关键词： 光纤通信系统   非线性效应   深度学习   注意力机制  

摘要： 大数据、移动互联网、云计算等新兴技术的发展,催生了新应用的涌现。全球数据容量的需求也呈现出爆炸式的增长趋势。为满足系统传输容量需求,光纤通信系统必然向着“超大容量”“超大速率”“超长距离”方向发展。然而,随着光纤链路传输距离的增大、发射功率的提高使得非线性效应进一步增大,这成为限制系统容量提升的主要因素。传统的数字信号处理(digital signal processing,DSP)技术,在过去几十年,已经被广泛研究。然而,现有补偿非线性损伤的数字信号处理技术,需要依赖系统参数,这在实际链路传输中是困难的。同时,传统方案模型的复杂度也较高。本文通过分析光纤非线性产生机理,结合深度学习方法,提出一种基于注意力机制的双向循环神经网络(bi-directional recurrent neural networks,Bi-RNN)。本文主要研究内容和创新点如下:(1)引入注意力机制,设计了一种补偿光纤链路中非线性损伤的方案。注意力机制使得模型聚焦在对输出影响较大的输入数据上。数值仿真表明,在使用 16QAM(quadrature amplitude modulation,QAM)的 45 Gbaud 偏分复用(polarization division multiplexing,PDM)1 600 km光纤通信系统中,与数字反向传播算法(digital back propagation,DBP)相比,该方案均可获得0.2 dB～0.67 dB的Q值提升。(2)注意力机制的引入,提高了模型的可解释性。通过输入序列中每个符号的注意力得分,可以更好地理解输入符号对均衡后符号的贡献。(3)提出一种参数共享策略,提升了补偿方案对信号输入功率和信道数量变化的容忍度。因此,使用参数共享策略的方案可以更好地适应实际的传输链路,大大降低了波分复用(wavelength division multiplexing,WDM)系统中模型的训练复杂度。与传统神经网络补偿方案相比,该方案可以使用更短长度的符号进行训练,达到相似的补偿效果。(4)本文中的方案采用端到端的设计模式。通过对训练数据的学习,该方案可直接补偿传输过程中的非线性损伤,且不依赖于系统的物理参数。

