CN116403078A - 基于机器人的广泛学习的中大规模图像识别集成学习模型 - Google Patents

基于机器人的广泛学习的中大规模图像识别集成学习模型 Download PDF

Info

Publication number
CN116403078A
CN116403078A CN202310678106.6A CN202310678106A CN116403078A CN 116403078 A CN116403078 A CN 116403078A CN 202310678106 A CN202310678106 A CN 202310678106A CN 116403078 A CN116403078 A CN 116403078A
Authority
CN
China
Prior art keywords
learning
feature
learning model
input
extensive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310678106.6A
Other languages
English (en)
Inventor
王茂林
张鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Kim Dai Intelligence Innovation Technology Co ltd
Original Assignee
Shenzhen Kim Dai Intelligence Innovation Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Kim Dai Intelligence Innovation Technology Co ltd filed Critical Shenzhen Kim Dai Intelligence Innovation Technology Co ltd
Priority to CN202310678106.6A priority Critical patent/CN116403078A/zh
Publication of CN116403078A publication Critical patent/CN116403078A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于机器人的广泛学习的中大规模图像识别集成学习模型，包括有S1通过广泛学习的集成学习模型，将输入数据分解成多个子空间并使用不同的基函数对每个子空间进行建模；S2通过使用套索自动编码器对原始图像进行特征提取，获取具有高区分性的特征表示；S3通过广泛增量扩展与学习算法，在训练过程中根据数据集的特点，动态增加网络的规模和复杂度，以适应不断变化的输入数据分布，使得基于广泛的集成学习模型在提高了图像识别的训练速度的同时，也保持了良好的学习性能。

