量子机器学习与人工智能的实现——基于可计算性与计算复杂性的哲学分析

量子机器学习是量子计算与机器学习交叉形成的新研究方向,其主要目标是利用量子特性实现对传统机器学习算法的加速。目前已经出现了不少有实际应用价值的量子机器学习算法,这些算法能通过降低计算的复杂性程度,在一些特定领域实现弱人工智能。从可计算性的视角来看,量子机器学习能完成非决定性计算,在理论上可以实现对意识结果的模拟,从而为强人工智能提供支持。     

贝叶斯网络研究综述

贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法．近年来,贝叶斯网络已成为国内外智能数据处理的研究热点之一,被广泛应用于专家系统、决策支持、模式识别,机器学习和数据挖掘等领域．综述了贝叶斯网络的典型推理和学习算法,并对其进一步的研究方向进行了展望．     

新型混合字典学习算法改进图像超分辨率的研究

目前机器学习算法大都采用单层字典的学习训练设计,现从改进视觉效果、分辨率2个角度,设计了2层字典混合学习算法。采用经典的半耦合字典学习(SCDL)和模糊模型处理结合作为第1层字典学习,第2层则是针对第1层的残余图像进行重构,结合K值聚类以及K-SVD算法设计了第2层字典的训练过程。与经典SCSR、SCDL算法对比实验结果表明:改进算法的峰值信噪比与其他2种算法有了4%左右的提高,提高值在1 d B以上,表明了算法能够一定程度的提高重构图像的分辨率;算法的对比视觉效果看出,改进的算法能够明显改进重构质量,实现了图像视觉效果的改善。由于算法并不是以牺牲算法运算时间、速度为代价,这样其研究结果对于机器学习在图像领域的进一步推广与发展具有一定的参考价值。     

用JAVA实现BP算法

人工神经网络理论是20世纪80年代在国际上发展起来的一个前沿研究领域。BP是对非线性可微分函数进行权值训练的多层前向网络。它在控制行业中的应用很有效果。该文通过JAVA语言实现BP算法，并通过实例说明BP算法的特点，且提出改进方向。     

通用本体学习框架研究

提出了一种通用本体学习框架GOLF,通过对网络上各专业领域web文档集进行挖掘来实现本体自动构建,讨论了本体学习中本体概念的抽取、概念之间语义关系的抽取和分类体系的自动构建等关键技术,通过实验对算法进行了测试,并对本体评价方法进行了探讨.由于集成了多种机器学习算法,该方法在概念抽取和语义关系学习方面具有更高的准确性.采用通用本体WordNet和HowNet作为语料库,它可适用于不同的专业领域.同时,通过按需获取web文档,该方法能实时生成本体.     

支持向量机在模式识别和回归模型中的应用

支持向量机是一种新型机器学习方法,能较好地解决小样本、非线性、高维数和局部极小点等实际问题,对未来样本有较好的泛化能力,已成为当前机器学习界的研究热点。本文介绍了支持向量机的数学理论基础及其研究现状,并介绍了支持向量机实用算法的研究情况,指出了支持向量机的局限性和未来的研究方向。     

统计学习与支持向量机

支持向量机（SVM）是一类新型机器学习方法，其理论基础是统计学习理论，由于其出色的学习性能而成为当前国际机器学习领域的研究热点。该首先阐述统计学习的核心内容，然后对SVM及其应用进行研究，最后讨论了SVM的局限和有等研究的问题。     

非平衡数据分类算法研究

非平衡数据分类问题是近些年机器学习和数据挖掘领域的一个研究热点。对于非平衡数据分类问题,标准的分类学习算法不能获得良好的性能,因为它们往往只关注多数类而忽略少数类。从分类学习的3个不同层面对非平衡数据分类算法进行了综述,并指出了该领域未来可能的研究方向。     

基于机器学习的智能决策支持系统

机器学习技术的迅速发展为新一代智能决策支持系统的构成提供了实现基础。文章研究了智能决策支持系统和机器学习技术的最新发展状况，讨论了基于机器学习的智能决策支持系统中的若干问题，并研究了具体的体系结构及其中的问题。     

