导读:本文包含了自适应学习机制论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标优化,CMA-ES,Cholesky因子秩-μ更新机制,Pareto前沿
自适应学习机制论文文献综述
杨胜飞[1]（2019）在《基于协方差矩阵自适应学习机制的多目标优化研究》一文中研究指出多目标优化问题的研究主要是提高非支配解集以达到Pareto最优解,但应用于多目标优化的算法存在过早收敛、非支配解集获取差、旋转空间对非支配解集的影响等问题。针对这些问题,本文将协方差矩阵自适应学习机制(CMA-ES变体,即精英CMA-ES)应用于多目标优化问题,解决多目标优化问题过早收敛、非支配解集效率差的问题。完成的工作如下:(1)针对Cholesky因子更新标准CMA-ES的不足,提出Cholesky因子秩-μ更新协方差矩阵方法。将Cholesky因子秩-μ更新方法结合Cholesky因子秩-1更新方法应用标准CMA-ES和Active-CMAES,并将其与其他CMA-ES变体进行比较。实验结果表明,提出的Cholesky因子秩-μ更新方法有效提高协方差矩阵秩-μ更新的时间,应用于标准CMA-ES和Active-CMAES后,算法的运行时间快于原始算法。(2)针对叁角Cholesky因子秩-1更新CMA-ES的不足,提出一种新的累积进化路径。新的累积进化路径代替叁角Cholesky因子更新CMA-ES时的共轭进化路径更新步长,不再需要计算逆叁角Cholesky因子。为了验证改进叁角Cholesky因子秩-1更新CMA-ES的效率,同时对比两种Cholesky因子秩-1和秩-μ更新CMA-ES的时间与效率。实验选取基准测试函数进行仿真验证,实验结果表明新的累积进化路径结合叁角Cholesky因子更新协方差矩阵时,步长值不受影响,且算法的运行时间快于原始算法,目标函数值保持最优。(3)基于(1)和(2)的工作,改进精英CMA-ES算法。一是使用辅助进化路径改进精英CMA-ES中Cholesky因子秩-1更新的时间复杂度高的问题。二是将Cholesky因子秩-μ更新模型应用于精英CMA-ES中,通过实验比较改进的精英CMA-ES与其他精英CMA-ES变体的效率。实验结果表明,改进的精英CMA-ES具有较好的性能。(4)将(3)中的改进的精英CMA-ES算法结合非支配排序、拥挤距离应用于求解多目标优化问题形成MOCholCMA算法,并在多目标测试函数集中比较MOCholCMA算法与其他经典多目标进化算法。实验结果表明,MOCholCMA算法具有很好的收敛性、IGD指标值、DM指标,非支配解集构成的Pareto前沿接近真正的Pareto前沿,MOCholCMA算法继承CMA-ES算法的不变属性,对旋转空间具有不变性。(本文来源于《贵州大学》期刊2019-06-01）
杨阳[2]（2019）在《简析Knowre平台自适应学习机制》一文中研究指出尊重个体差异,促进个性化学习是教育改革核心理念之一,自适应学习是大数据时代实现个性化学习的重要方式。自适应学习系统能够采集学习过程中的行为数据,并对学生的学习兴趣、知识水平、学习风格、学习进度等做出分析和预测,以提供个性化的学习服务。作为自适应学习平台之一的Knowre,多年来专注于数学领域的研究,在国外得到广泛应用,但是国内对Knowre的了解很少,所以本文从自适应学习原理、自适应关键技术、自适应学习服务叁个方面对Knowre平台做了解析,希望能为国内的自适应学习发展提供参考。(本文来源于《中国信息技术教育》期刊2019年09期）
