导读:本文包含了随机学习论文开题报告文献综述及选题提纲参考文献，主要关键词:大范围优化,高维问题,随机主导学习,粒子群优化算法
随机学习论文文献综述
徐洪斌,李田军,方明亮,李飞[1]（2019）在《一种用于大范围优化的随机主导学习群优化算法》一文中研究指出针对常规进化算法在求解大范围优化问题时面临计算时间长、占据空间大等难题,本文提出了一种简单而有效的随机主导学习群优化算法-SDLSO.该算法通过引入支配的概念,即从种群中随机选择两个粒子支配该粒子时,采用速度和位置更新公式对粒子进行学习更新,综合权衡算法的勘探和开采能力.为了协助粒子群跳出局部最优,设计了一种参数自适应更新策略.选择CEC2010大范围测试函数对SDLSO算法和CSO算法进行数值仿真实验,结果表明所提出的算法可以有效求解大范围优化问题.(本文来源于《赤峰学院学报(自然科学版)》期刊2019年11期）
毛渤淳,陈圣恺,谢雨,姚攀,李春洁[2]（2019）在《经典深度学习算法对中文随机对照试验智能判别应用》一文中研究指出目的评价采用深度学习算法卷积神经网络(CNN)智能识别中文医学文献中随机对照试验(RCT)的效果。方法计算机检索CNKI数据库,限定年限为2014年全年、主题为"口腔"的医学文献并导出包含标题、摘要信息的题录,采用双人独立标注后核对、讨论的方式进行RCT人工筛选,并将最终结果用于CNN算法模型训练。完成该算法模型训练后,组织前瞻性对照试验,检索2018年1月至3月CNKI上发表的所有口腔医学文献,以双人核对后最终结果作为金标准,将CNN算法结果与单人初次标注的结果(人工水平)进行对比,计算两组的灵敏度(SEN)与特异度(SPE)。并调整算法的划分阈值,通过绘制受试者操作特征(ROC)曲线确定最佳阈值。结果纳入1 246条RCT和4 754条非RCT用于CNN训练与测试。最终对照试验纳入RCT 249条、非RCT 949条,得到人工筛选的SEN=98.01%,SPE=98.82%。该算法模型对RCT筛选的SEN随阈值升高而减小,SPE随阈值升高而增大,进行27次阈值变动后,所得ROC曲线下面积为0.9977。得到该算法模型的最佳准确度阈值(阈值=0.4,SEN=98.39%,SPE=98.84%)与高SEN阈值(阈值=0.06,SEN=99.60%,SPE=94.10%)。结论经本研究建立的中文RCT数据库训练后,CNN算法对中文RCT的筛选效果较为出色,前瞻性对照试验证明其具有足以替代人工水平的RCT筛选效果。(本文来源于《中国循证医学杂志》期刊2019年11期）
何银银,赖水长,侯建赭,凌杰强[3]（2019）在《结合多通道深度学习和随机森林的地表分类》一文中研究指出地表分类技术对地面无人驾驶车辆的感知能力有着重要影响。而针对传统卷积神经网络CNN(Convolutional Neural Networks)地表分类效果不佳的问题,本文提出一种结合多通道深度学习和随机森林的地表分类算法。算法先通过图像计算得到人工设计的特征LBP;再采用多通道融合技术,将原彩色图像的RGB叁通道和LBP通道加以融合形成融合图像;然后构建并预训练卷积神经网络,以此提取融合图像的关键特征信息;最后用随机森林分类器代替卷积神经网络输出层完成地表分类。实验结果表明,本文算法识别正确率达到98.56%,相比于传统卷积神经网络能取得更好的分类结果,具有一定的鲁棒能力。(本文来源于《软件》期刊2019年11期）
朱家成,陈刚,向华,李支成,吴开诚[4]（2019）在《基于随机森林的混合教学学习行为评价模型》一文中研究指出混合教学是在当前基于在线学习的基础之上,提出的一个全新的教学模式,该模式推广急需更为客观的过程评价。通过收集混合教学实施过程的各种学生学习行为数据,进行归纳总结,可以划分为叁大类数据:传统课堂数据,在线学习数据,阶段测试数据。在此基础上增加了特有的人工干预模型,并在这些数据的基础上,搭建了学生行为分析评价数据挖掘模型。经过真实教学数据的验证,增加了人工干预的随机森林数据挖掘模型能够更好好的评价学生的学习效果,达到了实验预期。该模型为混合教学的探究提供了更深入的支持。(本文来源于《电脑知识与技术》期刊2019年29期）
冯晓荣,瞿国庆[5]（2019）在《基于深度学习与随机森林的高维数据特征选择》一文中研究指出针对特征选择算法对高维大数据降维效果与稳定性差的缺点,提出一种基于深度学习与随机森林的大数据特征选择算法。设计基于随机森林的特征消除算法,对高维大数据集进行特征降维处理;采用保留的特征对受限玻尔兹曼机进行训练,确定受限玻尔兹曼机的模型结构与权重;使用训练受限玻尔兹曼机的学习参数初始化一个多层神经网络,通过标准的后向传播方法训练多层神经网络。基于多组数据集的实验结果表明,该算法提高了高维数据集特征选择的化简效果,保持了较高的稳定性与鲁棒性。(本文来源于《计算机工程与设计》期刊2019年09期）
裴绪芳,陈学强,吕丽刚,张双义,刘松仪[6]（2019）在《基于随机森林强化学习的干扰智能决策方法研究》一文中研究指出电磁频谱的主导权是现代化电子战制胜的关键。传统的通信对抗中干扰方的干扰模式相对固定单一,干扰效率低下。因此,研究频谱对抗环境中利用强化学习智能选择干扰信道策略对用户通信进行干扰,将干扰方的信道决策过程建模为一个马尔科夫决策过程(Markov Decision Making Process,MDP),并提出了一种基于随机森林强化学习的智能干扰算法。仿真结果表明,与文献[10]所提的智能干扰算法和基于感知的随机信道选择算法相比,所提随机森林强化学习算法干扰收敛速度最快。通过在线自主学习,干扰方可以快速寻找到用户的通信规律,对用户通信实施有效干扰。(本文来源于《通信技术》期刊2019年09期）
代伟,李德鹏,马小平[7]（2019）在《基于模型与数据混合并行学习的随机配置网络》一文中研究指出随机配置网络(Stochastic configuration networks, SCNs)在增量构建过程引入监督机制来分配隐含层参数以确保其无限逼近特性,具有易于实现、收敛速度快、泛化性能好等优点.然而,随着数据量的不断扩大,SCNs的建模任务面临一定的挑战性.为了提高神经网络算法在大数据建模中的综合性能,本文提出了一种混合并行随机配置网络(Hybrid parallel stochastic configuration networks, HPSCNs)架构,即:模型与数据混合并行的增量学习方法.所提方法由不同构建方式的左右两个SCNs模型组成,以快速准确地确定最佳隐含层节点数,其中左侧采用点增量网络(L-PSCN),右侧采用块增量网络(R-BSCN);同时每个模型建立样本数据的动态分块方法,从而加快候选"节点池"的建立、降低计算负荷.最后采用大数据仿真验证了本文所提方法的有效性.(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
陈标金,王锋[8]（2019）在《宏观经济指标、技术指标与国债期货价格预测——基于随机森林机器学习的实证检验》一文中研究指出分别以筛选的4种技术指标和6个宏观经济指标作为国债期货指数预测变量,利用随机森林算法构建4种机器学习预测模型;依据价格波动集聚性设计跟踪交易规则,通过比较4种模型的预测精度和跟踪交易收益率,检验宏观经济指标、技术指标和随机森林算法对国债期货指数的预测能力。研究结果发现:用主成分精选技术指标构建的预测模型,对国债期货指数的跟踪交易收益率虽然明显优于市场收益率,但不如遵循单个技术指标经验交易规则的跟踪交易收益率;用主成分精选技术指标和宏观经济指标构建的模型能够取得很好的预测精度和跟踪交易收益率,这表明宏观经济指标与技术指标都对国债期货价格具有预测意义,可以利用随机森林机器学习算法构建有效的国债期货量化投资模型。(本文来源于《统计与信息论坛》期刊2019年06期）
刘精昌[9]（2019）在《带有方差减小技术的随机优化算法的研究及其在大规模机器学习问题中的应用》一文中研究指出优化是机器学习研究的关键一步。几乎所有机器学习问题的模型求解都依赖于优化算法。因此,设计快速、有效的优化算法在机器学习研究中至关重要。本文考虑两种不同类型的机器学习优化问题,并分别提出相应的改进算法。本文首先考虑机器学习领域的一个基本问题——结构风险最小化。本文中,结构风险可以表示成很多凸的损失函数的平均,再加上可能并不光滑的凸正则化项。为了更快,更好地求解出经验风险的最小值点,我们提出一种加速的带有方差减小的随机梯度算法Prox2-SAGA。和传统的算法不同,Prox2-SAGA把对损失函数求梯度换成求其梯度映射(Gradient Mapping)。这会牵涉到对损失函数求临近点算子的操作。此外,Prox2-SAGA还会计算正则化项的临近点算子以应对其非光滑性。这两个临近点算子的计算需要用Douglas-Rachford分裂来处理。损失函数强凸且光滑时,我们证明得到Prox2-SAGA算法可达目前最快的加速线性收敛速率。除此之外,相较于其他加速方法,Prox2-SAGA只有步长这个参数需要调整,因此它更容易应用。当每一个损失函数都光滑且凸时,我们证明Prox2-SAGA能达到O(1/k)的收敛速率,其中k是算法的迭代次数。此外,实验结果表明,Prox2-SAGA对于非光滑损失函数也是有效的,而对于强凸且光滑的损失函数,Prox2-SAGA在损失函数病态时加速效果显着。