Description

基于机器人的广泛学习的中大规模图像识别集成学习模型
技术领域
本发明涉及计算机视觉图像识别领域，特别是基于机器人的广泛学习的中大规模图像识别集成学习模型。
背景技术
广泛学习是近期图像识别领域的研究热点，旨在通过利用大量的未标记数据和大量的特征，以及灵活的神经网络结构来提高模型的泛化性能。这种学习模式需将特征空间分解为多个子空间，并为每个子空间构建一个单独的神经网络。每个神经网络都只接收部分特征输入，并且拥有独立的权重和偏置。在训练阶段，每个神经网络都使用未标记数据进行训练，并根据其输入特征和输出进行调整。在所有的神经网络训练完成后，将它们的特征向量拼接在一起，并通过一个全连接层进行分类或回归。但现有的广泛学习的图像识别存在低精度、低效以及可扩展性差等缺点。
发明内容
本发明克服了现有技术的不足，提供了一种基于机器人的广泛学习的中大规模图像识别集成学习模型，以平面网络的形式构建，集成了套索自动编码器，并使用了广泛的增量学习算法的图像识别方法。
为实现上述目的，本发明采用了下列技术方案：
基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于，包括有如下步骤，
S1、通过广泛学习的集成学习模型，将输入数据分解成多个子空间并使用不同的基函数对每个子空间进行建模；
S2、通过使用套索自动编码器对原始图像进行特征提取，获取具有高区分性的特征表示；
S3、通过广泛增量扩展与学习算法，在训练过程中根据数据集的特点，动态增加网络的规模和复杂度，以适应不断变化的输入数据分布。
如上所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S1中广泛学习的集成学习模型是基于随机平面网络构建的，包括输入层和输出层。
如上所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：
设定
Figure SMS_2
是配备了/>
Figure SMS_4
个训练样本的原始输入，每个样本都有/>
Figure SMS_6
个属性，对于原始输入
Figure SMS_3
，具有/>
Figure SMS_5
特征节点的第/>
Figure SMS_7
个特征空间，即/>
Figure SMS_8
，表示为/>
Figure SMS_1
式中，
Figure SMS_9
为第/>
Figure SMS_10
组投影特征的随机输入权值，/>
Figure SMS_11
为随机偏差，/>
Figure SMS_12
表示第/>
Figure SMS_13
组投影特征空间的映射函数，投影特征的串联构成了集成学习模型的平面网络的输入，即/>
Figure SMS_14
，表示为/>
Figure SMS_15
基于广泛学习的集成学习模型中，输出层的分类或识别为监督学习，因此所提出的模型的输出表示为线性方程
Figure SMS_16
，其中/>
Figure SMS_17
为连接平面网络输入层到输出层的输出权重，且/>
Figure SMS_18
，并通过计算下式的最优问题，
Figure SMS_19
，/>
Figure SMS_20
，其中/>
Figure SMS_21
是权重/>
Figure SMS_22
的进一步约束系数，/>
Figure SMS_23
是单位矩阵；
因此输入矩阵对应的伪逆
Figure SMS_24
为/>
Figure SMS_25
，当/>
Figure SMS_26
时，解近似于原始伪逆，基于广泛学习的集成学习模型的实际输出/>
Figure SMS_27
为
Figure SMS_28
。
如上所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S2中，将原始输入
Figure SMS_38
通过参数为/>
Figure SMS_33
，/>
Figure SMS_44
的函数/>
Figure SMS_37
随机转换为更高层次的表示/>
Figure SMS_48
，来作为稀疏函数/>
Figure SMS_36
的输入，从稀疏函数/>
Figure SMS_47
得到理想权值/>
Figure SMS_31
的过程为求解下式的最优解，/>
Figure SMS_43
，其中/>
Figure SMS_29
是参数/>
Figure SMS_40
的约束系数，将得到理想权值/>
Figure SMS_39
投影到一个新的输入空间/>
Figure SMS_45
上，/>
Figure SMS_34
，通过由理想权值/>
Figure SMS_46
得到/>
Figure SMS_30
，表示原始输入/>
Figure SMS_42
，对应的第/>
Figure SMS_32
组稀疏和紧凑的特征/>
Figure SMS_41
，等于/>
Figure SMS_35
，所有稀疏特征的连接构成了原始输入的特征表示。
如上所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S3中在每个特征组
Figure SMS_51
中插入额外的特征节点，以增加每个特征空间的维度，假设初始网络有/>
Figure SMS_54
组特征，附加节点/>
Figure SMS_57
被插入到第/>
Figure SMS_50
个/>
Figure SMS_52
特征组中，定义/>
Figure SMS_55
作为附加的输入权重，将/>
Figure SMS_58
表示为/>
Figure SMS_49
的相应调整权重，第/>
Figure SMS_53
组特征空间的新输入权值变为/>
Figure SMS_56
，新的特征组定义为/>
Figure SMS_59
。
如上所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S3中通过添加广义的特征组，将附加的第
Figure SMS_60
组特征映射节点表示为/>
Figure SMS_61
，
Figure SMS_62
。
本发明的有益效果是：
1、 本发明可以实现在普通计算机上快速、有效的识别中大规模图像集的图像识别模型。其主要由三个部分组成，分别为基于广泛的集成学习模型的架构、套索稀疏自动编码器的集成，以及广泛的增量学习算法的开发；当模型不能很好地完成任务时，基于广泛的集成学习模型可以进行广泛的重构；通过套索稀疏自编码器和串联技术实现了良好的特征表示；为了快速重建模型，还开发了相应的广泛的增量训练算法。以上技术的使用使得基于广泛的集成学习模型在提高了图像识别的训练速度的同时，也保持了良好的学习性能。
2、本发明具有高精度，该模型能够有效地提高图像识别的准确率，在一些常用的数据集上取得了优秀的性能表现。
3、本发明具有高效性，该模型采用了广泛学习的思想，通过分离网络结构和特征空间，利用简单的基础分类器构建集成模型，使得模型训练和预测的速度较快，且在增量学习方面表现良好。
4、本发明可扩展性强，该模型能够适应中等到大规模的图像识别任务，支持并行计算和GPU加速，能够处理大量的特征和样本数据，具有一定的扩展性和灵活性。
