基于自适应密度聚类的多准则主动学习方法

主动学习能够以更少的标注成本训练出更好的机器学习模型。 现有的 RD 算法与 QBC 算法的结合有效地解决了只考 虑单一标准的问题。 然而,RD 所基于的 K-means 聚类会将离群点也包括在内进而造成模型性能降低,而 QBC 则需要维护于多 个模型而间接返回样本的信息性. 针对上述问题,本文提出了一种基于自适应密度聚类的高斯过程回归(ADC-GPR)算法,通过 先聚类后直接利用不确定性进而高效选择样本。 该算法中的 ADC 聚类不仅对离群点鲁棒,还能根据数据集分布特性自适应聚 类,并为后续的 AL 提供了代表性样本点和其对应的簇,该方法在无监督选择时保证了代表性和多样性,在有监督选择时考虑 了信息性、代表性和多样性。 实验结果表明,在相同的抽样次数下将 ADC-GPR 算法与 RS、KS 以及 RD-GPR 算法相比,其平均 性能分别提升了 37. 3% 、8% 和 2. 8% ,ADC-GPR 算法的选择效率更高。     

基于北斗导航的安全监护机器人设计

为解决幼儿园及小学在儿童接送管理方面采用的技术自动化程度不够先进的问题,提出一种基于北斗导航的安全监护机器人的设计方案.该设计采用GPS北斗双卫星定位模块、带压力传感器的牵引手环进行数据采集,短信收发模块对数据进行处理并向监护人的终端发送报警信息,主控板根据事先规划的路线控制机器人移动,实现了安全监护的功能.