论文部分内容阅读
终身学习Agent在智能优化、机器学习、模式识别与图像处理等领域面临路径寻优、文本分类、人脸识别、色彩增强与最优决策等一系列问题时,不可避免地会遭遇连续空间维数灾、目标训练样本匮乏获取代价高以及多次重复面临相似任务等情形,本文针对终身学习Agent的上述特点,采用如下研究方法实现其在不同领域内的多源迁移学习:1.机器学习领域中预测分类在训练样本较少时会出现精度下降的问题,为此提出一种多源决策树自适应迁移方法。首先,自适应地采用成分预测概率或路径预测概率对决策树间的相似性进行判定,其次,根据多源判定条件确定是否采用多源集成迁移。同时考虑目标训练样本降低到极端情形,即仅有唯一样本时的单样本人脸识别问题。提出一种基于LPP特征映射的多源迁移算法,并采用FERET、ORL与Yale等典型的人脸识别数据库进行识别验证。2.强化学习在面临大尺度或连续空间复杂系统时遭遇维数灾难题,提出一种基于极限学习机(Extreme Learning Machine,ELM)的多源迁移Q学习算法,ELM采用神经网络映射机制保证Q值函数的逼近,而多源迁移机制能够降低目标问题的决策难度。迁移的本质在于任务空间与样本空间的相似度衡量,利用先验概率尽可能地确保迁移的任务与样本能够在目标任务中起到积极的作用,尽量避免负迁移的发生。3.图像处理领域中由于色彩序列模糊性与不确定性造成的色彩扭曲问题,提出一种基于主动轮廓探索的多源色彩迁移算法。利用主动进化方法生成虚拟轮廓线,并采用能量函数评价机制迫使虚拟轮廓线逐渐逼近实际轮廓线。同时考虑源图像与目标图像在RGB、Gray和LMS等不同色彩空间的表示、分割、转换,实现其在l空间的多源色彩迁移。单源与多源色彩迁移的对比、灰度化色彩通道的选择等实验验证了所提算法的合理性与有效性。4.智能优化算法具有随问题规模指数级增长的计算复杂度以及对自身多变量耦合参数设置的依赖性,为此分别提出多源迁移Ant-Q学习算法与基于图构建的多源参数迁移算法。前者通过贝叶斯理论分析源任务与目标任务的相似率,并以此为权值确定各源任务的迁移样本;后者则是将包含知识(蚁群算法运行参数)的源任务构造模型迁移图,以逼近多变量参数的流形空间,并进一步扩充模型迁移图实现源任务参数到目标任务参数的映射。