Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 508

年份

2024 1

2023 73

2022 81

2021 61

2020 54

2019 43

2018 36

2017 36

2016 17

2015 6

2014 2

2013 1

2012 6

2011 5

2010 7

2009 5

2008 8

2007 11

2006 13

2005 9

展开︾

关键词

机器学习 27

深度学习 15

人工智能 14

COVID-19 3

可持续发展 3

Bent函数 2

代理模型 2

优化 2

合成 2

平均功率 2

强化学习 2

材料设计 2

液压提升机 2

电动汽车 2

类器官 2

结构健康监测 2

高层建筑 2

1) 1

2-基展开 1

展开︾

检索范围：

排序：展示方式：

面向多类不平衡学习的一对多海林格距离决策树研究 Research Articles

董明刚1,2,刘明1,2,敬超1,2,3

《信息与电子工程前沿（英文）》 2022年第23卷第2期页码 278-290 doi: 10.1631/FITEE.2000417

摘要：由于传统机器学习方法对偏斜分布很敏感，且未考虑多类不平衡问题的特点，多类偏斜分布对机器学习算法来说是一个巨大挑战。为解决这一问题，提出一种新的基于一对多的海林格距离（OAHD）决策树分割准则。首先，将一对多思想集成到OAHD的海林格距离计算过程中，从而对海林格距离决策树进行扩展，使其能解决多类不平衡问题。其次，针对多类不平衡问题，考虑了不同类的分布和数量，设计了改进的基尼系数。最后，从基于进化学习的知识抽取（KEEL）和加州大学欧文分校（UCI）数据库中收集20个公开的真实不平衡数据集进行实验。实验结果表明，与其他5种常用决策树相比，OAHD在精度、F值，和多类别接收者操作特征曲线下面积（MAUC）上有显著优势。

关键词：决策树；多类不平衡学习；节点划分准则；海林格距离；一对多技术

HTML PDF 收藏

基于最大间隔的贝叶斯分类器 Article

Tao-cheng HU,Jin-hui YU

《信息与电子工程前沿（英文）》 2016年第17卷第10期页码 973-981 doi: 10.1631/FITEE.1601078

摘要：概要：多分类学习中经常需要考虑在泛化性能和计算开销间进行权衡。本文提出一个生成式概率多分类器，综合考虑了泛化性和学习/预测速率。

关键词：多类学习；最大间隔学习；在线算法

HTML PDF 收藏

边信道攻击和学习向量量化 Article

Ehsan SAEEDI, Yinan KONG, Md. Selim HOSSAIN

《信息与电子工程前沿（英文）》 2017年第18卷第4期页码 511-518 doi: 10.1631/FITEE.1500460

摘要：目前提出的多种边信道信息分析方法中，机器学习被认为是一种有前景的方法。基于神经网络的机器学习可获得指令标志（功耗与电磁辐射），并自动识别。本文对椭圆曲线加密（Elliptic curve cryptography, ECC）的现场可编程门阵列（field-programmable gate array, FPGA）实现展开了新的实验研究，探讨了基于学习向量量化LVQ作为多类分类器的主要特点是它具有学习复杂非线性输入-输出关系、使用顺序训练程序和适应数据的能力。实验结果表明基于LVQ的多类分类是边信道数据表征的强大且有前景的方法。

关键词：边信道攻击；椭圆曲线加密；多类分类；学习向量量化

HTML PDF 收藏

一适用于超多类手写汉字识别的新改型Adaboost算法

丁晓青,付强

《中国工程科学》 2009年第11卷第10期页码 19-24

摘要：

提出一种适用于超多类手写汉字识别的新改型Adaboost算法，采用基于描述性模型的多类分类器（modified quadratic discriminantfunction，MQDF）作为Adaboost基元分类器，可直接进行多类分类，无需将多类问题转化为多个两类问题处理，其训练复杂度大大低于已有的多类Adaboost算法。算法提出根据广义置信度更新样本权重，实验证明这种算法适用于大规模多类分类问题。