附图说明
图1是本发明基于广泛学习的集成学习模型的结构示意图；
图2是本发明套索稀疏自动编码器结构示意图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后…) 仅用于解释在某一特定姿态 (如附图所示) 下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，在本发明中涉及“优选”、“次优选”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“优选”、“次优选”的特征可以明示或者隐含地包括至少一个该特征。
如图1-2所示，基于机器人的广泛学习的中大规模图像识别集成学习模型，包括如下步骤，
S1、广泛学习系统，广泛学习系统是一种基于浅层神经网络的模型，通过将输入数据分解成多个子空间并使用不同的基函数对每个子空间进行建模，可以提高模型的泛化能力和鲁棒性。广泛学习系统可以快速地适应新的数据，不需要重新训练整个模型。
具体地，基于广泛学习的集成学习模型是基于随机平面网络构建的，包括输入层和输出层,具体结构如图1所示。基于广泛学习的集成学习模型使用函数
Figure SMS_63
将原始输入随机映射到不同的特征空间中，并将这些特征空间的特征节点作为输入层的输入。
假设
Figure SMS_66
是配备了/>
Figure SMS_67
个训练样本的原始输入，每个样本都有/>
Figure SMS_69
个属性。对于原始输入
Figure SMS_65
，具有/>
Figure SMS_68
特征节点的第/>
Figure SMS_70
个特征空间，即/>
Figure SMS_71
，可以表示为/>
Figure SMS_64
式中，
Figure SMS_72
为第/>
Figure SMS_73
组投影特征的随机输入权值，/>
Figure SMS_74
为随机偏差，/>
Figure SMS_75
表示第/>
Figure SMS_76
组投影特征空间的映射函数，在理论上可能是任意连续函数。投影特征的串联构成了集成学习模型的平面网络的输入，即/>
Figure SMS_77
。
Figure SMS_78
对于基于广泛学习的集成学习模型而言，输出层的分类或识别可以看作是监督学习。因此，所提出的模型的输出可以表示为以下线性方程
Figure SMS_79
,其中/>
Figure SMS_80
为连接平面网络输入层到输出层的输出权重，可以很容易地计算出来/>
Figure SMS_81
，而计算伪逆
Figure SMS_82
直接的解决方案是昂贵的，而且很难在硬件中实现。所以通过计算下式的最优问题来替代伪逆。
Figure SMS_85
，/>
Figure SMS_87
，其中/>
Figure SMS_90
是权重/>
Figure SMS_83
的进一步约束系数，/>
Figure SMS_86
是单位矩阵。输入矩阵对应的伪逆/>
Figure SMS_89
为
Figure SMS_92
，这实际上是摩尔-彭罗斯广义逆的近似值。特别是，当/>
Figure SMS_84
时，解近似于原始伪逆。基于广泛学习的集成学习模型的实际输出/>
Figure SMS_88
为
Figure SMS_91
。
S2、特征提取，通过使用套索自动编码器对原始图像进行特征提取，可以获取具有高区分性的特征表示。套索自动编码器是一种基于自编码器的特征学习算法，主要用于高维数据降维和特征提取。套索是最小绝对值收敛和选择算子的缩写，是一种稀疏化方法，它能够对自编码器的权重进行约束，使得自编码器能够自动地学习到最具有区分性的特征。
具体地，原始输入
Figure SMS_93
随机映射到不同的特征空间/>
Figure SMS_94
时，虽然通过随机初始化产生一系列随机特征的输入权值/>
Figure SMS_95
易于补充，计算量较小，但随机性是不可预测的。此外，不经调整的随机权值会产生许多冗余特征，特别是在串联模式下，因此需要进行引导。基于广泛学习的集成学习模型集成了套索稀疏自动编码器，轻微调整随机输入权值，以产生一组稀疏、基本和紧凑的特征，具体结构如图2所示。
将原始输入
Figure SMS_98
通过参数为/>
Figure SMS_99
，/>
Figure SMS_101
的函数/>
Figure SMS_97
随机转换为更高层次的表示/>
Figure SMS_100
，来作为稀疏函数/>
Figure SMS_102
的输入。从稀疏函数/>
Figure SMS_103
得到理想权值/>
Figure SMS_96
的过程也可以看作是求解下式的最优解。
Figure SMS_104
其中
Figure SMS_107
是参数/>
Figure SMS_110
的约束系数，将得到理想权值/>
Figure SMS_113
投影到一个新的输入空间/>
Figure SMS_106
上，/>
Figure SMS_109
。通过由理想权值/>
Figure SMS_112
得到/>
Figure SMS_115
，可以更好地表示原始输入/>
Figure SMS_105
。对应的第/>
Figure SMS_108
组稀疏和紧凑的特征/>
Figure SMS_111
，等于/>
Figure SMS_114
。所有稀疏特征的连接构成了原始输入的特征表示。
S3、广泛增量扩展与学习算法，广泛增量扩展与学习算法是一种基于广泛学习思想的增量学习算法。与传统的深度学习算法相比，这个方法不需要事先设计复杂的深层神经网络结构，而是通过自动增加特征节点和隐层节点来逐步构建网络。广泛增量扩展与学习算法的主要思路是，在训练过程中根据数据集的特点，动态地增加网络的规模和复杂度，以适应不断变化的输入数据分布。
具体地，基于广泛学习的集成学习模型提出了基于特征节点广泛扩展的增量学习方法，这个方法有两种可采用的思路。
一种广泛扩展方法是在每个特征组
Figure SMS_118
中插入额外的特征节点，以增加每个特征空间的维度。假设初始网络有/>
Figure SMS_121
组特征。附加节点/>
Figure SMS_125
被插入到第/>
Figure SMS_117
个/>
Figure SMS_120
特征组中。定义/>
Figure SMS_124
作为附加的输入权重。将/>
Figure SMS_126
表示为/>
Figure SMS_116
的相应调整权重。第/>
Figure SMS_119
组特征空间的新输入权值变为/>
Figure SMS_122
，新的特征组定义为/>
Figure SMS_123
。
另一种方法是添加广义的特征组。将附加的第
Figure SMS_127
组特征映射节点表示为/>
Figure SMS_128
，
Figure SMS_129
。
以上技术的使用使得基于广泛的集成学习模型在提高了图像识别的训练速度的同时，也保持了良好的学习性能。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (6)

