【摘 要】
:
在互联网时代,数据正在以非凡的速度呈现超高速增长,如何有效地从繁杂无章的大数据中挖掘有价值的信息与知识是人工智能技术的一个重要研究目标。在粒计算领域,序贯三支决策作为三支决策思想的延伸,在处理不确定信息时起到重要作用。序贯三支决策除了引入了延迟决策,能够在信息不充分时做延迟决定,降低决策带来的损失,还具有一种渐进的思维。其通过循序渐进地获取信息来将空间的粗粒度转换为细粒度,能够很好地解决生活中的各
论文部分内容阅读
在互联网时代,数据正在以非凡的速度呈现超高速增长,如何有效地从繁杂无章的大数据中挖掘有价值的信息与知识是人工智能技术的一个重要研究目标。在粒计算领域,序贯三支决策作为三支决策思想的延伸,在处理不确定信息时起到重要作用。序贯三支决策除了引入了延迟决策,能够在信息不充分时做延迟决定,降低决策带来的损失,还具有一种渐进的思维。其通过循序渐进地获取信息来将空间的粗粒度转换为细粒度,能够很好地解决生活中的各种复杂问题。然而,在序贯三支决策模型中,从代价敏感与多分类的角度出发,模型的粒度结构并没有考虑到代价因素,可能会造成决策总代价偏高,此外,每个属性在不同决策类下的重要度都是相同的,没有考虑不同类别之间的差异性;在序贯三支决策模型中,每一层决策结果中可能存在一些不确定性较大的等价类,即便再添加一个属性,也不能很好地将其进行分类,导致决策的分类精度降低以及决策延迟代价偏高。因此,为了解决这些问题,本文以序贯三支决策模型为研究背景,进行了如下研究:针对第一个问题,本文首先讨论在单个决策类的情况下,通过测试代价和误分类代价来刻画基于代价的属性重要度,并对各决策类形成各自最佳的属性序列,以此来弥补原本属性重要度定义的缺陷。再通过多属性决策中的TOPSIS方法,考虑每个决策类的最佳粒度,最后得到在多分类模型下的一个综合的最佳属性序列。所提出的模型优化了经典序贯三支决策模型的粒度结构,降低了决策代价。针对第二个问题,首先基于不确定性讨论了序贯三支决策模型中边界域的等价类,其次将这些边界域中的等价类通过条件概率来刻画它们的不确定性,并将不确定性较大的对象利用阴影集进行筛选,暂时在下一层不做处理,而是延迟到更后一层进行三支决策,通过对不确定性较大的对象实现跳阶延迟处理的方法,能够有效提高经典序贯三支决策模型分类精度。综上所述,从代价敏感及分类的角度出发,本文提出了两种不同的模型分别解决了序贯三支决策模型存在的一些问题,降低了决策代价并优化了性能。
其他文献
多目标跟踪技术与行人属性识别技术是计算机视觉领域中的两个重要分支,已经成功应用于智能安防、商业分析等领域。然而,多目标跟踪技术与行人属性识别技术往往是独立进行的,由于两者没有共享网络权重,因此存在参数量大、推理速度慢的问题。本文针对此问题,将多目标跟踪网络与行人属性识别网络进行集成,提出了多目标跟踪与角度识别一体化网络。在此基础上,本文将注意力机制引入多目标跟踪与角度识别一体化网络,提高了一体化网
近年来,随着大数据的发展,汽车数据服务变得尤为重要。在当下,使用人工智能技术依靠汽车行业历史数据预测未来销量,可以为相关汽车企业和汽车政府机构提供强有力的数据支撑,对销量变化趋势进行展示及预警,以便相关人员及时制定政策、及时调整企业的内部调度,避免由于风险应对不及时带来的财产损失和行业动荡。所以构建模型实现销量预测技术是关键,但是当前的许多研究对于汽车销量预测存在着不够具体和精确的问题。由于乘用车
随着现代通讯技术和交通设施的快速发展,交通设施使用者产生的数据呈现出一种爆炸式增长。不同城市和地区之间的人员来往产生了一系列的流动数据,通过对流动人口大数据的比对分析,尤其是地理位置、数据特征、居留意愿分析,可以比较清楚地看到人口流动的大致方向,从而把握流入地的产业结构组成和发展方向,达到完善人口流动机制、提高就业质量的目的,能更好地推动城市的服务管理。对国内人口流动特征进行可视化分析可以用于研究
随着大数据时代的到来,人工智能技术在许多领域发挥了重要作用,与此同时,人工智能安全问题逐渐凸显。机器学习模型作为人工智能系统的核心,其安全性也成为工业界和学术界关注的热点。自对抗样本的概念提出以来,针对机器学习模型的各种攻击层出不穷,现有攻击算法无法很好地兼顾攻击成功率和样本视觉效果,为了达到较高的攻击成功率而不惜对原始图像进行大规模像素修改,导致最终生成的对抗样本失真。并且大多数情况下对抗攻击算
图像是21世纪最重要的信息传播媒介之一,具有简洁且迅速的视觉信息传达能力。图像补全是数字图像处理领域的一项重要研究内容,目前的研究方法大多基于深度学习构建模型。然而,现有的图像补全技术仍存在一些不足,一些方法忽略了图像的边缘结构信息,在补全大面积不规则的缺失图像时无法还原高清晰度的结果;普通的局部判别器只能输入规则的缺失图像,不能补全非矩形的缺失图像,不具有普适性;另外一些方法没有注重生成结果和背
随着互联网时代到来,数据流量需求伴随设备数量增多而爆炸式增长。为了满足流量需求,异构无线网络通过大量部署小型化设备,来提升网络容量。但这种超密集部署方式增加了终端接入的随机性,使得网络性能易被外界因素影响。更有甚者,事故、新闻事件和娱乐活动等突发事件带来的聚集终端,会导致网络局部负载快速增加,使得网络拥塞,影响终端通信。对此,本文以缓解或规避网络拥塞、提升聚集终端服务体验为目标,从提前预警采取控制
稳态视觉诱发电位(Steady state visually evoked potential,SSVEP)是常见的脑机接口(Brain Computer Interface,BCI)范式,它是当人体收到固定的闪烁频率刺激后,在大脑后枕部区域产生的与刺激频率相关的一种EEG信号,其频率和刺激目标闪烁频率及谐波频率高度相关。由于其采集方便、信息传输率高等特点,SSVEP受到了研究人员的广泛关注。为了
随着卫星传感器的迅速发展,遥感卫星为遥感应用研究提供了丰富的遥感影像。合成孔径雷达(Synthetic Aperture Radar,SAR)图像和多光谱图像在对地监测方面具有互补的优势。其中,SAR能在各种气候条件下提供具有丰富空间细节特征的图像,但其图像缺少光谱信息。而多光谱图像属于光学图像,具有多个光谱段,但它易受大气环境影响降低了空间解析能力。因此,利用融合技术将多光谱图像和SAR图像互补
分类是一种有标签的机器学习,属于监督学习中的一种,在分类中经常会遇到类别不平衡的数据集。类别不平衡导致分类结果会偏向于多数类,对少数类的识别精度不高。现实中的数据集通常包含被错误标记的标签,这种包含错误标签的样本被称为标签噪声。标签噪声会造成决策边界偏移,降低模型的预测性能,增加模型的复杂程度。当不平衡数据集中存在标签噪声时,会给分类器造成较大的负面影响。采样是一种解决类别不平衡的方式,它通过增加