基于核心向量机的多任务概念漂移数据快速分类

通过协同求解多个概念漂移问题并充分挖掘相关概念漂移问题中蕴含的有效信息,共享矢量链支持向量机（shared vector chain supported vector machines,SVC-SVM）在面向多任务概念漂移分类时表现出良好性能。然而实际应用中的概念漂移问题通常有较大的数据容量,较高的计算代价限制了SVC-SVM方法的推广能力。针对这个弱点,借鉴核心向量机的近线性时间复杂度的优势,提出了适于多任务概念漂移大规模数据的共享矢量链核心向量机（shared vector chain core vector machines,SVC-CVM）。SVC-CVM具有渐近线性时间复杂度的算法特点,同时又继承了SVC-SVM方法协同求解多个概念漂移问题带来的良好性能,实验验证了该方法在多任务概念漂移大规模数据集上的有效性和快速性。     

多粒度融合的模糊规则系统图像特征学习

当前最流行的图像特征学习方法是深度神经网络,该类方法无需人工参与即可自动地通过特征学习提取高效的特征,用于分类识别等任务。然而,深度神经网络图像特征抽取方法目前也面临着诸多挑战,其有效性严重依赖大规模的数据,且通常被视为黑盒模型,解释性较差。针对上述挑战,以基于模糊规则推理的TSK模糊系统(TSK-FS)为基础,提出了一种适用于不同规模数据集且易于理解的特征学习方法——多粒度融合的模糊规则系统图像特征学习算法。该方法通过基于规则的TSK-FS抽取图像特征,因而特征学习过程是可以利用规则进行解释的。其次,多粒度扫描也使得其特征学习能力进一步提升。在不同规模的图像数据集上进行了充分的实验,实验结果表明该方法在图像数据集上具有较好的有效性。     

PROFInews

正国际会议增加研讨会内容女士们、先生们:欢迎进入本月PROFINEWS。请允许我向您就近期东南亚所发生的事情进行一个简短的介绍。过去的一个月中,活动频频。最重要的是,我们很荣幸在新加坡举办了第26届全球主席会议。全球27个地区PI组织(RPA)主席中的16位出席了活动,并进行了有趣的、很有成效的讨论。关键性主题之一就是PROFINET的持续增长以及过程自动化     

升级到工业以太网:PROFINET

在最近一期的《工业以太网》中,我们通过考虑Modbus TCP——一种到基本串行现场总线的简单网络扩展,开始从事关于工业网络协议的介绍性丛书。在这个版本中,我们考查了Profinet,或许从理论上是完整的符合工业网络应用。Profinet也起源于现场总线,其设计来自于将企业资源管理引入工厂每个领域的目标。在构建一个已安装的基于多样化Profibus现场总线类型中,Profinet也以一种类似但有较大差异的方式,连接在工厂自动化数据网络中。     

显隐信息协同的多视角极限学习模糊系统

多视角数据正在越来越多地应用于各种建模任务,但当前的多视角模糊系统建模方法,主要集中于实现各个显性视角的合作,还未能充分探讨和利用各视角间共享的隐信息。针对此,对如何引入各个显性视角共享的隐空间信息来实现显隐视角协同的模糊系统建模进行了研究。具体地,基于岭回归极限学习模糊系统(ridge regression extreme learning fuzzy system,RR-EL-FS)模型,引入隐空间信息实现显隐视角协同学习来对RR-EL-FS进行学习,最终开发出具有显隐视角协同功能的岭回归极限学习模糊系统预测模型(ridgeregression extreme learning fuzzy system with cooperation between visible and hidden views,RR-EL-FS-CVH)。该方法较之以往相关的多视角建模方法能更好地利用隐空间的有效信息,从而能够进一步提高受训模型的泛化性能。大量的实验结果亦验证了所提方法的有效性。     

AS-i接口将以太网延伸到传感器层

自动化紧密依靠于一系列的工业网络技术,如传感器总线、现场总线和工业以太网,从而为数据采集及监控提供通讯。目前,已有大量的基于以太网网络及其安装的连接设备,并被在全球广泛应用,强烈冲击了传统现场总线市场。现场总线技术并没有过时,但必须考虑结构上的网络变化,从而     

电子假负载的制作与测试

本文制作的电子假负载能替代传统的负载电阻箱、滑线变阻器等,尤其能设置恒定电流或恒定电压应用于传统的滑线变阻器不能解决的领域里。用于发电机、AC／DC、DC／DC变换器、不间断电源（UPS）、干电池、蓄电池、变压器、充电器等输出特性进行测试。最大假负载功率高达600W,假负载电阻可调节在30mΩ～14．352kΩ。     

融合异构特征的子空间迁移学习算法

特征迁移重在领域共有特征间学习,然而其忽略领域特有特征的判别信息,使算法的适应性受到一定的局限. 针对此问题,提出了一种融合异构特征的子空间迁移学习（The subspace transfer learning algorithm integrating with heterogeneous features,STL-IHF）算法.该算法将数据的特征空间看成共享和特有两个特征子空间的组合,同时基于经验风险最 小框架将共享特征和特有特征共同嵌入到支持向量机（Support vector machine,SVM）的训练过程中.其在共享特征子空间上实现知识迁移的 同时兼顾了领域特有的异构信息,增强了算法的适应性.模拟和真实数据集上的实验结果表明了所提方法的有效性.     

MMCKDE:基于数据流的m-混合聚类核概率密度估计

数据流挖掘应用对时间、空间有着较高的要求,因而传统的密度估计方法,如核密度估计法、压缩集密度估计法等并不适用于数据流密度估计.提出一种新颖的面向在线数据流的m-混合聚类核密度估计(m-mixed clustering kernel density estimation,MMCKDE)方法,该方法通过创建MMCKDE节点,用固定个数的混合聚类核获得聚类信息,以代替其他密度估计方法中的所有核.针对数据量不断增加的情况,通过计算Kullback Leibler(KL)距离进行核合并,可进一步以更紧凑的形式表示概率密度估计信息.较之于其他一些方法只能估计整段数据流的密度,MMCKDE方法最终获得的模型不仅适用于整段数据流,还适用于任意时间段上的密度估计.MMCKDE算法同SOMKE算法在不同基准数据集及真实数据集上进行密度估计精度和运行时间的比较.实验结果表明,MMCKDE算法具有更好的性能.