1.基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于，包括如下步骤，
S1、通过广泛学习的集成学习模型，将输入数据分解成多个子空间并使用不同的基函数对每个子空间进行建模；
S2、通过使用套索自动编码器对原始图像进行特征提取，获取具有高区分性的特征表示；
S3、通过广泛增量扩展与学习算法，在训练过程中根据数据集的特点，动态增加网络的规模和复杂度，以适应不断变化的输入数据分布。
2.根据权利要求1所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S1中广泛学习的集成学习模型是基于随机平面网络构建的，包括输入层和输出层。
3.根据权利要求2所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：
设定
Figure QLYQS_1
是配备了/>
Figure QLYQS_4
个训练样本的原始输入，每个样本都有/>
Figure QLYQS_6
个属性，对于原始输入/>
Figure QLYQS_2
，具有/>
Figure QLYQS_5
特征节点的第/>
Figure QLYQS_7
个特征空间，即/>
Figure QLYQS_8
，表示为/>
Figure QLYQS_3
式中，
Figure QLYQS_9
为第/>
Figure QLYQS_10
组投影特征的随机输入权值，/>
Figure QLYQS_11
为随机偏差，/>
Figure QLYQS_12
表示第/>
Figure QLYQS_13
组投影特征空间的映射函数，投影特征的串联构成了集成学习模型的平面网络的输入，即/>
Figure QLYQS_14
，表示为
Figure QLYQS_15
基于广泛学习的集成学习模型中，输出层的分类或识别为监督学习，因此所提出的模型的输出表示为线性方程
Figure QLYQS_16
,其中/>
Figure QLYQS_19
为连接平面网络输入层到输出层的输出权重，且/>
Figure QLYQS_21
，并通过计算下式的最优问题，/>
Figure QLYQS_17
，
Figure QLYQS_20
，其中/>
Figure QLYQS_22
是权重/>
Figure QLYQS_23
的进一步约束系数，/>
Figure QLYQS_18
是单位矩阵；
因此输入矩阵对应的伪逆
Figure QLYQS_24
为/>
Figure QLYQS_25
，当/>
Figure QLYQS_26
时，解近似于原始伪逆，基于广泛学习的集成学习模型的实际输出/>
Figure QLYQS_27
为
Figure QLYQS_28
。
4.根据权利要求1所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S2中，将原始输入
Figure QLYQS_37
通过参数为/>
Figure QLYQS_30
，/>
Figure QLYQS_40
的函数/>
Figure QLYQS_35
随机转换为更高层次的表示/>
Figure QLYQS_42
，来作为稀疏函数/>
Figure QLYQS_36
的输入，从稀疏函数/>
Figure QLYQS_46
得到理想权值/>
Figure QLYQS_31
的过程为求解下式的最优解，/>
Figure QLYQS_45
，其中/>
Figure QLYQS_39
是参数/>
Figure QLYQS_43
的约束系数，将得到理想权值/>
Figure QLYQS_33
投影到一个新的输入空间/>
Figure QLYQS_41
上，/>
Figure QLYQS_38
，通过由理想权值/>
Figure QLYQS_47
得到/>
Figure QLYQS_32
，表示原始输入/>
Figure QLYQS_48
，对应的第/>
Figure QLYQS_34
组稀疏和紧凑的特征/>
Figure QLYQS_44
，等于/>
Figure QLYQS_29
，所有稀疏特征的连接构成了原始输入的特征表示。
5.根据权利要求1所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S3中在每个特征组
Figure QLYQS_51
中插入额外的特征节点，以增加每个特征空间的维度，假设初始网络有/>
Figure QLYQS_54
组特征，附加节点/>
Figure QLYQS_56
被插入到第/>
Figure QLYQS_50
个/>
Figure QLYQS_53
特征组中，定义/>
Figure QLYQS_57
作为附加的输入权重，将/>
Figure QLYQS_59
表示为/>
Figure QLYQS_49
的相应调整权重，第/>
Figure QLYQS_52
组特征空间的新输入权值变为/>
Figure QLYQS_55
，新的特征组定义为/>
Figure QLYQS_58
。
6.根据权利要求1所述的基于机器人的广泛学习的中大规模图像识别集成学习模型，其特征在于：S3中通过添加广义的特征组，将附加的第
Figure QLYQS_60
组特征映射节点表示为
Figure QLYQS_61
，/>
Figure QLYQS_62
。
CN202310678106.6A 2023-06-09 2023-06-09 基于机器人的广泛学习的中大规模图像识别集成学习模型 Pending CN116403078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310678106.6A CN116403078A (zh) 2023-06-09 2023-06-09 基于机器人的广泛学习的中大规模图像识别集成学习模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310678106.6A CN116403078A (zh) 2023-06-09 2023-06-09 基于机器人的广泛学习的中大规模图像识别集成学习模型