关键词：多类Adaboost算法手写汉字识别广义置信度改进的二次鉴别函数

HTML PDF 收藏

TIE算法：一种用于处理演化数据的聚类分层分类法生成技术上层算法 None

Rabia IRFAN, Sharifullah KHAN, Kashif RAJPOOT, Ali Mustafa QAMAR

《信息与电子工程前沿（英文）》 2018年第19卷第6期页码 763-782 doi: 10.1631/FITEE.1700517

摘要： TIE是一种现有聚类分层分类法生成技术的上层算法，它允许现有分类法增量地演进。在计算机领域的研究论文中对该算法进行了评估。

关键词：分类法；聚类算法；信息科学；知识管理；机器学习

HTML PDF 收藏

模糊中心聚类的模式识别学习方法

曾黄麟,袁慧,刘小芳

《中国工程科学》 2004年第6卷第11期页码 33-37

摘要：

基于一个约束条件下的非线性规划问题的优化计算思想，把模糊中心聚类中计算输入矢量与中心的距离来实现聚类作为一种优化计算问题，证明了模糊中心聚类方法，取一个适当的属函数，其聚类中心vi为模糊聚类中心价值函数的极小值，推导出了基于模糊中心聚类的模式识别的无导师递推学习方法，提出了模糊中心聚类模式分类神经网络结构，该网络可以实现并行数据处理和模式分类的软划分和硬划分。

关键词：模糊中心聚类模式识别神经网络

HTML PDF 收藏

输入饱和下多智能体系统最优一致性控制：一类非零和博弈方法 Research Article

李洪阳1,2,魏庆来1,2,3

《信息与电子工程前沿（英文）》 2022年第23卷第7期页码 1010-1019 doi: 10.1631/FITEE.2200010

摘要：本文针对输入饱和下的多智能体系统，提出一种最优一致性控制方法。引入多智能体博弈理论，将最优一致性控制问题转化为多智能体非零和博弈。提出脱策强化学习方法，在系统模型未知情况下获得Nash平衡解；引入评判神经网络和执行神经网络实现所提方法。理论分析显示迭代控制律收敛到Nash平衡。仿真实验验证了所提方法的有效性。

关键词：最优一致性控制；多智能体系统；非零和博弈；自适应动态规划；输入饱和；脱策强化学习；策略迭代

HTML PDF 收藏

人工智能新方向：类人、机器、仿生和量子智能 Comment

李伟钢,Liriam Michi ENAMOTO,Denise Leyi LI,Geraldo Pereira ROCHA FILHO

《信息与电子工程前沿（英文）》 2022年第23卷第6期页码 984-990 doi: 10.1631/FITEE.2100227

摘要：

本评论回顾1998年提出的“一次性学习”（once learning，OLM）机制，和随后出现的用于图像分类的“一瞥学习”（one-shot learning基于目前人工智能（AI）研究现状，提出将其划分为以下子学科：人工类人智能、人工机器智能、人工仿生智能和人工量子智能。这些被认为是AI研发的主要方向，并按以下分类标准区分：（1）以类人、机器、仿生或量子计算为本的AI研发;（2）升维或降维的信息输入;（3）小样本或大数据知识学习。

关键词：人工智能；机器学习；一次性学习；一瞥学习；量子计算

HTML PDF 收藏

基于两级层次特征学习的图像分类方法 Article

Guang-hui SONG,Xiao-gang JIN,Gen-lang CHEN,Yan NIE

《信息与电子工程前沿（英文）》 2016年第17卷第9期页码 897-906 doi: 10.1631/FITEE.1500346

摘要：本文提出了一种新颖、有效的基于深度卷积神经网络的两级层次特征学习框架。首先，不同层次的深度特征抽取器使用迁移学习方法进行训练。最后，基于Caltech-256、Oxford Flower-102和Tasmania Coral Point Count三个图像数据集的实验证明，通过两级层次特征学习的深度特征的表达能力十分强大，与传统的扁平多分类方法相比

关键词：迁移学习；特征学习；深度卷积神经网络；层次分类；谱聚类

HTML PDF 收藏

一种用于工业过程监测的鲁棒迁移字典学习算法 Article

阳春华, 梁慧平, 黄科科, 李勇刚, 桂卫华

《工程（英文）》 2021年第7卷第9期页码 1262-1273 doi: 10.1016/j.eng.2020.08.028

摘要：因此，当将从训练数据中学习的模型应用于实际的在线监测时，很难实现精确的过程监测。为了解决操作环境变化导致的历史训练数据和在线测试数据之间的分布差异问题，提出了一种鲁棒的迁移字典学习（RTDL）算法用于工业过程监测。RTDL是表示学习和域自适应迁移学习的协同方法。该方法将历史训练数据和在线测试数据分别作为迁移学习问题的源域和目标域。然后将最大均值差异正则化和线性判别分析正则化引入字典学习框架，可以减少源域和目标域之间的分布差异。这样，即使源域和目标域的特征在实际变化的操作环境的干扰下明显不同，仍可以学习鲁棒的字典。这样的字典可以有效地提高过程监测和模态识别的性能。通过数值仿真和两个工业系统的实验验证了该方法的有效性和优越性。

