会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

IEEETII基于随机权重网络的多目标增量建模

本文提出了一种基于图片-正则化的多目标IRWN来解决多目标过程建模问题。在常规IRWN中引入特征层，以提高特征提取能力。此外，采用了一个集成图片范数正则化的目标函数来捕捉目标之间的潜在关系。此外，通过Greville方法，构建了一个全局质量约束，并用于选择有效的随机参数，以同时提高性能并确保所提出方法的收敛性。最后，在六个基准数据集和真实的多目标建模过程中测试了所提出方法的泛化性能。实验结果表明，所建立的模型非常适合多目标应用。 虽然MTIRWN可以有效地处理多目标建模问题，但仍需要考虑一些局限性。1）随着概念漂移问题的出现，MTIRWNs的准确性和鲁棒性肯定会受到影响。在未来，将进一步探索考虑概念漂移的鲁棒和自适应增量学习。2） 由于ADMM和特征层的结合，MTIRWN的构建需要花费更多的时间。在未来的工作中，将采用基于GPU的优化方法，并探索有限元纯层参数确定方法，以降低计算成本。3） 在未来，我们将考虑大量隐藏节点的建模误差缓慢下降的现象。并且，我们希望将所提出的方法与建模误差的加速减小方法相结合，建立一个隐藏节点较少的强大多目标学习模型。

  • 2024-12-19
  • 阅读308

自动驾驶算法——理解强化学习（一）

强化学习位于多个领域的交叉点，但其基本理念相同：决策科学。在计算机科学中，它是机器学习；在神经科学中，它是奖励系统。在工程学中，它是最优控制。

  • 2024-12-18
  • 阅读252

自动驾驶算法——理解强化学习（二）

动态规划一般需要具备2个性质：最佳子结构→你可以将某些 RL 问题分解为≥2 个部分，然后解决它们，最后将它们组合起来找到最佳问题，从而解决该问题。重叠子问题→子问题可以出现多次，通过将问题分解为子问题，我们可以获得一些好处。

  • 2024-12-18
  • 阅读246

自动驾驶算法——理解强化学习（四）

首先回顾这个系列前几篇文章：自动驾驶算法——理解强化学习（一） 和 自动驾驶算法——理解强化学习（二）和自动驾驶算法——理解强化学习（三）。

  • 2024-12-19
  • 阅读235

自动驾驶算法——理解强化学习（三）

MC 方法很简单；你只是直接从经验情节中学习。它之所以无模型，是因为没有任何关于 MDP 转换/奖励的知识。它使用简单的“价值 = 平均回报”这一想法从完整的情节中学习。警告：只能将 MC 应用于情节 MDP，并且所有情节都必须终止。

  • 2024-12-19
  • 阅读238

自动驾驶算法——理解强化学习（五）

首先回顾这个系列前几篇文章：自动驾驶算法——理解强化学习（一） 和 自动驾驶算法——理解强化学习（二）和自动驾驶算法——理解强化学习（三）和自动驾驶算法——理解强化学习（四）。

  • 2024-12-19
  • 阅读243

SCI论文学习|一种基于联邦学习的边云协同机器剩余使用寿命预测的方法

本期给大家推荐郭亮教授的一种基于联邦学习的边云协同机器剩余使用寿命预测的方法。针对实际工业应用中智能方法预测剩余使用寿命（Remaining Useful Life）时出现的边缘客户端计算能力较弱、数据量有限以及所有边缘客户端数据不共享的问题，提出了一种基于联邦学习的RUL预测方法——FedRUL。该方法利用多个边缘客户端和一个云服务器在不共享数据的情况下训练全局编码器和剩余寿命预测器。首先，将所有的局部训练数据集馈送到相应的客户端，用于训练自己的卷积自编码器（Convolutional Autoen-coder）。然后，将所有客户端的编码器上传到服务器对编码器进行聚合。最后，服务器将全局编码器和RUL预测器分发给所有客户端，以实现相应的剩余寿命预测任务。通过铣刀数据集和轴承数据集验证了该方法的有效性。

  • 2024-12-19
  • 阅读329

IEEETII一种可解释的增量随机权重神经网络构造算法及其应用

本文旨在为增量随机权重神经网络（IRWNN）提供一种可解释的学习范式。IRWNNs因其易于部署和快速学习速度而成为神经网络算法的热门研究方向。然而，现有的IRWNN难以解释隐藏节点（参数）如何影响网络残差的收敛。为了解决这一差距，本文提出了一种可解释的构造算法（lCA）。具体来说，我们首先对网络构建过程进行空间几何分析，建立网络残差和隐藏参数之间的空间几何关系，以可视化隐藏参数对网络残差收敛的影响。其次，基于空间几何关系和节点池策略，建立了一种具有空间几何信息的可解释控制策略，以获得有助于网络残差收敛的隐藏参数。此外，为了便于lCA处理大数据的复杂任务，本文提出了一种低复杂度的轻量级ICA，即ICA+。最后，从理论上证明了本文提出的ICA和ICA+具有普遍的逼近性质。在两个真实世界数据集和七个基准数据集上的实验结果表明，所提出的ICA和ICA+在快速学习、良好泛化和网络结构紧凑性方面具有优势。关键词：数据建模、可解释构造算法、神经网络（NN）、随机算法、空间几何信息。

  • 2024-12-16
  • 阅读392