导读:本文包含了自适应混合学习算法论文开题报告文献综述及选题提纲参考文献，主要关键词:自适应学习,半监督聚类,人工蜂群算法,混合聚类
自适应混合学习算法论文文献综述
邱宁佳,高奇,王鹏[1]（2019）在《参数自适应学习的半监督混合聚类算法》一文中研究指出提出目标重构的半监督混合聚类算法SSABC。使用人工蜂群算法结合有标记数据研究半监督聚类的准确率提高问题,利用设定参数衡量有无标记数据的权重,依此重新构造目标函数找出数据聚类中心;使用APL-SSHC算法完成半监督混合聚类的参数自适应学习工作,结合自适应学习理论优化权重参数,将参数的确定与聚类过程结合加快聚类过程。UCI数据集实验结果表明,该算法能够找到合理的聚类中心点,APL-SSHC算法与其它聚类算法相比有更好的聚类效果。(本文来源于《计算机工程与设计》期刊2019年06期）
邓利平,李明东,邹海洋[2]（2016）在《一种改进的混合高斯学习自适应背景建模算法》一文中研究指出针对混合高斯学习模型计算复杂度高,实时响应系统应用困难等问题,提出了一种改进的背景建模算法,首先利用帧差法进行预处理,选择出帧间变化区域,然后对变化区应用混合高斯学习模型进行采样计算,完成视频背景建模。由于混合高斯学习模型融合了增量最大期望分类学习方法,自动选择学习率参数具有更好的收敛速度和背景估计精度;同时通过帧差法预处理降低了算法的计算量。实验表明,该算法在保证收敛稳定性和背景建模精度的情况下,提高了背景分割的响应速度。(本文来源于《西华师范大学学报(自然科学版)》期刊2016年03期）
翟华伟,崔立成,张维石[3]（2014）在《一种新的在线自适应混合RBF网络学习算法》一文中研究指出针对RBF网络序贯学习算法参数多、计算复杂等问题,深入分析RBF网络隐节点贡献度计算方法,提出基于主成分和周期性的贡献度计算方法,改进RBF网络GAP学习算法,细化算法中增加、删除和替换隐节点的条件,控制隐节点数量,自适应调整RBF网络结构.实验结果表明,相比传统RBF网学习算法,该算法在可靠性和泛化能力上都有显着提高.(本文来源于《小型微型计算机系统》期刊2014年12期）
张盼华[4]（2014）在《混合色彩空间多信息融合及自适应学习速率运动目标检测算法》一文中研究指出智能视频监控被广泛应用在军事安全、智能安防、智能交通以及智能楼宇等领域，已发展为计算机视觉领域中一个重要研究方向。运动目标检测是智能视频监控中有待解决的关键问题之一，其检测结果直接影响后续的处理。本文分别对帧间差分算法和背景差分算法进行了深入研究，结合色彩空间、信息融合、边缘检测以及自适应学习等相关理论，提出了两种改进算法。(1)对数字图像处理技术中的边缘检测、色彩空间、图像去噪、形态学图像处理以及OpenCV平台的原理、数学模型以及性能做了介绍。运动目标检测是智能视频监控中一个重要的环节，同时也是其亟待解决的问题之一。首先对视频监控技术的发展进行了介绍，其次对运动目标检测算法中的光流法、帧间差分法以及背景差分法的基本原理、数学模型以及各自特性进行论述和分析。(2)针对传统帧间差分法中存在着漏检、空洞和虚假目标等问题，提出一种改进的帧间差分算法。对几种常见色彩空间的运动目标检测效果进行实验对比分析，选取检测效果优良的色彩通道分量构建运动目标检测的混合色彩空间CbVb*。充分利用帧间信息的相关性，根据CbVb*空间的场景像素变化特性，提出七帧帧间差分算法以获取运动目标的时域帧间差分；采用自适应阈值Canny算子得到梯度域的运动目标边缘，将时域帧间差分与梯度域目标边缘进行融合，对融合信息进行腐蚀和膨胀处理得到最终的检测结果。实验结果表明，改进算法可以更准确地检测出运动目标，并具有较好的鲁棒性、适应性和实时性。(3)混合高斯模型作为背景差分法中最为经典的建模方法之一，自从提出以来得到了广大研究人员的关注。针对传统混合高斯模型采用固定学习速率带来的模态残留和拖影等问题，提出了一种自适应学习速率运动目标检测算法。对图像序列像素变化特性和模型控制参数性能进行了分析，将模型学习过程分为背景初始形成和背景维护更新两个阶段，不同阶段采取不同的学习策略，初始形成阶段采用较大递减学习速率加速背景模型的形成；维护更新阶段根据像素点匹配次数与不匹配次数作为反馈量来调节学习率。实现模型的自适应学习。实验结果表明，改进的算法能够有效改善原始模型收敛速率慢导致背景模型更新不及时的问题，可以更准确地检测出运动目标，并具有较好的自适应性和鲁棒性。(本文来源于《江西理工大学》期刊2014-05-25）
任克强,张盼华,谢斌[5]（2014）在《自适应学习的混合高斯模型运动目标检测算法》一文中研究指出针对传统混合高斯模型采用固定学习速率带来的模态残留和拖影等问题,提出了一种自适应学习速率运动目标检测算法。对图像序列像素变化特性和模型控制参数性能进行了分析,将模型学习过程分为背景初始形成和背景维护更新两个阶段,不同阶段采取不同的学习策略,初始形成阶段采用较大递减学习速率加速背景模型的形成;维护更新阶段根据像素点匹配次数与不匹配次数作为反馈量来调节学习率,实现模型的自适应学习。实验结果表明,该算法能够有效改善原始模型收敛速率慢导致背景模型更新不及时的问题,可以更准确地检测出运动目标,并具有较好的自适应性和鲁棒性。(本文来源于《计算机工程与设计》期刊2014年03期）