关键词： 肺结节检测   深度学习   无锚检测头   自注意力   增量学习   特征蒸馏  

摘要： 近年来,由于抽烟、空气污染以及遗传等多种因素,肺癌的发病率和死亡率都在趋于高位,肺部肿瘤严重危害人们的健康。肺结节作为肺癌的早期症状,及早发现肺结节并按时监测对于降低肺癌发病率和死亡率具有重要意义。随着深度学习的发展,计算机辅助肺结节检测已经取得了很大的进展。使用深度学习方法进行肺结节检测可以获得更高的准确度和敏感度,这对于早期诊断和治疗非常重要。深度学习检测模型可以自动地在大量的CT图像中检测肺结节,大大减轻了医生的工作负担。并且可以在短时间内处理大量的数据,提高了检测速度和效率。相比于传统方法手工制作特征,深度学习模型可以自动地学习结节特征,能够有效提高模型的准确度。基于深度学习在肺结节检测中的各项优势,本文的主要研究内容如下:(1)现有的三维检测方法需要更多的计算资源和训练时间,二维检测方法效率高但精度不佳,如何平衡计算资源和检测精度是肺结节临床辅助诊断所面临的问题。针对这一问题,提出了一种多维多尺度特征融合的无锚肺结节检测方法,该检测方法的特征提取阶段分为二维特征提取和多视图特征提取,首先利用二维卷积网络提取多尺度语义特征。其次,基于自注意力与三维卷积具有相似性,为了降低计算量,采用Transformer编码器替代三维卷积提取多视图特征。最后将提取的多尺度语义特征与多视图特征通过多维特征融合模块融合,得到多分辨率、语义特征丰富、位置信息精确的融合特征图。检测阶段设计了面向生物视觉的无锚检测头,在检测头中使用圆形卷积核以获得更适应结节形态特征的圆形感受野,并设计了更符合医生标注的中心点分支加半径分支。在LUNA16数据集上进行实验验证,结果表明该方法竞争性能指标(CPM)达到了0.850,高于目前主流二维检测方法。FLOPs值低至9.7G,单样本序列检测时间为1.59s,计算资源消耗均低于主流三维检测方法,达到了计算资源和检测精度的有效平衡。(2)针对卷积神经网络在肺结节检测中仅有局部感受野,检测假阳性率高的现象,提出了两种卷积与自注意力融合模块。首先将三维卷积引入Transformer,作为全局C-T模块捕获肺结节全局上下文联系。其中卷积用于建模局部空间位置信息,自注意力用于整理全局信息以提高网络对假阳性结节鉴别能力。然后将自注意力引入残差模块,作为局部C-T模块以提高网络泛化能力。针对三维特征信息丰富计算困难的特点,提出一种空间注意力,采用提出的TM计算方式对Q、K、V矩阵进行计算。为了保持三维特征中结节位置信息不变,不再进行展平操作,而是直接在三维矩阵上计算。在LUNA16数据集上进行交叉验证实验,结果表明该方法FROC曲线整体高于主流方法,竞争性能指标(CPM)达到了0.877,具有较高的敏感度,为临床辅助医生检测提供了有效参考信息。(3)当有新样本到来时,现有的模型增量更新方法存在灾难性遗忘、更新时空成本过高等问题。为了克服上述问题,提出了一种基于弹性权重整合(EWC)和特征蒸馏的肺结节检测增量学习方法。首先对CT图像进行肺实质分割;其次基于弹性权重整合方法优化原始模型,将费舍尔信息矩阵简化为参数权重矩阵以减少计算量,然后基于参数权重矩阵在更新过程中将正则化惩罚项引入损失函数,限制重要参数的变化得到增量更新后的优化模型;最后将原始模型作为教师网络,优化模型作为学生网络计算特征蒸馏损失以提高优化模型性能,在不遗忘已学习知识的条件下实现对新样本的充分拟合。该方法在LUNA16数据集上进行了交叉验证,结果显示该方法提高了模型增量学习能力,在敏感度、准确度上取得了较好的效果,并且实现了低假阳性,具有较低的时空开销。(4)基于本文创新方法,设计了一种肺结节辅助检测系统,该系统以Vue作为前端框架,Flask服务器作为模型服务器,Orthanc服务器用于存储切片数据。该系统实现了对肺结节的检测与识别。综上所述,本文针对基于深度学习的肺结节检测中存在的一些问题,提出了两种肺结节检测方法以及一种肺结节检测增量学习方法,通过大量实验验证了方法的有效性。并且在多维多尺度特征融合的无锚肺结节检测方法的基础上设计了一种肺结节辅助检测系统,能够提高医生工作效率。

关键词： 深度脉冲强化学习   强化学习   脉冲神经网络   梯度替代策略   直接训练  

摘要： 脉冲神经网络(Spiking Neural Networks,SNN)因其具有较高的生物合理性以及在智能芯片上的低功耗潜力,近年来被研究学者们广泛研究,并称之为新一代人工神经网络(Artificial Neural Networks,ANN)。与传统人工神经网络使用连续值表征信息不同,脉冲神经网络使用二值离散脉冲序列表征信息。目前,在深度强化学习研究已取得长足发展的情况下,结合脉冲神经网络与强化学习算法的深度脉冲强化学习研究仍处于起步阶段。现有深度脉冲强化学习方法均使用脉冲神经网络转换方法将预训练的传统人工神经网络转化为相应结构的脉冲神经网络,以达成对脉冲神经网络的间接训练。这导致现有方法存在较强的局限性,例如,现有方法对预训练的传统人工神经网络有较强的依赖;以及由于脉冲神经网络转换方法通常至少需要长达数百个编码时间步的编码时间窗口才能达到足够的转换精度,导致现有方法无法充分发挥脉冲神经网络的高能量效率优势。本论文为了解决以上问题,首次提出了一种基于直接训练方法的深度脉冲强化学习框架,该框架基于梯度替代策略实现了对脉冲神经网络的直接训练,并且该框架可在将编码时间窗口缩短一个数量级的情况下达到较高的精度,充分发挥脉冲神经网络的高能量效率优势。本论文在该框架的基础上引入了值分布强化学习理论,将其从传统深度强化学习领域扩展到值分布强化学习领域,提出了一种值分布脉冲强化学习算法。最后,本论文针对提出的深度脉冲强化学习框架和值分布脉冲强化学习算法进行了充分的实验,实验结果在传统深度强化学习领域和值分布强化学习领域均证明了该框架的有效性。本论文的主要工作如下:(1)基于Q学习、泄漏型积分-点火模型以及梯度替代策略提出了一种基于直接训练方法的深度脉冲强化学习框架,该框架包括一种基于直接训练方法的深度脉冲强化学习模型和一种面向深度脉冲Q学习的直接训练方法;最后对该框架进行了理论分析;(2)基于该框架、值分布贝尔曼方程以及分位数回归提出了一种值分布脉冲强化学习算法,将该框架从传统深度强化学习领域扩展到了值分布强化学习领域;(3)在雅达利游戏任务中分别对适配了不同传统深度强化学习算法的深度脉冲强化学习框架以及值分布脉冲强化学习算法进行了充分的对比实验。实验结果证明了该框架在传统深度强化学习领域和值分布强化学习领域的有效性及优势。