很多时候,结构风险函数中的正则化项需要是复合形式,以导出结构化稀疏的解,本文的第二部分将考虑带有这种正则化项的函数的优化问题。为了处理非光滑的正则化项,常规做法是使用临近点算子。但是,复合形式的正则化项的临近点算子的值难以被计算得到。最近,临近点平均,一种临近点算子容易计算的函数,被用来近似这种正则化项。进一步地结合带有方差约减的随机算法,基于临近点平均的算法能达到更好的表现。但是当前的工作多采用固定步长,算法的步长需要被设置的较小以使得临近点平均对原正则化项的近似较精确,这种较小的步长将会导致算法的迭代次数非常地多。本文中,我们提出两种基于临近点平均的步长自适应算法,APA-SVRG和APA-SAGA。通过以较大的值初始化步长,并自适应地减小它,两种算法都被证明只需要O(n log 1/ε+m01/ε)次迭代,即可达ε精度的解,其中m0是算法内层循环的起始数目,n是样本的数目。此外,实验结果表明了我们算法的优势。(本文来源于《中国科学技术大学》期刊2019-05-28）
陈立强,冯淑慧[10]（2019）在《大学生学习困境分析——以应用统计学专业《随机过程》教学为例》一文中研究指出应用统计专业课程《随机过程》教学效果一直不理想,分析教学内容难度、学生学习的障碍,最后探讨解决问题的方法。(本文来源于《当代教育实践与教学研究》期刊2019年10期）
随机学习论文开题报告
（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：
目的评价采用深度学习算法卷积神经网络(CNN)智能识别中文医学文献中随机对照试验(RCT)的效果。方法计算机检索CNKI数据库,限定年限为2014年全年、主题为"口腔"的医学文献并导出包含标题、摘要信息的题录,采用双人独立标注后核对、讨论的方式进行RCT人工筛选,并将最终结果用于CNN算法模型训练。完成该算法模型训练后,组织前瞻性对照试验,检索2018年1月至3月CNKI上发表的所有口腔医学文献,以双人核对后最终结果作为金标准,将CNN算法结果与单人初次标注的结果(人工水平)进行对比,计算两组的灵敏度(SEN)与特异度(SPE)。并调整算法的划分阈值,通过绘制受试者操作特征(ROC)曲线确定最佳阈值。结果纳入1 246条RCT和4 754条非RCT用于CNN训练与测试。最终对照试验纳入RCT 249条、非RCT 949条,得到人工筛选的SEN=98.01%,SPE=98.82%。该算法模型对RCT筛选的SEN随阈值升高而减小,SPE随阈值升高而增大,进行27次阈值变动后,所得ROC曲线下面积为0.9977。得到该算法模型的最佳准确度阈值(阈值=0.4,SEN=98.39%,SPE=98.84%)与高SEN阈值(阈值=0.06,SEN=99.60%,SPE=94.10%)。结论经本研究建立的中文RCT数据库训练后,CNN算法对中文RCT的筛选效果较为出色,前瞻性对照试验证明其具有足以替代人工水平的RCT筛选效果。
（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。
随机学习论文参考文献
[1].徐洪斌,李田军,方明亮,李飞.一种用于大范围优化的随机主导学习群优化算法[J].赤峰学院学报(自然科学版).2019
[2].毛渤淳,陈圣恺,谢雨,姚攀,李春洁.经典深度学习算法对中文随机对照试验智能判别应用[J].中国循证医学杂志.2019
[3].何银银,赖水长,侯建赭,凌杰强.结合多通道深度学习和随机森林的地表分类[J].软件.2019
[4].朱家成,陈刚,向华,李支成,吴开诚.基于随机森林的混合教学学习行为评价模型[J].电脑知识与技术.2019
[5].冯晓荣,瞿国庆.基于深度学习与随机森林的高维数据特征选择[J].计算机工程与设计.2019
[6].裴绪芳,陈学强,吕丽刚,张双义,刘松仪.基于随机森林强化学习的干扰智能决策方法研究[J].通信技术.2019
[7].代伟,李德鹏,马小平.基于模型与数据混合并行学习的随机配置网络[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[8].陈标金,王锋.宏观经济指标、技术指标与国债期货价格预测——基于随机森林机器学习的实证检验[J].统计与信息论坛.2019
[9].刘精昌.带有方差减小技术的随机优化算法的研究及其在大规模机器学习问题中的应用[D].中国科学技术大学.2019
[10].陈立强,冯淑慧.大学生学习困境分析——以应用统计学专业《随机过程》教学为例[J].当代教育实践与教学研究.2019