基于被动-主动的特征演化流学习

来源 :计算机研究与发展 | 被引量 : 0次 | 上传用户:eric2751
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在许多现实应用中,数据以一种特征演化流的形式收集.例如,随着传感器的更换,由旧传感器收集的数据特征会消失,新传感器收集的数据特征会出现.在线被动主动算法已被证明可以有效地从具有固定特征空间和梯形特征空间的数据集中学习线性分类器.因此,提出了一种基于被动主动更新策略的特征演化学习算法(passive-aggressive learning with feature evolvable streams,PAFE).该算法通过主动被动更新策略从当前特征空间和被恢复的已消失特征空间中学习了2个模型.具体来说,在重
其他文献
为了提高红外图像去雾的质量,采用改进暗通道算法。首先通过图像自身调节来获得较准确的大气光强,利用原图暗原色图以及亮原色图的调节因子得到更加接近图像真实值的大气光强;然后均方差判断去雾图像区域块的对比度,通过透射率伸缩系数和透射率增减系数来调节透射率;接着为避免去雾图像画质偏暗,通过灰度值大小对图像亮度进行校正;最后给出了算法流程。实验仿真显示本文算法没有色彩失真现象,边缘细节处理更清晰明亮,平均梯
摘 要:林业在我国国民经济发展过程中扮演着至关重要的角色,为了最大限度地发挥林业的价值,林业部门要加大林业建设工作的力度,一方面要采用现代化的林业造林方法,提高苗木的成活率,另一方面要采用先进的营林生产管理理念,做好苗木后期的抚育管理工作,为苗木生长提供良好的环境,提高林业的产量和质量。分析了现代林业在发展过程中采用的造林方法,探究了现代林业营林生产管理措施,希望对我国现代林业发展提供有效的参考
城市植被群落在改善环境质量方面有积极的作用。以7种植物群落为研究对象,分析植物群落对大气颗粒物削减率的差异性。结果表明:夏季,新疆小叶白蜡-水蜡群落对PM10和PM2.5的削减效果最好,旱柳群落削减效果最差。秋季,白榆-紫丁香群落对PM10和PM2.5的削减效果最好,红皮云杉群落削减作用最差;三刺皂角-紫丁香群落内颗粒物的扩散路径是由浓度最高的群落边缘向群落内移动,白榆-紫丁香群落与之有明显差异,群落内部颗粒物浓度高于
人工智能的迅速发展正深刻地改变着人类社会生活,在理论和方法上,人工智能呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征.数据驱动与知识驱动融合、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统等成为人工智能的发展重点,人工智能发展进入新阶段.随着新一代人工智能相关理论建模、技术创新、软硬件升级等整体推进,亟需破解研究中面临的理论、方法、应用等多个层面的挑战性难题.
将人工湿地耦合微生物燃料电池(CW-MFC)体系用于高盐废水的处理,考察了其在高盐环境下的污染物去除效果,并通过高通量测序分析了CW-MFC体系与CW体系中微生物群落的差异,揭示了CW-MFC体系强化高盐废水中的脱氮机理。结果表明:将CW与MFC耦合形成的CW-MFC体系具有稳定的输出电压,并可持续地为阴极反硝化过程提供电子供体。在60 d的水质监测期间,2种盐度下CW-MFC体系出水中的硝态氮和亚硝态氮浓度均低于相应的CW体系。高通量测序表明CW-MFC体系阴极区和阳极区分别富集了较高丰度的反硝化菌和产
当今大数据时代,数字化的飞速发展已经深入到各个领域和行业。同样,数字化建设和发展也为徽文化古民居的保护带来不一样的春天。本文通过黄宾虹故居的数字化保护与研究,探索作为徽文化传承的核心载体——徽派古民居的数字化保护新模式,为徽派古民居的有效保护和传承提供思路。通过数字化的存储和复原为徽派古民居的资源共享提供了无限的发展空间,使徽文化传承下的古民居在使用中得到保护,在发展中得到继承。
裂缝对公共设施而言存在着安全隐患,因此裂缝检测是公共设施进行维护的重要手段.由于裂缝图像中存在噪声、光线、阴影等因素干扰,神经网络在训练时极易被影响,导致预测结果出现偏差,降低预测效果.为减少这些干扰,设计了一个并行注意力机制,并将其嵌入到UNet网络的解码部分,进而提出了并行注意力UNet(parallel attention based UNet, PA-UNet).该方法分别从通道和空间2个
摘 要:推广植保服务可以很好地改善农村污染情况,也可以提高农村的生产力,增加农民的经济收入。但是,如今植保服务还存在很多弊端,例如相關部门不够重视、投入资金不足、技术人员专业素养不足等问题。要推广植保服务,让植保服务真正造福人民,相关部门要重视植保服务的推广,加大资金投入,相关技术人员也应提高自己的专业素养,在植保服务的推广和落实中更好地解决问题,还要建立相关的植保服务档案,记录植保服务推广落实
现有深度交互式图像分割算法通过对单击点计算距离映射或者高斯映射,然后将其与图像进行拼接作为网络的输入.每个单击点的影响范围是相同的,而每个交互的目的并不相同,早期交互的主要目的为选择,后期则更侧重微调.基于此,提出了融合多尺度标记信息的深度交互图像分割算法.首先,通过设置不同高斯半径,对每个单击点计算2组不同尺度的高斯映射.然后,融合小尺度高斯映射,并移除基础分割网络中的部分下采样模块,使网络提取
时间序列异常检测旨在发现对应时序特征中不符合一般规律的特异性模式,是机器学习领域重要的研究方向之一.然而,现有的时序异常检测方法大多为单模态学习,忽略了时序信息在多模态空间上不同特征分布的关联性和互补性,不能充分利用已有信息进行有效地模式挖掘,从而造成检测效果差等问题.为此,提出了一种基于多模态对抗学习的无监督时间序列异常检测模型.首先,将原始时间序列转换至频域空间,构造多模态时间序列表示.其次,提出多模态生成对抗网络模型,针对多模态时间序列,实现正常时序信息关于时域和频域特征分布的无监督联合学习.最后,