关键词： 4D航迹预测   函数型数据分析   异常值识别   K-means聚类   深度学习  

摘要： 随着经济社会的发展,各地区的交流日益紧密,对交通运输的快捷性和准确性的要求越来越高,而民航作为一种重要的交通工具,其发展的重要性毋庸置疑。结合国外民航信息化和数字化的发展趋势及我国空中交通领域的发展要求,民航的数字化、智能化发展势在必行。从我国现用民航流量管理系统的功能性考虑,系统预测的准确性有待加强,因此需要更加准确且智能化的4D航迹预测方法,实现冲突预警、延误情况预测,不断提升航班运行的准确性,减轻管制员的压力。本文针对4D航迹预测结合模型建立的流程提出了三种方法: (1)基于函数型数据深度的异常航迹段识别方法。针对原始航迹数据集中存在的大量异常航迹段,通过函数型数据深度的概念建立异常值筛选方法,根据常用的函数型深度计算方法选择了Fraiman和Muniz(FM)方法、h-mode(h M)方法和随机投影(Random projection,RP)方法三种方法进行了对比实验。在筛选过程中关于阈值的确定使用了boostrap方法,针对基于修剪和基于加权的bootstrap方法分别使用实际样本进行实验,根据识别率(True positive rate,TPR)和误判率(False positive rate,FPR)判断识别效果。针对本文使用的航迹数据集,通过实验确定的识别方法计算后,TPR和FPR均达到了预期效果。 (2)基于函数型K-means聚类算法的局部航迹段聚类方法。针对航班离场后至爬升阶段航迹的差异,为了进行航路区分,使用函数型K-means聚类算法。在聚类过程中,由于传统方法只能针对单维序列聚类,无法融合航迹序列的时空特性。本文通过计算每一维特征的熵权值得到融合样本,进而进行聚类。针对此模型的中存在的不同的参数及方法(聚类个数的确定、类中心的确定方法、深度函数的计算方法)进行了实验,并使用轮廓系数评价实验结果。结果说明了此方法能较好地将不同变化模式的航迹区分开来。 (3)基于深度学习算法的4D航迹实时预测模型。针对4D航迹预测多变量多步预测的特性,选取了encoder-decoder结构建模。首先建立了长短时记忆网络(Long shortterm memory,LSTM)模型,然后针对航迹序列的时间性和空间性,为了更好地提取时空特征,分别建立ConvLSTM模型和TCN-LSTM模型。在超参数调整中,采用网格搜索和贝叶斯优化相结合的方式,针对输入数据长度和模型的多个超参数进行优化。最后对比建立两个基准模型,使用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Squared Error,RMSE)评估各模型预测效果,并验证了结合聚类算法的有效性,通过测试集模拟航迹预测的实况。 综上所述,本文提出的4D航迹处理及预测方法能够实现航迹异常值快速精确识别、局部航迹聚类和航迹的实时动态预测,对于我国民航流量管理系统中的4D航迹预测模块的发展具有重要意义。

