泛化能力
泛化能力的相关文献在1996年到2022年内共计507篇,主要集中在自动化技术、计算机技术、电工技术、无线电电子学、电信技术
等领域,其中期刊论文430篇、会议论文39篇、专利文献36633篇;相关期刊272种,包括系统工程与电子技术、现代电子技术、计算机工程等;
相关会议35种,包括2013年全国大坝安全监测技术与应用学术交流会、2015年全国开放式分布与并行计算学术年会、2014年全国开放式分布与并行计算学术年会等;泛化能力的相关文献由1275位作者贡献,包括丁硕、巫庆辉、常晓恒等。
泛化能力—发文量
专利文献>
论文:36633篇
占比:98.74%
总计:37102篇
泛化能力
-研究学者
- 丁硕
- 巫庆辉
- 常晓恒
- 韩敏
- 杨友林
- 杨慧中
- 魏海坤
- 宋文忠
- 何玉林
- 冷强奎
- 刘君华
- 徐嗣鑫
- 敖威
- 曹先庆
- 李玉鑑
- 林继鹏
- 武妍
- 伞冶
- 党帆
- 刘小雯
- 史志伟
- 吴建生
- 吴良
- 吴铁军
- 周天楠
- 孟丽岩
- 孟安波
- 张立明
- 李劲鹏
- 李奇
- 杜树新
- 杨鑫
- 林云
- 楼文高
- 王涛
- 王熙照
- 聂建亮
- 赵华生
- 丁理杰
- 丁维明
- 乔俊飞
- 乔宇
- 井晓丹
- 井睿
- 付丽华
- 任艳玲
- 何丽
- 何晖光
- 余治民
- 侍洪波
-
-
冷浩柏;
卢涵宇;
郭彩;
袁咏仪;
杨文雅
-
-
摘要:
针对遥感影像卷积神经网络(CNN)分类会导致特征信息丢失及泛化能力差的问题,提出一种基于通道注意力和混合注意力改进的胶囊神经网络分类模型。首先,为了胶囊神经网络能够适应于大尺寸输入图像,在特征提取模块中使用2个最大池化层;其次,为了提高分类精度,分别将SENet注意力和CBAM注意力加在特征提取模块的最后一层去改进特征提取模块;最后,将样本集随机地划分为训练集、验证集和测试集,进一步使用训练集和验证集训练模型,测试集测试模型,使用AID数据集对模型分类的泛化能力进行验证。实验结果表明:基于SENet网络改进的胶囊神经网络的准确率与Kappa系数要高于其他模型,泛化能力也优于其他模型,本文提出的模型的总体分类精度和泛化能力有了显著性提升,从而验证了本文方法的可行性和使用性。
-
-
张晓锋;
郝如江;
夏晗铎;
段泽森;
程旺
-
-
摘要:
泛化能力是机器学习的重要评价指标,由于现实中的工业应用中外部环境十分复杂,在旋转机械工作时,其负载是不断变化的。如何使用一种负载下训练好的网络模型对另一种负载的数据集进行故障诊断是目前众多学者的研究重点。针对网络模型训练与测试时的数据特征分布不同来进行网络泛化性能的改进研究,通过改进网络模型的首层卷积核尺寸与随机失活来加强网络特征提取能力,采用AdaBN优化算法使得网络模型在训练与测试时的参数进行调整,提高网络的泛化能力。
-
-
杨豪;
程磊
-
-
摘要:
目前DECA模型在人脸重建方面取得了比较好的成果,但是对于光线影响较大的室外人脸图进行训练时,效率不高且总体性能一般,针对此问题,提出了一种基于DECA的改进算法。首先将原来的SGD优化方法改进为Adam优化器;其次加入正则化损失,提高重建后的效果,并以此来达到避免过度拟合等情况,提升算法的泛化能力。实验结果表明,改进后的DECA相比于原基础上效率平均提升了5%,并且重建效果得到了很大的改善,在一定程度上改善了性能与效率不足的问题。
-
-
董慧
-
-
摘要:
为避免网络环境遭到异常数据流的攻击,实现对常规信息参量的准确捕获,设计基于强化学习理论的网络数据流异常检测数学模型。分析PLVF-TD学习框架的组成形式,借助分段线性值函数,对局部节点的泛化能力展开研究,完成网络数据流信息的强化特性学习。在此基础上,搭建Storm流式处理平台,通过选取网络数据流特征的方式,确定异常数据信息的检测属性量条件,实现网络数据流异常检测数学模型的顺利应用。对比实验结果表明,与KNN估算型检测模型相比,搭载异常检测数学建模的应用主机能够较好地屏蔽异常信息流对数据节点造成的攻击,在准确捕获常规信息参量的同时,实现对网络数据流传输环境的有效保护。
-
-
温涛;
张敏;
王怀远
-
-
摘要:
深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。
-
-
孙嘉;
张建辉;
卜佑军;
陈博;
胡楠;
王方玉
-
-
摘要:
目前日志异常检测领域存在数据量大、故障和攻击威胁隐蔽性高、传统方法特征工程复杂等困难,研究卷积神经网络(CNN)、循环神经网络等迅速发展的深度学习技术,能够为解决这些问题提供新的思路。提出结合CNN和双向长短时记忆循环神经网络(Bi-LSTM)优势的CNN-BiLSTM深度学习模型,在考虑日志键显著时间序列特征基础上,兼顾日志参数的空间位置特征,通过拼接映射方法进行最大程度避免特征淹没的融合处理。在此基础上,分析模型复杂度,同时在Hadoop日志HDFS数据集上进行实验,对比支持向量机(SVM)、CNN和Bi-LSTM验证CNN-BiLSTM模型的分类效果。分析和实验结果表明,CNN-BiLSTM达到平均91%的日志异常检测准确度,并在WC98_day网络日志数据集上达到94%检测准确度,验证了模型良好的泛化能力,与SVM CNN和Bi-LSTM相比具有更优的检测性能。此外,通过消融实验表明,词嵌入和全连接层结构对于提升模型准确率具有重要作用。
-
-
刘国华;
路宏敏;
陈冲冲;
李万玉;
万健鹏
-
-
摘要:
为了预测复杂电磁环境下接收机的非线性效应,文中基于实数时延径向基函数神经网络,构建了具有记忆效应的接收机非线性神经网络模型。分别采用K-均值聚类算法和正交最小二乘法对模型的隐含层中心和权值进行选取和学习,并用接收机的输入输出实测数据对模型进行训练。通过宽带信号的同相和正交两个分量对模型进行验证。模型仿真结果与实测数据相吻合,模型的归一化均方误差可达-41.88 dB。该结果表明,所构建的神经网络模型具有较快的收敛速度、良好的建模精度和泛化能力。
-
-
石祥超;
王宇鸣;
刘越豪;
陈雁
-
-
摘要:
人工智能方法被广泛地用于预测钻井过程中的机械钻速,虽预测精度都能超过80%,但以前的算法大多仅选取一口井或一个开次的数据进行预测和检验,缺乏对邻井或整个区块推广和预测的研究,泛化能力有待检验。针对上述问题,讨论了相关性分析在机械钻速预测中对钻井参数选取的影响以及训练数据选取对人工智能模型泛用能力问题。引入地层参数、钻头参数及钻井参数作为输入参数,选取四川盆地某区块的实际钻井数据进行训练,评价了随机森林、支持向量机、梯度提升树、人工神经网络4种人工智能算法对整个区块机械钻速预测的精度。结果显示,随机森林算法对区块内各单井数据的预测精度能达到90%,对整个区块数据预测的准确度能达到88%,且使用区块数据训练的随机森林模型具有较好的泛化能力,认为该方法能够推广至整个区块,有利于指导该区块的钻井工程技术优化。
-
-
何理;
刘易和;
李琳娜;
陈江伟;
姚颖康;
刘昌邦
-
-
摘要:
爆破地震危害是矿山开采过程中最为显著的负面效应之一,准确预测质点峰值振动速度(PPV)对于有效预防爆破振动引发的建(构)筑物失稳破坏具有极大的工程实际意义。设计并开展了露天矿山开挖爆破现场监测试验,采用灰色关联分析法对PPV影响因素进行敏感性分析,确定各影响因素之间的主次关系。在此基础上,建立最小二乘支持向量机(LS-SVM)模型对PPV进行预测,并通过粒子群算法(PSO)局部寻优确定LS-SVM模型中正则化参数和核函数宽度系数的最佳参数组合,最后将PSO-LSSVM模型预测结果与BP神经网络模型、LS-SVM模型及传统萨道夫斯基公式的预测结果进行了对比分析。结果表明:PSO-LSSVM模型对PPV预测的拟合相关系数(R^(2))、均方根误差(RMSE)、平均相对误差(MRE)及纳什系数(NSE)分别为97.38%、2.68%、1.36%和99.98%,PSO-LSSVM模型预测精度更高,且具有更好的泛化能力,用于多因素影响下的矿山爆破PPV预测切实可行。
-
-
卢锦玲;
周阳;
颜禄涵;
张艺萱
-
-
摘要:
针对传统数据驱动方法在用于电力系统暂态稳定评估时,由于未考虑到系统的时空变化特性而导致泛化能力不强的问题,提出了一种引入注意力机制的残差时空图神经网络方法。将电力系统的网络拓扑结构与电力系统量测数据相结合,引入时间注意力和空间注意力机制,从而提高了模型的泛化能力。为了解决训练过程中存在的梯度消失问题,引入残差结构,同时加快了训练速度。以10机39节点系统为算例进行仿真验证,结果表明,该模型能在部分节点未配置同步相量测量单元的情况下获得较好的评估结果;通过适当选取故障时刻采样数据,可以进一步提高模型的评估性能。
-
-
于泳波;
程晓明
- 《2018年中国城市交通规划年会》
| 2018年
-
摘要:
针对油电混合公交车辆的尾气排放特性,通过采集的逐秒排放数据以及车辆运行状态数据,基于机动车比功率(VSP)分别建立三次多项式回归模型以及循环神经网络模型进行预测分析.预测结果表明,两种模型对于CO2、HC和NOX质量排放率的预测效果较好,对应的拟合优度R2均能达到0.70.而多项式拟合方法对于CO质量排放率的预测效果很差,与之相比,循环神经网络对于CO预测的R2可达到0.65,精度超过了1倍以上.此外,为防止“过拟合”的现象,采用十折交叉验证的方法对两个回归模型进行了效果验证,结果表明,在调整相关参数的情况下,两个回归模型均具有较好的泛化能力.
-
-
戚丹;
包腾飞;
康业渊;
柴丽莎
- 《2013年全国大坝安全监测技术与应用学术交流会》
| 2016年
-
摘要:
拱坝坝肩抗力体是坝体的重要受力部位,建立有效的监测模型意义重大.本文尝试用结合逐步回归分析方法的BP神经网络建立变形监测模型,以提高BP神经网络的泛化能力从而提高模型的预测准度和精度.成功完成了预测,且传统模型预测数据的残差平方和大于改进后的.实例分析表明,使用BP神经网络建立抗力体变形的监测模型是可行的,使用逐步回归-BP神经网络是有效的.同时由于模型的相通性,该逐步回归-BP模型也可用于大坝其他方面变形的预测.
-
-
LUO Dan;
罗丹;
LUO Haiyong;
罗海勇
- 《2015年全国开放式分布与并行计算学术年会》
| 2015年
-
摘要:
针对现有跌倒检测算法由于缺乏真实老人跌倒样本以及使用年轻人仿真跌倒样本规模较小导致的过拟合和适应性不足等问题,提出了基于随机森林的跌倒检测算法.该算法采用滑动窗口机制,对窗口内的加速度数据进行时间域和变换域处理,提取时间域和变换域特征参数后,在所有样本集中进行有放回的Bootstrap随机抽样和属性随机选择,构建多个基于最佳属性分割的支持向量机(SVM)基本分类器.在线跌倒检测阶段,对多个SVM基本分类器的分类结果采用少数服从多数的原则,给出最终判定结果.实验表明,随机森林跌倒检测算法可获得95.2%的准确率、90.6%的敏感度和93.5%的特异性,明显优于基于SVM和反向传播(BP)神经网络跌倒检测算法,反映出随机森林跌倒检测算法能更准确地检测跌倒行为,具有较强的泛化能力和鲁棒性.