关键词：过程监测多模态过程字典学习迁移学习

HTML PDF 收藏

针对意外崩溃智能体的教练辅助多智能体强化学习框架 Research Article

赵鉴1,赵有朋1,王维埙2,阳明宇1,胡迅晗1,周文罡1,郝建业2,李厚强1

《信息与电子工程前沿（英文）》 2022年第23卷第7期页码 1032-1042 doi: 10.1631/FITEE.2100594

摘要：多智能体强化学习在实际场景中很难应用，一部分原因在于模拟环境和现实环境之间存在差距。本文中，我们给出了意外崩溃情况下合作多智能体强化学习系统的正式定义。为增强系统应对崩溃时的鲁棒性，提出教练辅助多智能体强化学习框架，其在训练过程中引入一个虚拟教练智能体，以调整系统的崩溃概率。据我们所知，这是研究多智能体系统中意外崩溃情况的首项工作。在网格环境和星际争霸微管理任务上的大量实验表明，相比固定崩溃概率和课程学习的教练策略，自适应策略更加有效。

关键词：多智能体系统；强化学习；意外崩溃智能体

HTML PDF 收藏

多智能体协作与博弈展望：挑战、技术和应用 Perspective

刘瑜1,李徵2,姜智卓2,何友1

《信息与电子工程前沿（英文）》 2022年第23卷第7期页码 1002-1009 doi: 10.1631/FITEE.2200055

摘要：近年来，多智能体系统在解决复杂环境中各种决策问题方面取得显著进步，并已实现与人类相似甚至更好的决策性能。本文从任务挑战、技术方向和应用领域3个角度简要回顾多智能体协作和博弈相关技术。首先回顾近期多智能体系统工作中的典型研究问题和挑战，然后进一步讨论关于多智能体协作和游戏任务的前沿研究方向，最后对多智能体协作与博弈的应用领域进行重点展望。

关键词：多智能体；博弈论；集体智能；强化学习；智能控制

HTML PDF 收藏

带有网络智能体的去中心化多智能体强化学习进展 Review Article

张凯清1,杨卓然2,Tamer BAŞAR1

《信息与电子工程前沿（英文）》 2021年第22卷第6期页码 802-814 doi: 10.1631/FITEE.1900661

摘要：多智能体强化学习长期以来一直是机器学习和控制领域的重要研究课题。最近在（单智能体）深度强化学习领域的进展重新唤醒了对多智能体强化学习的研究兴趣，尤其在理论分析方面。本文回顾这个大课题中的一个子领域：带有网络智能体的去中心化多智能体强化学习。

关键词：强化学习；多智能体系统；网络系统；一致性优化；分布式优化；博弈论

HTML PDF 收藏

基于专家示教聚类经验池的高效深度强化学习 Research Article

王士珉1,赵彬琦1,张政锋1,张军平1,浦剑2

《信息与电子工程前沿（英文）》 2023年第24卷第11期页码 1541-1556 doi: 10.1631/FITEE.2300084

摘要：作为强化学习领域最基本的主题之一，样本效率对于深度强化学习算法的部署至关重要。具体来说，首先在策略采样过程中使用聚类方法生成动作候选集，随后引入一个用于对内部层次结构建模的聚类缓冲区，它由同轨数据、异轨数据以及专家数据组成，用于评估探索阶段动作候选集中不同类别动作的价值。在6种不同的连续运动环境中进行了实验，结果表明选择性采样方法具有卓越的强化学习性能和更快的收敛速度。特别地，在LGSVL任务中，该方法可以减少46.7%的收敛步数和28.5%的收敛时间。

关键词：强化学习；采样效率；采样过程；聚类方法；自动驾驶

HTML PDF 收藏

基于多智能体强化学习的车载自组织网络协作信道分配 Research Articles

王云鹏,郑坤贤,田大新,段续庭,周建山

《信息与电子工程前沿（英文）》 2020年第21卷第7期页码 1047-1058 doi: 10.1631/FITEE.1900308

摘要：为解决该问题，提出一种基于多智能体强化学习（RL）的协作动态信道分配（RL-CDCA）机制。具体而言，每个车辆节点都可借助2个互相协作的RL模型，从实时信道状态信息中成功学习信道选择和信道接入自适应退避的正确策略。多智能体RL-CDCA驱动节点共享本地奖励并合并区域内其他节点各自的奖励，以便它们能够以分布式协作方式优化各自策略。仿真结果表明，与4种现有机制相比，所提多智能体RL-CDCA算法即便在路网车辆高度密集的情况下仍能将单跳数据包传输延迟减少不小于73.73％，将平均数据包递送成功率提高不小于12.66％，并更好地保证网络资源分配公平性

关键词：车载自组织网络；强化学习；动态信道分配；多信道