关键词： 机器学习   岩性填图   遥感矿物识别   小样本采集   轻量梯度提升树  

摘要： 地质学正在从定性研究向定量化研究转变,推动这一过程的关键在于对多源、多维、多尺度数据的积累和对其进行综合、跨界的利用。岩性填图的数字化、信息化转型是地质学定量化的基础之一。传统岩性填图需要依靠专业地质工作者进行大范围、高密度的数据采集等野外工作。大数据时代背景下,机器学习方法也日新月异。如何基于多源地学数据,结合机器学习方法,实现岩性填图的数字化。本文以多龙矿集区岩性填图为例,构建了一种利用轻量梯度提升树模型,基于遥感卫星数据ASTER、Landsat8和1:5万地化数据的小样本采集岩性填图工作方法。论文主要内容包括: (1)基于遥感图像的蚀变矿物信息提取。对ASTER数据进行辐射校正、大气校正、干扰去除等预处理,再基于其丰富的光谱特征进行矿物蚀变信息提取,对研究区矿物分布实现初步了解。通过矿物蚀变信息对研究区进行初步区域划分,为后续设计人工填图路线提供支撑。 (2)最优模型和最佳预测数据集选择。采用支持向量机、随机森林、轻量梯度提升树三种机器学习模型,利用ASTER、Landsat8、地球化学数据组合成的七种预测数据集进行岩性分类,对比各模型在不同数据集上的岩性分类结果的可靠性。根据模型分类准确性和模型效率选择轻量梯度提升树作为预测模型,选择经过主成分分析降维的遥感数据和地化数据作为预测数据集。 (3)基于轻量梯度提升树模型进行小样本岩性填图研究。最终选用轻量梯度提升树模型对构建的训练数据集完成模型训练及预测,再利用均值空间滤波对预测概率图进行处理和优选,获得下一轮人工填图区域及地球化学样品采集路线,通过对模型进行迭代,最终生成基于小样本的岩性填图结果。 通过实验,本文提出的岩性填图方法经过5次迭代过程,在对研究区20%的区域进行人工填图后,获得了91%的岩性填图准确率,该结果说明了本文提出的基于轻量梯度提升树模型的地球化学小样本采集岩性填图方法既有效的降低了岩性填图工作量,又实现了较高的岩性填图精度,具有一定的可推广性。

关键词： 业绩预告质量   媒体情绪   BiLSTM模型  

摘要： 随着金融企业监管制度的成熟与完善,企业的信息披露行为也愈发变得规范。但是,“变脸”事件依旧屡屡发生,且业绩预告披露信息质量良莠不齐。为此,学者曾从许多角度对业绩预告质量的影响因素展开研究,本文乘着技术发展的大船,发掘了一个新的影响因素:媒体情绪。基于深度学习技术,对媒体的新闻文本进行学习训练,获得一个可以量化的情绪指标。将媒体情绪指标作为研究对象,探究媒体情绪对业绩预告质量的影响。立足于信息操纵理论和情绪渲染理论,研究媒体情绪如何影响管理层行为。而本文中的管理层行为特指对于业绩预告质量的控制。为探索媒体的文本内容对企业发布业绩预告意愿的影响,本文先对是否有媒体报道、以及报道的数量进行回归检验。结果表明受到媒体关注的企业更倾向于发布业绩预告,而受到关注的企业样本中,关注度与发布业绩预告愿意呈正相关。实证结果表明,媒体情绪对业绩预告呈现显著负向影响,即消极的媒体情绪可以达到外部治理效应,提高业绩预告质量。本文业绩预告质量使用了精准度、偏离度、及时性三个指标。其中精准度和偏离度回归结果一致为显著的负向影响,而媒体情绪对业绩预告及时性却存在显著正向影响,即媒体情绪越消极,企业管理层越拖着发布业绩预告。在加入机构投资者占比和是否执行股权激励计划影响因素以后,发现机构投资者占比对该效应存在显著的负向调节,即企业中机构投资者占比越高,企业管理层的决策愈发理性,因此媒体情绪对管理层决策的影响越小。本文还将数据样本按照企业特征、行业特征、经济环境特征进行分组实验,实验结果表明不同板块下的企业受到媒体情绪的影响效应不同,而结果在沪市主板的企业样本回归中最为显著。以精准度指标来看,某些特定的行业如:制造业、建筑业、卫生和社会工作、批发和零售业、金融业的企业受到媒体情绪的影响最显著,而租赁和商业服务业的企业受到的影响显著但与全样本结果相反。在疫情后,由于疫情防控政策,企业生产的不确定性更高。因此,疫情后媒体情绪对业绩预告质量的影响显著性不如疫情前。此外,以往学者对媒体相关信息的采集主要依靠搜索指数和对新闻文本的词频统计,本文使用深度学习模型构造媒体情绪指标,使得情绪衡量更合理。本文边际地拓展了关于业绩预告影响因素的立意角度,同时丰富了媒体文本在金融领域的实证研究中的应用。