顾泽宇,张兴明,魏帅[3]（2019）在《基于增强学习的自适应动态防御机制》一文中研究指出动态防御技术通过持续地改变系统配置以构建动态多样性特征,增加攻击者的攻击难度,而其中的安全性与性能冲突问题尚未解决.针对SDN控制器主动防御过程中的防御代价与收益平衡问题,提出一种基于增强学习的自适应防御机制,利用异构冗余控制器架构判决反馈信息,通过量化的安全收益与防御代价提高防御策略的灵活性,实现无监督地适应性防御策略确定.仿真基于网络攻击数据集,从安全性以及防御效率等方面对比分析了不同偏向下的防御性能,验证了自适应防御机制对动态攻击者的防御能力.(本文来源于《小型微型计算机系统》期刊2019年02期）
张德龙,李威凌,吴怀宇,陈洋[4]（2016）在《基于学习机制的移动机器人动态场景自适应导航方法》一文中研究指出针对在单一学习机制中,移动机器人自主导航一般只适用于静态场景,适应性差的问题,提出一种动态场景自适应导航方法.该方法通过激光测距仪(LRF)获取周围环境的距离信息,在基于增量判别回归(IHDR)算法的单一学习机制导航的基础上,提出了最远距离优先机制的局部避障环节.该导航方法克服了传统导航方法对环境模型的过度依赖,并且本文提出的基于最远距离优先机制的局部避障算法,解决了基于单一学习机制的导航方法对动态场景适应能力不足的问题.本文将动态场景自适应导航方法应用到了MT-R机器人中,与基于单一学习机制的导航方法进行了对比实验,并且运用提出的局部避障算法,对实验中的激光数据进行了算法性能分析.实验结果证实了该方法的可行性,并显示了该方法在动态场景下的良好表现.(本文来源于《信息与控制》期刊2016年05期）
万海鹏,汪丹[5]（2016）在《基于大数据的牛顿平台自适应学习机制分析——“教育大数据研究与实践专栏”之关键技术篇》一文中研究指出个性化和自适应学习系统是教育大数据应用服务的主要阵地,自适应学习系统能够采集学习过程中的行为数据,并对学生的学习兴趣、知识水平、学习风格、学习进度等做出分析和预测,以提供个性化的学习服务。近年来被学术界和企业界所广泛认可的典型自适应学习平台——牛顿平台(Knewton Platform)正逐步兴起,文章从自适应原理、核心技术、自适应服务叁个方面对牛顿平台进行了剖析,以期能够为教育大数据分析研究人员和自适应学习平台设计者提供理论参考和技术借鉴。(本文来源于《现代教育技术》期刊2016年05期）
张婧[6]（2016）在《基于学习的自适应无速率码传输机制及VOFDM调制系统》一文中研究指出现代无线通信环境普遍存在着噪声、干扰等问题,使得无线信号在传输过程中不仅经历信道衰落等大尺度衰落,还会经历多径传播、多普勒频移以及频率扩展等引起的小尺度衰落。这些问题不但严重影响传输的可靠性和传输质量,更有可能造成通信中断。为保证信息的可靠传输,许多差错控制技术投入使用,其中最为广泛的是采用具有极强纠错能力的级联码或者Turbo码作为信道编码技术。但是,当面临动态变化的信道时,这类传统的固定码率的编码无法很好地适应信道变化,造成了很大的信令开销。为解决上述问题,学者们纷纷将目光转向无速率码——一种可以自适应信道动态变化从而调节码率的前向递增冗余码。本文从工程角度出发,主要研究基于无速率编码的传输系统的相关设计问题,包括发送策略、与调制方式的结合等。相关研究内容如下：提出了一种适用于基于Q学习的无速率码传输系统的发送端主动自适应调节码率的算法。在理论上,一个基于无速率码的传输系统的发送端只需源源不断地将符号发送出去,而接收端在收到第一个符号就开始启动译码,如果译码成功就继续下一轮新的信息发送；反之,则需要发送端继续发送冗余符号,接收端将新收到的符号加入译码。这个过程一直持续到译码成功为止。而从工程的角度考虑,为了控制开销,发送端首先将编码所生成的编码组成一个数据包,并将这个数据包拆分成若干个子帧,当接收端收到一定数量子帧时开始译码,当这个译码一次性成功的概率超过一定的门限,相对应的译码和传输开销也会相应减小。因此,我们需要一种发送端适用的主动学习算法,当信道动态变化时,发送端通过学习反馈和历史发送情况来判断在当前信道下应该连续发出子帧的数目,以此来保证译码成功率和开销。本算法的基本思想是借鉴机器学习中的Q学习算法,通过定义代价函数、回报函数等对当前信道进行学习,并通过一个简单的策略自适应调节码率。仿真结果证明使用这种算法能够有效提高传输的吞吐量,降低重传率,降低译码延时等引起的延时。提出了一种适用于无速率码传输系统的无速率码与向量正交频分复用(VOFDM)调制方式相结合的联合解码解调的迭代接收机,并提出了一种适用于该接收机的迭代均衡算法。向量正交频分复用是一种建立在正交频分复用(OFDM)基础上的改进调制方式。这种调制方式不仅成为连接传统正交频分复用和单载波频域均衡(SC-FDE)的桥梁,使得在此框架下传统正交频分复用成为向量正交频分复用的向量长度为1的一种特例,还证明针对由多径引起的时变信道,向量正交频分复用能够通过改变向量长度以增大分集增益,从而具有更优的抗衰落性能。因此我们希望将这种抗衰落的性质用于无速率码传输系统。在实现时考虑到向量正交频分复用可以利用无速率译码的每一轮迭代过程中产生的软信息,并将其与收到的信道符号所提供的信息进行一轮新的解调,并将解调后得到的更新过的符号信息再次传递给译码器以完成一轮新的译码过程。这样的过程周而复始直到达到所有的校验条件或者最大迭代次数。通过使用不同的解调方式,对使用这些方法的迭代接收机作误码性能和计算复杂度上的考虑,得出使用软线性消除算法的迭代接收机能够达到最佳综合性能。提出了一种将同样建立在正交频分复用基础上的两种调制方法结合起来的方法,即向量正交频分复用和子载波标号调制(OFDM-IM)方式。子载波标号调制方式是近年来提出的一种基于正交频分复用的调制方式,其基本思想是借鉴了空间调制的思想,并不使用所有的子载波来承载星座点,而是选择其中的一部分用以传输星座点信息,这部分被选中的子载波叫做活跃子载波,相对应地,剩下地未被选中的子载波就叫做非活跃子载波。除了星座点信息,子载波是否被选择具有的不确定性也可以用来传输信息。因此相对于传统的向量正交频分复用,经过合适设计的子载波标号调制方法具有更高的吞吐量。而新的相关研究也进一步证明在较高信噪比下子载波标号调制相对于传统正交频分复用有更高的分集增益。然而在较低信噪比下的性能大大限制了子载波标号调制方式的实用性。为解决这一问题,同时利用向量正交频分复用方式的抗衰落性能和子载波标号调制方式的增大吞吐量的优势,提出了将二者结合的方法,控制计算复杂度的同时使得这种向量子载波标号调制(VIM-OFDM)在较低信噪比下的性能大为提高。仿真结果证明这种方法兼具二者优势,使整个调制系统的误码性能和吞吐量的综合性能有大幅度提升。(本文来源于《浙江大学》期刊2016-01-01）
高继勋,马小雨[7]（2015）在《基于增强学习与QoE需求函数的自适应无线网络择取优化机制》一文中研究指出为了使网络择取机制能在未知的网络信息条件下仍可适应复杂多变的网络;并可迎合客户动态变化的QoE需求,且能对其进行优化,提出了增强学习与QoE需求函数相融合的自适应网络择取优化机制。从各类用户出发,划分不同性质的业务,并引入随机离散原则,建立QoE需求函数;根据QoE反馈信号,兼顾切换决策的主观与客观性,嵌入最小二乘法,构建网络切换决策优化模型,获得决策最优值;计算切换开销与客户需求的概率中间值,并定义了最优网络切换规则,耦合增强学习对网络进行择取/切换;设计增强学习参数更新法,完成会话业务发送。在MATLAB仿真平台上对该机制以及其他几种无线网络择取方法进行了测试,实验结果显示:随着网络切换开销权重的不断增大以及转移概率矩阵的实时变化,所提出的机制的性能最好,而且最稳定。(本文来源于《计算机应用与软件》期刊2015年07期）
冯井荣[8]（2015）在《PUSH机制下Web自适应学习系统设计与开发》一文中研究指出适应性学习系统是教育学、认知科学和技术科技的交叉研究领域,是当前人工智能在当前教育中应用的热点研究课题。传统网络学习系统面对所有学习者提供相同的教学方式与学习资源,忽略了学习者的个体差异和个性化学习需求,因此常常导致学习者无法准确而快捷地找到所需要的学习资源,让学习者面对海量学习资源却无从下手,让学习者在网络学习中迷失方向甚至认知超载,在线学习的质量在很大程度上受到上述因素的影响。因此,越来越多的研究开始关注构建适应性学习系统和个性化的学习环境。适应性学习系统从本质上来看是支持个性化学习的网络学习环境,它能够依据学习者在学习过程中的个体差异、学习兴趣和学习偏好为学习者提供适合个体特征的学习支持,主要包括个性化学习资源与学习策略等模块。本研究针对适应性学习系统中的推送技术与推送策略展开研究。推送策略与学生模型是构成适应性学习系统的两大核心组件。前者反映了系统向学习者推送什么样的学习资源,在什么情况下推送以及怎么推送等问题;后者反映了学习者的个性特征和学习者的个体差异,为系统进行推送提供了依据。适应性学习资源是系统根据学习者个体特征推送学习内容,它不仅是系统最重要的学习支持模块,也是适应性学习系统的直接体现。适应性学习资源是系统根据学习者个体的学习进度、学习者使用的学习设备以及所处的学习环境推送的学习资源。本研究采用了文献研究法、软件工程方法和基于设计的研究方法。研究工作主要包括:1.查阅了国内外智能教学系统研究的实际,了解和把握Push机制下Web适应性学习支持系统是当前数字化学习支持平台的发展趋势;2.在分析和研究的基础上,设计和开发一套基于Push技术的Web自适应学习系统,并进行实证。论文主要分六个部分:第一部分介绍了论文的研究背景和研究意义,通过对网络教育、计算机技术的发展以及人们对网络学习的需求,通过对当前自适应学习系统的研究和分析,提出了本文的研究内容。第二部分对相关概念进行了界定和说明,并对系统的理论基础和软件工程基础进行说明和阐述,介绍了个性化服务、软件工程的相关概念和理论基础。第叁部分在系统理论的指导下对Push机制下Web自适应学习系统进行设计和理解,对其中的关键技术展开分析并做了简单的介绍,对系统的主要需求进行分析,在需求的基础上对主要模块进行设计,设计出系统的原型。第四部分在软件工程理论的指导下,针对系统主要功能进行应用开发,目前该系统已经实现了设计中的大部分功能,能够正常运行,但是由于时间关系,部分功能还待进一步完善。第五部分对系统进行了试用,并对实验结果进行分析,获得学习者对系统的评价。第六部分对已完成的工作内容进行总结和分析,并提出不足与展望,并对软件的下一步完善进行设想。(本文来源于《云南师范大学》期刊2015-05-30）
王建军,刘玉林[9]（2014）在《基于强化学习的自适应中间件在线更新机制研究》一文中研究指出自适应中间件框架一般根据预先定义的策略、按照监控、分析、决策、执行的流程实现对开放可变系统的闭环控制。但是,传统的自适应框架基于离线的闭环控制,即在提供自适应服务的同时,自身的决策模型不能随实时的环境变化而更新。针对该问题提出一种基于强化学习的自适应中间件的在线更新方案,解决自适应策略的冲突消解、系统实时效用评估问题,并设计一种基于强化学习的自适应策略在线学习更新方法,增强了自适应中间件的智能性、灵活性和应变能力。最后实现了相应的支撑系统OUSAM并在其上验证了该机制的有效性和可行性。(本文来源于《计算机工程与科学》期刊2014年08期）
