细阐述了生存性量化分析中四个基本属性分量计算公式的算法研究过程,为信息系统的生存性分析系统的设计提供底层核心算法.     

具有自我学习能力的模式识别程序的原理与编制

多因素模式识别方法在各科学领域有广泛的应用，它可以将多因素协同影响的样本准确地分类。如果已知判别准则（分类函数），分类一般是不困难的，但对新的复杂的多因素问题，判别准则往往是未知的，必需从大量已知分类的样本中经过学习而得到，这就需要编制相应的具有自我学习能力的计算机程序。本文作者用最优化方法中的奖惩算法和ＦＯＲＴＲＡＮ７７语言编程，较满意地实现了这项功能，程序精练实用。     

基于学习矢量量化算法的财务失败预测研究

实现有效的财务失败预测对于银行、投资者、企业和政府管理机构来说具有重要的意义,因而相关研究一直在金融信息处理领域中备受关注.近年来,神经网络方法被引入该领域并成为新的研究热点.文中分别利用160家和384家公司的财务数据作为训练集和测试集,首次将学习矢量量化(LVQ)算法应用至中国上市公司的财务失败预测模型的构建,并与传统的BP神经网络、对数回归模型、C4.5决策树等方法进行了实证分析比较.研究结果表明学习矢量量化算法与这些传统方法相比具有更高的预测精度,在此领域有着良好的应用前景.     

入侵容忍系统的安全性量化方法分析

入侵容忍系统的安全性量化评估技术目前已取得了初步研究成果。本文首先简要阐述该技术的进展情况,然后从构建安全模型和分析攻击行为两大方面,横向比较了目前国内外在该领域的研究成果,并进行总结和分析,提出了一些未来的研究设想。