关键词： 小样本学习   元学习   数据扩充   注意力机制   直推式学习  

摘要： 小样本学习是指从只有很少样本的数据集中学习到一个有效的分类器。深度学习通常需要大量的数据进行训练,而在现实世界中,我们通常只能获得有限的数据,深度学习在处理小样本问题时表现往往不尽如人意。面临的主要困境包括:1)数据有限,无法满足深度学习所需的大量数据,模型很难进行有效的学习。2)传统的迁移学习方法通常也难以处理小样本问题。因为在小样本学习中,不同的任务之间往往有很少的重叠,模型无法从已有的数据中学习到足够的知识。3)在小样本学习中,模型需要在非常少的数据上进行训练。因此,模型的复杂度受到了严格的限制,如果模型过于复杂,就容易出现过拟合的现象。针对上述问题,本文将注意力模块融入到元学习框架中,通过注意力模块挖掘数据本身更多的信息,从信息增益的角度,为训练模型增加更多的监督信号。本文首先提出基于自注意力机制的全局类表示的小样本学习方法,从数据增强的角度,优化全局类表示,提高了模型对新类数据的泛化能力;为了充分利用未标记样本的特征,本文进一步提出基于交互注意力的全局类表示的小样本学习方法,通过交互注意力模块构建特征之间的语义相关,提升类间可分性。论文主要工作包括:第一,提出基于自注意力机制的全局类表示的小样本学习方法。首先,加入少量的新类数据到训练阶段,利用预训练的特征提取网络为所有类别构建一个全局类表示。然后在元任务过程中对新类数据进行数据扩充后与基类数据一同输入到特征提取网络,为每一个局部类匹配一个全局类表示。最后将查询集中样本的特征图与全局类表示共同输入注意力网络进行类别预测。该方法在数据集Omniglot和miniImageNet上得到了有效验证。第二,提出基于交互注意力的全局类表示的小样本学习方法。首先通过一种直推式的转换推理算法扩充训练样本来提高类别的特征多样性,然后,在元任务阶段,引入交互注意力模块,构建类特征和查询特征之间的语义相关性,从而引起对目标对象的关注来实现对查询样本的预测。实验结果表明,同时引入直推式学习和交互注意力模块,在miniImageNet和tieredImageNet这两个数据集的分类任务上获得了显著的效果提升。第三,设计并完成了一个基于元学习的小样本数据分类系统,包括五个功能模块,在提高算法调参效率的同时,方便并直观的展示了不同数据集采用不同算法的对比结果。

关键词： 机器学习   生物信息   Anti-CRISPR   反式剪接因子   氨基酸序列  

摘要： 进入后基因组时代后,随着蛋白质测序技术的快速发展,已知序列的蛋白质数量增长迅速,然而受传统实验技术和实验条件的限制,已知功能的蛋白质数量增长缓慢,两者之间的差距越来越明显。因为蛋白质功能与蛋白质序列有关,因此成功基于蛋白序列预测蛋白质功能和类别已经成为蛋白质组学的重要目标之一。蛋白质是由20种不同类型的氨基酸组成的具有复杂结构的生物大分子,在细胞和人体生命活动中发挥着重要作用。蛋白质功能的先验信息在细胞生物学,药理学,生物信息学和生物医学等科学研究中发挥着重要作用。然而,由于用于研究蛋白质功能的传统实验方法是昂贵和耗时的,因此,开发快速,合适,可靠且合理的蛋白质功能预测的计算方法是必不可少的。随着机器学习方法在各个领域内的快速发展,尤其是生物学领域,针对不同的蛋白质设计独特的计算方法框架已经成为生物信息学领域内的常用策略。 在此背景下,本研究围绕anti-CRISPR蛋白质和反式剪接因子(RNA结合蛋白质)展开,为其开发了可靠的机器学习预测模型,主要包含以下两个部分的工作: 1.构建了一个用于识别anti-CRISPR蛋白质的机器学习集成预测器,称为Pre Acrs。Pre Acrs仅基于蛋白质序列来识别该蛋白质是否为anti-CRISPR蛋白质。三种特征训练八个单分类器组成的集成模型被用来构建Pre Acrs预测器。从预测结果来看,Pre Acrs优于其他现有方法,显著提高了anti-CRISPR蛋白质的预测准确率,在准确性和稳健性方面取得了具有竞争性的性能。 2.利用机器学习方法探究了理化性质和结构特征在预测反式剪接因子活性中的作用,并且发现这些特征显著提高了预测反式剪接因子活性的准确性。通过结合最小冗余-最大相关性算法和向前搜索特征算法优化特征集,得到一个具有24个特征的特征子集来预测反式剪接因子的活性。这个特征子集包含16个氨基酸对的组成,5个理化特征和3个结构特征。从实验结果来看,理化性质中的疏水作用和结构特征中的卷曲的分布是预测反式剪接因子活性的关键特征。