传统机器学习与深度学习的表情识别综述

面部表情识别是计算机视觉热门领域。表情识别技术使得计算机能够理解人类的情绪,具有广阔应用前景。针对基于传统机器学习和深度学习的表情识别方法进行研究,首先归纳表情识别领域常用的公开数据集;然后从传统的机器学习和深度学习角度介绍表情识别基本流程与常见方法;最后指出表情识别领域存在的问题,并对未来可能的发展方向进行了总结。     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。     

单机加工问题在一般条件下的算法研究

Biskup首次将学习效应的约束条件引入排序模型,此后带有学习效应的相关排序问题受到了众多学者的关注.大量学者研究了特定条件下带有学习效应的单机排序问题,并给出了多项式算法的证明.对于更为一般条件下的此类问题,通常使用分枝定界法和启发式算法进行求解和对比验证.本文重点介绍分枝定界算法在带有学习效应的单机排序中的应用和几种常用的启发式算法,并给出了一些后续的研究方向.     

论机器学习

机器学习是一门人工智能的科学,同时也是实现人工智能的一个重要途径。相应地,机器学习的研究目的有两个：一是用于提高机器人的性能;二是从数据库中发现新的知识。机器学习的研究队伍可以分为两个科学共同体：一个群体用于分类算法的改进;另一个群体主要进行从事计算学习理论的分析。     

支持向量机的研究与应用

通过对支持向量机的历史发展和理论进行分析,阐述了支持向量机相对于以往机器学习算法的优点。通过分析支持向量机的国内外研究现状,对该理论和算法的应用与发展前景进行了探讨。     

论机器学习

机器学习是一门人工智能的科学,同时也是实现人工智能的一个重要途径。相应地,机器学习的研究目的有两个:一是用于提高机器人的性能;二是从数据库中发现新的知识。机器学习的研究队伍可以分为两个科学共同体:一个群体用于分类算法的改进;另一个群体主要进行从事计算学习理论的分析。     

机器学习领域研究热点与前沿演进——基于CiteSpace的可视化分析

基于CiteSpace采用文献计量法,分析总结机器学习领域近十年研究热点与技术前沿演进。研究结果显示,该领域热点算法有Classification（分类算法）、Support Vector Machine（支持向量机）等,热点框架有sorFlow、Caffe、PaddlePaddle等;数据库、序列等突变词共同组成了近十年的研究新兴领域。     

面向大数据环境的大规模机器学习工具研究综述

随着大数据时代的到来,构建大数据下的机器学习系统会更加复杂和困难.开源机器学习工具的使用成为学术界和产业界关注的热点.对当前国内外主流机器学习工具进行研究和分析,总结各机器学习工具优缺点,为机器学习研究者和开发人员提供参考.     

ADS与信号源E4437B的数据交换测试平台设计

采用了理论与实践相结合的研究方法,研发设计了一套安捷伦仪表与ADS仿真系统联网数据交换的测试平台,对于3G通信网络乃至将来4G通信网络的数据交换测试,具有重要的意义。     

基于深度学习的视频目标检测算法的实现

由于光照变化、物体遮挡和复杂背景条件等众多因素的影响,目标检测一直是机器视觉领域最具有挑战性的问题。首先对视频目标检测算法中的孪生网络系列算法进行分析比较;然后将孪生网络与深度学习相结合,提出并构建全新的孪生网络跟踪器;最后将视频输入到设计好的孪生网络跟踪器中,通过网络对每一帧图像中物体的类别与位置进行准确地实时框选标注。分别将该算法和当前广泛应用的YOLOv3算法在OTB数据集上进行验证测试。测试数据表明:该算法的视频目标检测成功率和准确率均优于YOLOv3算法。     

经典人工智能算法综述

人工智能算法繁多,但经得起实践考验的经典算法有限,常见的有朴素贝叶斯、决策树、逻辑回归、支持向量机、深度学习、强化学习、遗传算法、蚁群算法、元学习等。依据人工智能算法理论基础知识,如概率统计、集合论、空间几何、图论、矩阵论等加以分类,并对相应经典人工智能算法概念和主要应用领域进行概述,去除结构细化和公式展开所带来的复杂感,揭开人工智能的神秘面纱,让算法整体轮廓得以更清晰地呈现。