Publications (1)

Publication Number Publication Date
CN116403078A true CN116403078A (zh) 2023-07-07

Family

ID=87014697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310678106.6A Pending CN116403078A (zh) 2023-06-09 2023-06-09 基于机器人的广泛学习的中大规模图像识别集成学习模型

Country Status (1)

Country Link
CN (1) CN116403078A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN110826570A (zh) * 2019-10-25 2020-02-21 西安科技大学 一种ect两相流基于宽度学习的流型识别方法
CN113591653A (zh) * 2021-07-22 2021-11-02 中南大学 一种基于宽度学习系统的增量式锌浮选工况判别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN110826570A (zh) * 2019-10-25 2020-02-21 西安科技大学 一种ect两相流基于宽度学习的流型识别方法
CN113591653A (zh) * 2021-07-22 2021-11-02 中南大学 一种基于宽度学习系统的增量式锌浮选工况判别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
C. L. PHILIP CHEN 等: ""Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture "", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, vol. 29, no. 1, pages 10 - 24, XP011675354, DOI: 10.1109/TNNLS.2017.2716952 *

Similar Documents

Publication Publication Date Title
Zhang et al. Improved deep hashing with soft pairwise similarity for multi-label image retrieval
JP2023534358A (ja) 量子系の基底状態エネルギーの推定方法、およびシステム
CN110458187B (zh) 一种恶意代码家族聚类方法和系统
CN110046252B (zh) 一种基于注意力机制神经网络与知识图谱的医疗文本分级方法
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN113299354A (zh) 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
CN110264012B (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN109743196A (zh) 一种基于跨双层网络随机游走的网络表征方法
CN116960989B (zh) 一种发电站的电力负荷预测方法、装置、设备及存储介质
CN111723930A (zh) 一种应用群智监督学习方法的系统
CN110096630A (zh) 一类基于聚类分析的大数据处理方法
CN115470889A (zh) 基于强化学习的片上网络自主最优映射探索系统及方法
CN114925767A (zh) 一种基于变分自编码器的场景生成方法和装置
CN113313322B (zh) Moea/d挤压工艺参数多目标优化方法及装置
CN114386582A (zh) 一种基于对抗训练注意力机制的人体动作预测方法
CN117059284A (zh) 基于协同进化离散粒子群优化的糖尿病并行属性约简方法
Qian et al. Deep learning for a low-data drug design system
CN116403078A (zh) 基于机器人的广泛学习的中大规模图像识别集成学习模型
CN109740221B (zh) 一种基于搜索树的智能工业设计算法
CN112418504A (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
CN114880527B (zh) 一种基于多预测任务的多模态知识图谱表示方法
CN114611621A (zh) 一种基于注意力超图神经网络的协同聚类方法
CN113515685A (zh) 一种融合Embedding强化拓扑与节点内容信息的社团检测方法
Yang et al. Deep belief networks oriented clustering
CN116486127A (zh) 一种融合结构信息的图自编码器聚类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination