导读:本文包含了增量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:大数据,径向基函数(RBF),增量学习算法
增量学习算法论文文献综述
周晓剑,侯蓉[1]（2019）在《面向大数据的增量式RBF学习算法》一文中研究指出"大数据"背景下,如何处理庞大数据成为众多企业关注的热点。文章提出了一种新的在线处理大数据的方法,利用数学中的分块矩阵定理对径向基函数进行处理,从在线处理大数据的角度思考,利用增量学习算法原理推导出径向基函数(RBF)增量学习算法模型,为大数据的增量算法提供一种新思路,并利用实际算例加以检验。实验表明,相对于传统的一次性建模的方法,所提出的增量式RBF算法能在保证不影响建模精度的前提下明显地缩短处理大数据的时间。(本文来源于《统计与决策》期刊2019年18期）
胡艳明,李德才,何玉庆,韩建达[2]（2019）在《基于增量式RBF网络的Q学习算法》一文中研究指出为提升机器人的行为智能水平,提出一种基于增量式径向基函数网络(IRBFN)的Q学习(IRBFN-QL)算法.其核心是通过结构的自适应增长与参数的在线学习,实现对Q值函数的学习与存储,从而使机器人可以在未知环境中自主增量式地学习行为策略.首先,采用近似线性独立(ALD)准则在线增加网络节点,使机器人的记忆容量伴随状态空间的拓展自适应增长.同时,节点的增加意味着网络拓扑内部连接的改变.采用核递归最小二乘(KRLS)算法更新网络拓扑连接关系及参数,使机器人不断扩展与优化自身的行为策略.此外,为避免过拟合问题,将L2正则项融合到KRLS算法中,得到L2约束下的核递归最小二乘算法(L2KRLS).实验结果表明,IRBFN-QL算法能够实现机器人与未知环境的自主交互,并逐步提高移动机器人在走廊环境中的导航行为能力.(本文来源于《机器人》期刊2019年05期）
田敏皓[3]（2019）在《基于增量学习的安检机危险品检测算法研究》一文中研究指出在人员密集的地方,安检系统对于保证人们安全具有重要作用。目前大多安检系统已经实现智能化,但随着恐怖分子作案手段的升级出现了诸多异型危险品,现有的危险品知识先验模型无法有效覆盖,需通过扩充后数据集重新训练检测模型实现异型危险品的识别。但是,重新训练模型方法会造成模型训练效率低及训练时间随数据扩充而增加的问题。针对该问题,本文研究了一种能充分利用原模型并提高训练效率的增量学习目标检测算法。本文基于传统目标检测算法基本原理,在Fast rcnn网络基础上,为了避免训练过程中梯度消失,研究了基于Fast rcnn的增量学习目标检测算法。将特征提取网络替换为50层的残差网络;同时,向用于输出的全连接部分加入与新类个数相适应的分类神经元和边框回归神经元以实现对新增类别的学习,并设计损失函数使网络在学习新类目标的同时避免灾难遗忘。进一步,针对Fast rcnn网络需单独生成区域的问题,采用了Faster rcnn网络,并对其特征提取网络进行替换。重点研究了该目标检测框架下RPN候选框生成网络的增量学习算法,最后将增量学习思想应用在Faster rcnn框架中的分类和边框回归网络上,该算法提高了检测精度和训练速度。本文算法均在公开无人驾驶数据集和安检数据集上进行实验以验证可行性与有效性。实验结果表明,算法在新旧类上均获得了85%以上的检测置信度,即表明本文算法既能有效利用在旧类上训练网络参数,又能实现对新类目标的学习,从而改善训练模型效率低的问题。(本文来源于《中北大学》期刊2019-06-01）
王玲,徐培培[4]（2019）在《基于自适应增量学习的时间序列模糊聚类算法》一文中研究指出针对现存可用于时间序列的增量式模糊聚类算法往往需要设置多个控制参数的问题,本文提出了一种基于自适应增量学习的时间序列模糊聚类算法.该算法首先继承上一次聚类得到的簇结构信息以初始化当前聚类进程,然后在无需设置参数的情况下自适应地搜索当前数据块中的离群样本,并自动从离群样本创建新簇,最后检查空簇识别标识确定是否需要移除部分簇以保证后续聚类过程的效率.实验结果表明所提算法对等长和不等长时间序列均具有良好的聚类准确性及运行效率.(本文来源于《电子学报》期刊2019年05期）
熊霖[5]（2019）在《集成式增量学习分类算法研究》一文中研究指出随着互联网、移动通信、物联网等领域的飞速发展,所产生的数据呈指数增长,数据的形式也从传统的静态数据向动态数据流形式转变,如何快速有效地获取数据流中蕴含的知识变得尤为重要。在现实生活中,环境的变化使得数据中蕴含的知识可能发生变化,传统的批量学习方法在处理动态变化的数据流时遇到了诸多挑战。因此,设计一种能实时地处理动态数据流的模型成为了迫切的需要。增量学习是机器学习领域一个前沿的研究方向,它是指在保留绝大多数以前学到的知识的情况下学习新知识。早期研究的单分类器增量学习模型在学习过程中易产生“知识的遗忘”和存在稳定性差等问题,集成学习的引入有效的提高了增量学习的学习能力,但模型的规模更为庞大。本文采用集成多个基分类器构建集成模型,以对不断累积的数据进行增量学习,旨在建立一个高效精确的增量学习模型,以便对数据流进行预测。论文主要完成了以下工作:第一,近年关于集成式增量学习的研究大多采用加权投票的方式将多个同质分类器进行结合,并没有很好的解决增量学习中的稳定-可塑性难题。针对此提出了一种异构分类器集成增量学习算法。该算法在训练过程中,为使模型更具稳定性,用新数据训练多个基分类器加入到异构的集成模型之中,同时采用局部敏感哈希表保存数据梗概以备待测样本近邻的查找;为了适应不断变化的数据,还会用新获得的数据更新集成模型中基分类器的投票权重;对待测样本进行类别预测时,以局部敏感哈希表中与待测样本相似的数据作为桥梁,计算基分类器针对该待测样本的动态权重,结合多个基分类器的投票权重和动态权重判定待测样本所属类别。通过对比实验,证明了该增量算法有比较高的稳定性和泛化能力。第二,传统的集成式增量学习算法随着学习次数的增加,集成模型的规模不断增大。针对此问题提出了一种选择性学习的集成增量学习算法,该算法在训练过程中,先用集成模型里最近使用的基分类器对新获得的数据进行增量学习,如果分类器增量学习后在此最近数据集上的分类准确率得到提升,则将增量学习后的模型代替该基分类器;若没有提升,则用前一个基分类器进行相同操作,直到遍历所有基分类器,若集成模型中所有分类器增量学习后的效果都不好,则重新训练一个基分类器加入集成模型。若分类器数量达到预定阈值,删除最旧的基分类器。学习完成后,对每个分类器用Stacking方法将基分类器进行组合得到集成模型。通过对比实验,证明了该增量算法规模较小,有比较高的稳定性和泛化能力。(本文来源于《重庆师范大学》期刊2019-05-01）
余炎,徐婕,陈前,杨艳[6]（2019）在《基于选择性抽样的SVM增量学习算法的泛化性能研究》一文中研究指出针对大数据环境中存在很多的冗余和噪声数据,造成存储耗费和学习精度差等问题,为有效地选取代表性样本,同时提高学习精度和降低训练时间,提出了一种基于选择性抽样的SVM增量学习算法,算法采用马氏抽样作为抽样方式,抽样过程中利用决策模型来计算样本间的转移概率,然后通过转移概率来决定是否接受样本作为训练数据,以达到选取代表性样本的目的;并与其他SVM增量学习算法做出比较,实验选取9个基准数据集,采用十倍交叉验证方式选取正则化参数,数值实验结果表明,该算法能在提高学习精度的同时,大幅度的减少抽样与训练总时间和支持向量总个数。(本文来源于《计算机测量与控制》期刊2019年04期）
王世豪[7]（2019）在《基于卷积神经网络的目标检测算法其增量学习研究》一文中研究指出图像中的目标检测是计算机视觉领域的核心任务之一,是计算机理解图像的基石,可用于智能视频监控、无人驾驶、机器人、智能家居、医疗图像辅助诊断等需求、产品中。自ImageNet图像分类大赛2012年的冠军AlexNet诞生以来,卷积神经网络(Convolutional Neural Network,CNN)在计算机视觉领域得到了广泛的应用。以CNN为主的深度学习技术也大幅度提高了目标检测任务的准确率。凭借着CNN的优势和大量学者的不懈努力,如今计算机程序进行目标检测的效果几乎可以和人类视觉比肩。其中有代表性的工作如R-CNN、Fast R-CNN、Faster R-CNN、YOLO、FPN、RetinaNet。在特定场景,目标检测算法的准确率也逐渐提升至快饱和的状态。但一些新兴的问题也逐渐进入人们的视野。计算机视觉中的增量学习,当属这些新兴问题中的一员。而目标检测是计算机视觉中的主要任务。所以,本文即是研究目标检测的增量学习。目前,在目标检测领域准确率较高的方法均基于卷积神经网络。但联结类方法(如神经网络)存在灾难性忘记(Catastrophic Forgetting)的问题。该问题具体为:若在一个已有的神经网络模型上训练新任务时,会使该模型已有的能力急剧丧失。所以,基于卷积神经网络的目标检测算法也存在这样的问题,即:当往一个已有的目标检测模型中添加新的可检测类别时,若用新类别的数据集直接训练已有网络,那么训练出的模型会很大程度地丧失在旧类别上的检测能力。本文的研究目标即是:如何更好地往已有的目标检测模型中添加新的可检测类别。本文研究了两种方法。第一种方法是基于特征提取思想的方法。这是一种直观的,为新类别添加专有层的方法。本文的贡献是:提出了在使用该方法时,可提高准确率的细节。并通过实验,研究了该方法的一些性质。本文提出:(1)前移新类别专有层的添加位置,能可观地提高网络在新类别上的检测准确率。(2)为新类别添加浅层旁路,能使网络在新类别上的检测准确率有一些提升。第二种方法是基于保留损失函数的方法。该方法基于LwF[28](Learning Without Forgetting)。LwF是Zhizhong Li等人提出的在图像分类上进行增量学习的方法。LwF借鉴了模型压缩中,广泛被称为模型蒸馏的方法。本文的贡献是:率先将LwF的思路应用到了具有区域建议网络(Region Proposal Network,RPN)模块的流行目标检测算法上,在目标检测的增量学习任务上得到了比现有方法更高的准确率。并通过大量实验研究了,在借鉴LwF的思路为目标检测模型添加新的可检测类别时,值得考虑的各种细节。本文对多个细节进行了实验,选出了在这些细节上最好的做法。这些细节的处理方式,将会对模型最终的准确率产生一定的影响。(本文来源于《浙江大学》期刊2019-03-25）
李锦华[8]（2019）在《增量学习算法及其在时间序列预测中的应用研究》一文中研究指出时间序列预测(Time Series Prediction,TSP)作为一个热门的研究领域,其具有非常高的实际应用价值。作为机器学习中的一个研究分支,增量学习是比较擅长处理流数据的,而时间序列正是一种典型的会随时间而改变的流数据,所以增量学习非常适合用于解决时间序列预测的相关问题。本文主要提出了两种新型的增量学习算法用于处理时间序列预测问题。首先,本文将增量学习框架与增量式支持向量机(Incremental Support Vector Machine,ISVM)结合了起来,提出了一种新的用于解决时间序列预测问题的算法,即双增量学习(Double Incremental Learning,DIL)算法。ISVM是在支持向量机(Support Vector Machine,SVM)基础之上发展出来的,其比较适合用于处理时间序列预测这类在线连续学习问题。在DIL算法中,ISVM是被用作基学习器,而且DIL通过将现有基模型与在新数据上生成的基模型相结合的方式来实现增量学习。在DIL算法中提出了一种新颖的权重更新规则,用于在每次迭代过程中更新样本的权重。此外,DIL采用了一种经典的方法来集成所有基模型。DIL算法继承了ISVM和增量学习的诸多优点,所以其对时间序列进行预测时能够取得较为理想的预测效果。在六个基准时间序列数据集上的实验结果也证实了,与其他现存的优秀算法相比,DIL具有更好的预测性能。针对DIL算法中的不足,本文做出了一些改进,并将改进后的算法称为双权重优化增量学习(dual weights optimization Incremental Learning,w~2IL)算法。w~2IL采用的基学习器是增量式极限学习机(Incremental Extreme Learning Machine,IELM)。相对于DIL算法,w~2IL的改进主要有两处,这也是它的两个主要创新点,即提出了样本权重自适应初始化(Adaptive Samples Weights Initialization,AdaSWI)和自适应加权预测器集成(Adaptively Weighted Predictors Aggregation,AdaWPA)两个子算法。AdaSWI子算法根据已生成的基模型的预测误差自适应地初始化样本权重,并根据从样本到基模型训练集的距离对样本的权重进行微调,从而获得更合适的初始化权重。而AdaWPA算法基于待预测的实例自适应地调整所有基模型的权重并将它们集成。此外,AdaWPA在进行距离测量时使用到了模糊C均值(Fuzzy C-Means,FCM)聚类算法,这进一步降低了算法的计算复杂度和所需的存储空间。相比于DIL算法和其它现存的算法,w~2IL的性能得到了显着提升,在六个真实数据集上的实验也进一步验证了这一点。(本文来源于《南京航空航天大学》期刊2019-03-01）
田敏皓,陈平[9]（2019）在《基于增量学习的X射线安检系统检测算法研究》一文中研究指出针对现有智能X射线安检系统对新出现的异种危险物无法进行有效检测以及重新训练模型效率低的问题,研究了一种基于增量学习的X射线安检系统目标检测算法.该算法将传统目标检测网络faster rcnn中的特征提取器替换为残差网络,并在该网络的最后全连接层通过增加对应于新类的目标分类与边框回归神经元构成目标检测的增量学习网络,在该增量网络的损失函数中引入蒸馏损失解决新数据更新网络引起的灾难遗忘问题.最后,在X射线安检系统原7类数据训练模型的基础上依次增加1类新目标数据继续训练并检测,新增目标识别率不低于90%.该算法在保持网络对旧类检测能力的同时,也能将新增危险物以较高的精度检测出来.(本文来源于《测试技术学报》期刊2019年01期）
韩迪,李雯婷,王庆娟,周天剑[10]（2019）在《增量学习的优化算法在app使用预测中的应用》一文中研究指出随着智能手机中app数量的不断增加,准确查询目标app渐趋困难.目前利用历史用户数据预测手机系统下一个使用的app算法存在两类问题:一是部分算法因未考虑训练数据日益递增,导致预测结果的准确度随时间增加而降低;二是虽然考虑到了增量数据,但增加了因增量数据而重新建模的时间,导致总体耗时增加.为减少建模时间,本研究提出Predictor预测系统,利用优化后的增量Ik NN模型为用户提供app使用的预测功能.通过学习app特征的上下文关系,设计了聚类有效值(cluster effective value,CEV)策略,采用多维度特征方法来提高分类的准确度,从而提高预测准确度.实验结果表明,带有CEV策略的Ik NN模型比默认的Ik NN模型拥有更稳定的预测准确度,其应用模型Predictor能减少建模的时间,同时提高预测准确度.(本文来源于《深圳大学学报(理工版)》期刊2019年01期）
增量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：
为提升机器人的行为智能水平,提出一种基于增量式径向基函数网络(IRBFN)的Q学习(IRBFN-QL)算法.其核心是通过结构的自适应增长与参数的在线学习,实现对Q值函数的学习与存储,从而使机器人可以在未知环境中自主增量式地学习行为策略.首先,采用近似线性独立(ALD)准则在线增加网络节点,使机器人的记忆容量伴随状态空间的拓展自适应增长.同时,节点的增加意味着网络拓扑内部连接的改变.采用核递归最小二乘(KRLS)算法更新网络拓扑连接关系及参数,使机器人不断扩展与优化自身的行为策略.此外,为避免过拟合问题,将L2正则项融合到KRLS算法中,得到L2约束下的核递归最小二乘算法(L2KRLS).实验结果表明,IRBFN-QL算法能够实现机器人与未知环境的自主交互,并逐步提高移动机器人在走廊环境中的导航行为能力.
（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。
增量学习算法论文参考文献
[1].周晓剑,侯蓉.面向大数据的增量式RBF学习算法[J].统计与决策.2019
[2].胡艳明,李德才,何玉庆,韩建达.基于增量式RBF网络的Q学习算法[J].机器人.2019
[3].田敏皓.基于增量学习的安检机危险品检测算法研究[D].中北大学.2019
[4].王玲,徐培培.基于自适应增量学习的时间序列模糊聚类算法[J].电子学报.2019
[5].熊霖.集成式增量学习分类算法研究[D].重庆师范大学.2019
[6].余炎,徐婕,陈前,杨艳.基于选择性抽样的SVM增量学习算法的泛化性能研究[J].计算机测量与控制.2019
[7].王世豪.基于卷积神经网络的目标检测算法其增量学习研究[D].浙江大学.2019
[8].李锦华.增量学习算法及其在时间序列预测中的应用研究[D].南京航空航天大学.2019
[9].田敏皓,陈平.基于增量学习的X射线安检系统检测算法研究[J].测试技术学报.2019
[10].韩迪,李雯婷,王庆娟,周天剑.增量学习的优化算法在app使用预测中的应用[J].深圳大学学报(理工版).2019
标签：大数据; 径向基函数(RBF); 增量学习算法;