江侃[10]（2013）在《恒河猴运动学习及自适应机制研究》一文中研究指出运动是人体与外界环境交互作用的唯一途径，也是人体的一项基本功能。经过不断地进化与完善，人体运动系统是已知的最智能的系统。在处理运动过程中存在的不确定性、高噪声等问题时，运动控制系统表现出良好的鲁棒性及自适应性，能够通过运动学习而逐渐适应外部环境，本文的目的就在于研究其学习及自适应机制。本文首先介绍了运动控制研究的相关背景知识、研究的目的及意义，同时综述了该领域的国内外研究概况。在前文论述的基础上，提出了运动控制系统对于重复干扰具有适应性，对随机干扰无适应性以及对重复干扰表现出的自适应性是基于认知调控的假设，以该假设为基础进行了一个带有干扰的到达-抓握实验。通过分析记录到的皮层神经元活动以及运动轨迹，发现运动系统对随机干扰没有表现出适应性，对于重复干扰表现出明显的学习及适应过程，最终能够形成一种预测控制策略，即实验结果证明了假设的正确性。随后，提出一个运动控制的假设模型来解释该实验结果，整个模型由运动规划及运动执行组成。其中模型的运动规划部分基于贝叶斯决策框架，运动规划的结果是系统以不同的权重调用存储在运动记忆中的固有模式，权重由贝叶斯决策的结果确定，整个调用过程可以用一个线性回归方程来表示。最后，通过记录到的运动轨迹求解回归方程参数，计算结果与假设模型预测结果一致，证明了假设模型的合理性。(本文来源于《华中科技大学》期刊2013-05-01）
自适应学习机制论文开题报告
（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：
尊重个体差异,促进个性化学习是教育改革核心理念之一,自适应学习是大数据时代实现个性化学习的重要方式。自适应学习系统能够采集学习过程中的行为数据,并对学生的学习兴趣、知识水平、学习风格、学习进度等做出分析和预测,以提供个性化的学习服务。作为自适应学习平台之一的Knowre,多年来专注于数学领域的研究,在国外得到广泛应用,但是国内对Knowre的了解很少,所以本文从自适应学习原理、自适应关键技术、自适应学习服务叁个方面对Knowre平台做了解析,希望能为国内的自适应学习发展提供参考。
（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。
自适应学习机制论文参考文献
[1].杨胜飞.基于协方差矩阵自适应学习机制的多目标优化研究[D].贵州大学.2019
[2].杨阳.简析Knowre平台自适应学习机制[J].中国信息技术教育.2019
[3].顾泽宇,张兴明,魏帅.基于增强学习的自适应动态防御机制[J].小型微型计算机系统.2019
[4].张德龙,李威凌,吴怀宇,陈洋.基于学习机制的移动机器人动态场景自适应导航方法[J].信息与控制.2016
[5].万海鹏,汪丹.基于大数据的牛顿平台自适应学习机制分析——“教育大数据研究与实践专栏”之关键技术篇[J].现代教育技术.2016
[6].张婧.基于学习的自适应无速率码传输机制及VOFDM调制系统[D].浙江大学.2016
[7].高继勋,马小雨.基于增强学习与QoE需求函数的自适应无线网络择取优化机制[J].计算机应用与软件.2015
[8].冯井荣.PUSH机制下Web自适应学习系统设计与开发[D].云南师范大学.2015
[9].王建军,刘玉林.基于强化学习的自适应中间件在线更新机制研究[J].计算机工程与科学.2014
[10].江侃.恒河猴运动学习及自适应机制研究[D].华中科技大学.2013
标签：多目标优化; CMA-ES; Cholesky因子秩-μ更新机制; Pareto前沿;