关键词： 强化学习   策略蒸馏   混合策略   好奇心探索策略   步态学习  

摘要： 以柔性动作评价(SAC)为代表的强化学习算法在机器人复现高等动物的运动技能中已取得成功,该框架将策略搜索和状态动作价值函数相结合。但智能体使用策略探索是贪婪的,评价网络估算的Q值函数却使用低估值。为使智能体采取更好的策略,将策略蒸馏(PD)与SAC算法相融合,提出一种PD柔性动作评价(PDSAC)算法,该算法让智能体使用混合策略进行探索,使强化学习得到的奖励函数收敛速度加快。为验证PDSAC算法的有效性,理论证明该算法能提升策略的探索效率,并在四足机器人步态学习任务中进行了验证。仿真实验结果表明:相比SAC算法,PDSAC算法在步态学习任务中可以使奖励函数值提高26.7%,同时收敛速度提升40%。

关键词： 钢轨裂缝   导波检测   深度学习   注意力机制  

摘要： 沿钢轨长距离传播的导波遇到钢轨裂缝和内部缺陷可产生反射波,适用于在线检测钢轨裂缝。钢轨可能存在多个裂缝,且端面也会产生反射,从而造成导波的多重反射现象,严重影响导波检测钢轨裂缝的准确性。提出一种能够精确检测钢轨多个裂缝的位置和损伤程度的深度学习算法,其特点是引入注意力机制,增强反射波内的多重反射时序特征,加快深度学习模型的收敛速度。基于实验验证的钢轨有限元模型,在钢轨不同位置生成不同损伤程度的裂缝,模拟导波检测数据用于训练深度学习模型。在真实钢轨上制造不同深度的人工裂缝,测试导波数据用于验证深度学习模型有效性。验证结果表明,在轨头、轨腰和轨底的多裂缝条件下,增加注意力机制可提高裂缝位置和损伤程度预测精度至99%。

关键词： 随机森林   支持向量机   磷灰石   微量元素   I-S-A型花岗岩  

摘要： 花岗岩在全球广泛分布,不同成因类型的花岗岩记录了不同的构造环境、源区岩石类型或深部岩浆过程等,因此正确识别花岗岩成因类型(I型、S型、A型花岗岩)具有重要意义。磷灰石作为花岗岩中最常见的一种副矿物,蕴含多种主微量元素,记录着花岗岩的源区和岩浆物理化学特征,因此成为判别花岗岩成因类型的重要指标。本文收集了已发表的I型、S型和A型花岗岩的磷灰石微量元素数据,采用随机森林(Random Forest,RF)和支持向量机(Support Vector Machine,SVM)两种机器学习算法,利用其中的17种微量元素含量指标(Mn、Sr、Y、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu)和8种元素综合指标[(La/Nd)_(N)、(La/Yb)_(N)、(Gd/Yb)_(N)、Yb N、LREE、REE+Y、Eu/Eu^(*)、Sr/Y]建立了花岗岩的成因类型判别模型。结果表明随机森林(95.56%)和支持向量机(94.76%)的分类准确率均很高。发现Sr在区分I型和S型花岗岩方面最为重要,Ce和Mn在区分A型花岗岩方面最为重要,Eu对于区分S型及I/A型花岗岩方面较为重要。本文提出的机器学习模型便捷高效,可以快速地确定花岗岩的成因类型。

关键词： 形式概念分析   概念认知学习   粒计算   高维数据   三支决策  

摘要： 随着全球信息化的高速发展,高维数据挖掘与知识发现成为了人工智能领域亟待破解的科学问题之一.然而,由于高维数据中样本的稀疏性与特征的冗余性,传统统计学模型和机器学习方法的泛化性和可解释性遇到极大的挑战.为此,针对高维数据与知识弱演化能力之间不平衡的科学问题,利用三支概念求解复杂问题的认知机理,提出了一种新的概念建模方法,即稳健模糊概念认知学习(fuzzy-based concept-cognitive learning with robustness,R-FCCL).首先,借助概念的最大相似性原则,建立了基于RFCCL的高维数据分类系统,并从概念的角度出发,研究了高维数据的知识结构和认知学习机理.进一步,利用模糊三支概念的正、负算子从2个不同的角度刻画了模糊环境概念认知学习过程,进而基于概念融合的模糊三支概念完成概念辨识和数据分类.通过在12个真实数据集与12种分类方法的实验分析,验证所提方法具有较好的鲁棒性和有效性.