关键词： 同步磁阻电机   学习方法  

摘要： 专利申请号:2022110055912公开号:CN115566951A申请日:2022-08-22公开日:2023-01-03申请人:哈尔滨工业大学一种带电阻误差补偿的同步磁阻电机磁链自学习方法,涉及同步磁阻电机离线参数辨识技术领域。本发明是为了解决现有磁链自学习方法的准确性会因铁损而降低的问题。本发明所述的一种带电阻误差补偿的同步磁阻电机磁链自学习方法,采用双极性电压信号作为激励,

关键词： 集成学习   证据推理规则   稳定性   数据采集系统  

摘要： 近年来,集成学习方法在各行各业被广泛关注,其应用涵盖了信用风险评估、医学图像识别、智能识别系统、光伏电力系统、机械工业以及风电等领域。然而,目前的集成学习方法多采用投票融合策略,在组合分类器决策时难以挖掘子分类器的有效信息,并且无法有效反映不同分类器间的关系。为了解决这些问题,研究人员提出了一些新的集成学习方法。例如,基于赋权融合策略的集成学习,该方法可以根据基分类器的性能对其进行赋权,从而更好地反映不同分类器之间的差异;基于元学习的集成学习,该方法可以通过学习分类器之间的关系来提高分类器的组合效果。但相比上述的研究方法而言,本文提出以证据推规则(Evidential Reasoning rule,ER rule)作为集成学习的结合策略,ER规则作为一种半定量的专家系统,能够有效处理多源信息中的不确定性问题,而不同分类器的预测结果不尽相同,其中包含大量不确定信息,利用ER规则能有效处理此类不确定性问题,充分挖掘分类器之间的内在联系,提高分类器的组合效果,并且ER规则的推理过程清晰透明,其结果具备可解释性和可追溯性。然而,基于ER规则的集成学习方法的最终评估效果取决于不同组合策略的权重分布,证据权重的设置会对模型的准确性和稳定性产生很大影响。因此,在实际应用中,需要针对具体问题,选择合理的组合策略和权重设置方法。同时,还需要关注模型的可解释性,尽可能提高模型的可理解性,进而更好地应用于实际场景中。本文提出了一种新的基于多重融合赋权证据推理规则的集成学习方法,并构建了用于数据融合和决策映射的集成学习框架。该框架以各分类器的证据权重、置信度和特征数据为输入,以集成结果为输出。同时,分别依靠定性知识和定量信息来设置基分类器的主观权重和客观权重,提出一种新的多重融合赋权方法将主观权重和客观权重相融合作为最终的证据权重,这种融合证据权重的方法相较于单一权重更科学可靠。最后,本文使用多个数据集验证所提的集成策略和权重设置方法的有效性。实验结果表明,本文所提基于ER规则且考虑多样性赋权的集成学习方法具有良好的性能,在提高模型泛化能力的同时,显著改善了单权的不稳定性缺陷,也进一步挖掘了数据的内在关系,具有一定的可解释性。为了将所提方法应用到实践,本文开发了一款基于证据推理规则的集成学习数据采集系统。该系统嵌入了ER核心算法和融合赋权核心算法,最终与前述内容构成了从理论创新到案例验证直至应用落地的完整流程。综上所述,本文针对传统集成学习中的集成策略难以挖掘分类器的有效信息,不能充分反映分类器之间的关系以及不同证据权重的设置导致集成学习结果存在不准确、不稳定的问题,提出了基ER规则的集成策略和多重融合赋权方法,对所提方法进行详细的理论分析,并在多个数据集的分类问题上进行验证。最终,通过系统的开发成功将方法从理论运用到实际。