-
-
WANG Yong;
王泳
- 《2014年全国开放式分布与并行计算学术年会》
| 2014年
-
摘要:
从股票投资预测的技术发展方向来看,不同人工智能学习算法之间的组合学习日益得到关注.基于组合学习的思想,提出了股票投资短期预测的多模匹配识别算法(MPMA).算法通过迭代计算数据采样频率、聚类分组、模式匹配将股价预测和涨跌预测纳入到一个统一的学习框架中,建立起不同人工智能学习算法之间的组合学习模型.实验结果表明,所提算法具有较好的预报和泛化能力.
-
-
蒋雨欣;
李松斌;
刘鹏;
戴琼兴
- 《中国科学院声学研究所纪念建所50周年暨第五届学术交流会》
| 2014年
-
摘要:
人脸性别识别是传统模式识别领域里的最富挑战性的难题之一,在本文中,提出了一种联合学习人脸的高层特征和低层特征的深层网络模型来解决这一难题.本文中的深层网络利用卷积层和下采样层交替处理输入的入脸图像以提取人脸的高层特征,这样提取到的特征具有抽象性,能够很好地表示人脸的局部关联性.同时,网络会同步地利用扁平化处理单元和重建层重建输入的人脸图像,以捕获人脸的低层特征.低层特征具有全局性,且包含有对性别分类有效的信息,可很好地作为高层特征的补充.网络联合两类特征形成一种多特征的结构,同时在低层特征中加入了一个可训练的权重进行调节,然后利用这种通过深层网络学习到的分层次、全方位的人脸特征进行最终的性别判决.实验结果表明,当在混合人脸数据集上测试时,我们的方法取得了超过传统人脸性别识别方法的最高准确率.进一步地,在另外三个公共人脸数据集上进行的泛化能力测试中,我们的方法在三个公共人脸数据集上的平均准确率与局部二值模式特征(LBP)结合支持向量机分类器算法(SVM)的这种传统方法相比,提高了5个百分点;与人脸像素特征结合支持向量机分类器算法这种传统方法相比,提高了近1个百分点.这证明我们的方法在学习能力和泛化能力上都有着超过传统人脸性别识别方法的优秀性能.
-
-
宋召青;
武兴杰;
孙俊平
- 《2012中国制导、导航与控制学术会议》
| 2012年
-
摘要:
收敛速度和泛化能力是制约迭代学习控制理论发展的两个重要因素.针对这两个因素提出一种基于a-LMS 算法的启发式迭代学习控制,将基于FIR 滤波器的a-LMS 算法与启发式迭代学习结合起来,在不知道被控系统的具体模型的情况下,把这种方法应用到其跟踪控制当中.最后,通过一个非线性系统的控制仿真,验证了此方法在解决以上两个因素上的优良特性.
-
-
-
-
Zhang Xuemei;
张雪梅;
Yang Li;
杨力
- 《2011中国管理科学与工程学会年会》
| 2011年
-
摘要:
支持向量机(SVM)是基于结构风险最小化的分类判别方法,对于非线性不可分的二分类样本,需要在最大间隔和错误分类之间做出折中选择.为了使SVM具有很好的泛化能力,本文提出了一种改进的基于不可分样本风险决策规则的SVM分类方法.先将SVM的输出转化为属于不同类的后验概率,对于落在两个支持向量面之间的点,利用经验风险最小化的风险决策规则进行分类预测.仿真结果显示,改进的SVM方法在两类比较容易分离的情况下,显著优于传统的SVM,在其他情况下,其分类效果不比传统的SVM差.
-
-
林志敏
- 《第十五届海峡两岸家庭教育学术研讨会》
| 2012年
-
摘要:
建立“家庭教育”系统理论,关键在于对“家庭”的解构,以往的视野,限制了我们对“家庭”的认识.如果对家庭这个社会的“细胞”认识有偏颇,整个学科也将随之偏颇. “家庭教育”受了目前教育观的影响,其实务过程仅被限制于学校教育的下位概念之下.只有打破“教育仅能被学校承载”的观念, “家庭教育”才能真正形成完整的学科及其相对独立的操作体系.