伍大清,郑建国[6]（2013）在《基于混合策略自适应学习的并行粒子群优化算法》一文中研究指出针对当前各种粒子群优化算法解决问题时存在的局限性,提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO).该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优.通过对7个标准测试函数的仿真实验并与其他算法相比较,所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力.(本文来源于《控制与决策》期刊2013年07期）
张新贵,武小悦[7]（2012）在《基于RBFNN自适应混合学习算法的航天测控系统任务可靠性分配》一文中研究指出为解决执行航天测控任务的各设备存在复杂的时空关联、可视与信息关联等动态约束关系,使得航天测控系统任务可靠性分配建模和分析极其困难,同时模型求解效率低的问题,提出了自适应混合学习算法的径向基神经网络建模方法.算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;在此基础上,利用梯度信息衰减因子改进了迭代过程中网络参数的梯度信息计算方式,避免了学习过程早熟的不足,且加快了迭代收敛速度.最后,通过采集航天测控系统输入-输出数据,将自适应混合学习算法应用于参数训练,并给出了具体实现步骤.通过算例仿真,表明算法在解决航天测控系统任务可靠性分配问题时具有较高泛化能力和分配结果稳定等优点.(本文来源于《航空动力学报》期刊2012年08期）
沈佳杰,林峰[8]（2012）在《基于混合自适应Memetic算法的贝叶斯网络结构学习》一文中研究指出Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。(本文来源于《系统工程与电子技术》期刊2012年06期）
张庆彬,刘波,田彦平,贺媛媛[9]（2012）在《基于自适应学习搜索框架的混合分布估计算法》一文中研究指出在元启发式算法自适应学习搜索框架下对分布估计算法和模拟退火算法的学习能力、深度搜索和广度搜索强度进行分析,针对分布估计算法广度搜索性能方面存在的问题,提出了一种将模拟退火算法融入分布估计算法的混合优化策略;以旅行商问题为例进行了仿真实验。实验结果表明,混合算法比分布估计算法和模拟退火算法具有更高的优化质量。(本文来源于《计算机工程与应用》期刊2012年06期）
常飞,武小悦[10]（2010）在《径向基神经网络的一种自适应混合学习算法》一文中研究指出为设计具有良好逼近性能的径向基神经网络,提出一种两层结构的自适应混合学习算法.内层迭代过程综合了梯度下降法和智能优化方法的优点,采用基于衰减梯度信息的智能优化方法,对具有固定结构的网络进行参数训练;外层迭代根据内层迭代的效果,利用最优停止规则自适应地动态调节网络隐含层节点数,使算法以较大概率收敛至全局最优.设计了网络结构修正算子,实现对最终结果的进一步简化.最后,文章给出算法实现的具体步骤,并通过仿真实例验证了算法有效性和可行性.(本文来源于《小型微型计算机系统》期刊2010年09期）
自适应混合学习算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对混合高斯学习模型计算复杂度高,实时响应系统应用困难等问题,提出了一种改进的背景建模算法,首先利用帧差法进行预处理,选择出帧间变化区域,然后对变化区应用混合高斯学习模型进行采样计算,完成视频背景建模。由于混合高斯学习模型融合了增量最大期望分类学习方法,自动选择学习率参数具有更好的收敛速度和背景估计精度;同时通过帧差法预处理降低了算法的计算量。实验表明,该算法在保证收敛稳定性和背景建模精度的情况下,提高了背景分割的响应速度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应混合学习算法论文参考文献
[1].邱宁佳,高奇,王鹏.参数自适应学习的半监督混合聚类算法[J].计算机工程与设计.2019
[2].邓利平,李明东,邹海洋.一种改进的混合高斯学习自适应背景建模算法[J].西华师范大学学报(自然科学版).2016
[3].翟华伟,崔立成,张维石.一种新的在线自适应混合RBF网络学习算法[J].小型微型计算机系统.2014
[4].张盼华.混合色彩空间多信息融合及自适应学习速率运动目标检测算法[D].江西理工大学.2014
[5].任克强,张盼华,谢斌.自适应学习的混合高斯模型运动目标检测算法[J].计算机工程与设计.2014
[6].伍大清,郑建国.基于混合策略自适应学习的并行粒子群优化算法[J].控制与决策.2013
[7].张新贵,武小悦.基于RBFNN自适应混合学习算法的航天测控系统任务可靠性分配[J].航空动力学报.2012
[8].沈佳杰,林峰.基于混合自适应Memetic算法的贝叶斯网络结构学习[J].系统工程与电子技术.2012
[9].张庆彬,刘波,田彦平,贺媛媛.基于自适应学习搜索框架的混合分布估计算法[J].计算机工程与应用.2012
[10].常飞,武小悦.径向基神经网络的一种自适应混合学习算法[J].小型微型计算机系统.2010