加载中…
个人资料
Automation_2011
Automation_2011
  • 博客等级:
  • 博客积分:0
  • 博客访问:20,754
  • 关注人气:62
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
评论
加载中…
留言
加载中…
友情链接
访客
加载中…
博文


   综述  

【文题】:       控制系统可诊断性的内涵与研究综述
       
【作者】:       王大轶, 符方舟, 刘成瑞, 李文博, 刘文静, 何英姿, 邢琰
   
【摘要】:       作为表征控制系统故障诊断能力的属性,故障可诊断性揭示了故障诊断深层次的内涵.将可诊断性分析纳入控制系统与诊断方案的设计环节,可以从根本上提高系统对故障的诊断能力,为研究故障诊断提供新的思路.本文分别从可诊断性的内涵、研究现状以及潜在发展趋势三个角度系统地对可诊断性进行分析.首先,
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

统计语言模型(Statistical Language Model)广泛应用于各种自然语言处理问题,如语音识别、机器翻译、分词、词性标注,等等。简单地说,语言模型就是用来计算一个句子的概率的模型。利用语言模型,可以确定哪个词序列的可能性更大,或者给定若干个词,可以预测下一个最可能出现的词语。目前主要采用的是n元文法(n-gram)语言模型,这种模型构建简单、直接,但当训练数据不充足时,无法估计出鲁棒的模型参数,模型的性能急剧恶化。数据增强是指利用一定的方法扩充训练数据,可以有效缓解数据稀疏问题。

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

赋予机器感知人类情绪的能力,使得机器能够识别人的情绪状态,已经成为提高人机交互系统自动化水平的关键。在过去的十年中,人脸表情的识别方法得到了深入研究,并逐渐成为分析用户情绪的一种强效技术。

 

 

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

低秩图像:低秩纹理结构是图像处理领域中具有重要几何意义的结构,通过提取低秩纹理可以对受到各种旋转、扭曲变换干扰的图像进行有效校正。

 

 

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

基于条件深度卷积生成对抗网络的图像识别是指:结合深度卷积生成对抗网络和条件生成对抗网络的优点,建立条件深度卷积生成对抗网络模型,利用卷积神经网络强大的特征提取能力,在此基础上加以条件辅助生成样本,将此结构再进行优化改进并用于图像识别中。

 

 

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

多视图学习与重构是指:在同一事物缺失部分视图数据的场景下,通过不同视图数据之间相关性的分析,构建其他视图,获得事物的完整表达。

 

 

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

来自中科院自动化所王飞跃教授团队、中国科学院大学和慧拓智能机器有限公司的多位学者联合发表在IEEE/CAA Journal of Automatica Sinica 2018年第4期的论文“Parallel Reinforcement Learning: A Framework and Case Study”中,针对现有基于数据驱动的方法对新目标缺乏泛化能力、数据匮乏和数据的分布和联系不明显等问题,提出了一种平行增强学习的理论框架并展示了多个应用案例。


阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

因果关系是“原因”和“结果”之间的关系,是引起和被引起的关系因果关系作为一种重要的关系类型,在许多任务中起着重要作用,如事件预测、情景生成、问答以及文本蕴涵等.  

 

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

生成对抗网络(GANs)是近期机器学习的热点,通过在一对生成器与判别器之间引入“对抗”关系,使得生成器能够完好拟合真实样本的数据分布,但由于缺乏监督信息的指导该拟合过程充满随机性。在实际当中,受限于网络的学习能力,通常只能拟合出真实数据分布的一部分,从而导致一些模式的缺失,即模式坍塌问题(Mode collapse)

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
 

  综述  

【文题】:       排序学习研究进展与展望  
       
【作者】:       李金忠, 刘关俊, 闫春钢, 蒋昌俊 
   
【摘要】:       排序学习利用机器学习技术去训练排序模型以解决排序问题,是信息检索与机器学习交叉领域的一个新兴研究热点.越来越多的排序学习方法已经应用于实际系统中,如搜索引擎和推荐系统等.本文概括了排序学习的研究进展,并进行展望.首先,阐述了排序学习问题.然后,对排序学习方法进行了分类,并重点分析了
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
  

新浪BLOG意见反馈留言板 电话:4006900000 提示音后按1键(按当地市话标准计费) 欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

新浪公司 版权所有