关键词： 数据流挖掘   特征演化   增量学习   动态数据流   集成学习  

摘要： 目的特征演化数据流的特征空间随时间推移而动态变化,传统增量学习方法囿于固定特征空间的假设,无法直接应用于特征演化数据流的学习场景,因此针对挖掘特征演化数据流时面对的分类模型与当前数据特征不匹配而失效、模型预测性能受噪声干扰等问题,提出了一种面向特征演化数据流的增量学习方法。方法首先,通过引入模糊隶度函数并结合增量孪生支持向量机模型,鲁棒地训练与更新分类器;当出现新特征时,重新训练新分类器,同时结合局部线性加权回归算法拟合新旧特征之间的映射关系,从而在旧特征消失时,利用所学到的映射关系,将已训练好的旧分类器投影至新特征空间继续更新;最后,结合两种不同的集成策略以合并新旧两分类器实现共同预测。结果通过大量仿真实验,所提方法分类准确率相较于对比方法提升了0.3%~21.7%;在含不同信噪比数据集上,分类模型性能整体优于对比模型,并随着人工增加噪声比例,模型分类效果受负面影响较小。结论所提方法得以构建性能高效稳定的分类模型,在提升模型预测精度的同时能减少噪声对分类性能的干扰,增强了模型对特征演化数据流自适应学习能力。

关键词： 地质灾害   危险性评价   机器学习   灾害地质调查工程   大安镇   宁强县   陕西  

摘要： 【研究目的】地质灾害的孕育和发生受多种因素的影响,具有不确定性和复杂性,给地质灾害的危险性评价带来一定困难。随着AI技术的发展,智能算法能更准确地计算地质灾害孕育与诱发因素之间的多元复杂非线性关系,大大提高了地质灾害危险性模型的准确性,在区域地质灾害危险性评价中逐步得到应用。【研究方法】本文结合宁强县大安镇野外地质调查数据,挑选与地质灾害发生密切相关的12种致灾因子,即高程、坡度、坡高、坡向、坡型、工程地质岩组、断裂距离、水系距离、道路距离、植被覆盖、降雨及地震动峰值等作为危险性分区评价因子。通过构建样本集,运用贝叶斯、随机森林、策略梯度神经网络、KNN和神经网络算法这5种模型进行宁强县大安镇地质灾害危险性建模并进行比较。【研究结果】贝叶斯模型(AUC 0.894)表现最好,绝大多数已发生的地质灾害点位于评价的极高和高危险区,且贝叶斯模型计算结果达到预测精度评价要求。【结论】在宁强县大安镇地质灾害样本数目很少的情况下选择贝叶斯算法模型进行地质灾害危险性评价,是具有可行性的。

关键词： 机器学习   认知诊断评价   小样本   神经网络  

摘要： 为了探索适合小样本认知诊断评价的机器学习方法,本文以理想反应模式、观察反应模式和Q矩阵的关联作为机器学习规则,将常见7种机器学习算法应用到中学物理欧姆定律教学案例中。实证和对比研究的结果表明,7种机器学习分类都有90%以上准确率,均能达到应用水平,但神经网络理论约束相对少且应用最方便,是机器学习应用在认知诊断评价的最佳方法。

关键词： 高中政治   深度学习   学习兴趣   问题情境   合作学习   政治学科核心素养   分析能力   判断能力  

摘要： 在课程改革不断推进的背景下,培养学生的深度学习能力成为高中政治教学的重要目标。引导学生进行深度学习有助于培养和提升学生的政治学科核心素养,增强学生对政治现象的分析和判断能力,能够为学生的未来发展奠定坚实的基础。本文从学习兴趣、问题情境、合作学习等方面,就高中政治的深度学习方法进行了探究。

关键词： 信号处理   辐射源个体识别   自监督学习   小样本   数据增强   迁移学习   残差网络   特征提取  

摘要： 通信辐射源个体识别是从无线电信号中提取特征并根据已有的先验信息来确定产生信号的辐射源个体的过程。虽然现有的辐射源个体识别方法在某些特定环境和数据集上效果较好,但在有标签样本数量较少时准确率较低。本文提出了结合自监督学习的辐射源个体识别方法,从无标签样本中学习个体特征。该方法由两个阶段组成,阶段1通过对比学习对残差网络模型预训练,从大量无标签样本中获取先验知识;阶段2可以在下游任务中只使用少量标签样本对编码器网络进行迁移学习,从而完成辐射源个体识别。实验结果表明,该方法在每个辐射源个体样本数为30的情况下可以达到79%的精度,验证了方法的有效性。

关键词： 差分隐私   用户级别差分隐私   联邦学习   联邦优化   本地梯度更新  

摘要： 基于用户级别本地化差分隐私的联邦学习得到了研究者的广泛关注,联邦数据的类型、本地更新的裁剪、隐私预算的分配以及用户掉线问题直接制约着全局联邦学习模型的精度.针对现有方法难以有效应对该类问题的不足,提出了一种有效基于用户级别本地化差分隐私的联邦学习算法ULDP-FED.该算法能够同时处理同分布与非同分布的联邦数据类型;不同于现有的固定裁剪设置方法,ULDP-FED算法采用裁剪阈值动态衰减策略来实现高斯机制造成的误差与裁剪造成的偏差之间的均衡;为了节省用户手中的隐私预算,该算法通过遍历用户所有历史本地噪音梯度更新来寻找当前轮本地梯度更新的替代更新.若存在高度相似的历史更新,用户只需要上传该历史梯度更新的索引即可,进而减少了用户与服务器之间的通信代价.ULDP-FED算法与现有算法在MNIST和CIFAR 10数据上的实验结果表明,其模型精度均高于同类方法.