在许多实际的数据挖掘应用程序中,例如文本分类,可以轻松获得未加标签的训练示例,但获得加标签的训练示例则相当昂贵。 因此,半监督学习算法引起了数据挖掘和机器学习领域的极大兴趣。 近年来,基于图的半监督学习已成为半监督学习社区中最活跃的研究领域之一。 本文提出了一种基于线性邻域模型的新颖的基于图的半监督学习方法,该方法假设每个数据点都可以从其邻域进行线性重构。 我们的算法称为线性邻域传播(LNP),可以使用这些线性邻域以足够的平滑度将标签从标记点传播到整个数据集。 本文对LNP的性质进行了理论分析。 此外,我们还导出了一种简单的方法来将LNP扩展到样本外数据。 对于合成数据,数字和文本分类任务,提出了有希望的实验结果。
2022-08-01 16:46:33 3.37MB data mining;graph theory;learning (artificial
1
在一个移动机器人的路径规划问题中,目标是找到一个最优的碰撞自由路径 将源代码发送到单个或多个目标。基于领域知识的遗传算法已被提出解决有单个和多个独立目标的路径规划问题。四个新的基于域知识的运算符,即“电路去除操作符”、“插入-删除操作符”、本文中引入了“细化算子”和“目标对齐算子”。其中四个操作符,前三个被用于具有单一目标的路径规划问题,而所有这四个算子已被用于具有多个独立目标的路径规划问题。所提出的方法已被部署在几个不同大小的模拟环境中。从实验结果表明,基于领域知识的算子增强了计算性能传统遗传算法的能力。我们提出的移动机器人的路径规划方法单一目标的问题优于先前提出的基于进化算法方法。
2022-06-11 09:09:39 4.54MB 遗传算法 路径规划 邻域知识
为了提高蚁群算法的路径寻优效果和搜索效率,提出一种改进的蚁群算法,用于移动机器人在栅格环境下的路径规划. 在标准蚁群算法中,蚂蚁的搜索方式一般是4方向4邻域或者8方向8邻域,在此基础上提出一种16方向24邻域的蚂蚁搜索方式,给出蚂蚁的移动规则;针对启发信息,结合向量夹角的思想设计2种启发信息的计算方法,通过实验分析两种计算方法的使用特点;在转移概率部分引入转移概率控制参数,通过调整转移概率控 制参数可以调控算法的搜索范围. 最后,在不同规模的栅格地图环境下,通过实验仿真验证所提算法的有效性.
代码 改进非支配邻域免疫算法目标优化代码.rar
2022-06-10 15:01:07 9KB 互联网
代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码代码 改进非支配邻域免疫算法目标优化代码
作业车间调度的空闲时间邻域搜索遗传算法.docx
2022-05-29 19:06:30 2.87MB 文档资料
广义邻域搜索算法及其统一结构.ppt
2022-05-26 14:06:54 419KB 文档资料
变邻域搜索算法matlab代码点云(PC)地貌粗糙度和地形趋势 此代码的算法描述如下:北宾厄姆,北布哈根,约翰逊,俄亥俄州和查德威克(正在审查):使用激光雷达点云数据评估人为侵蚀和植被丧失覆盖对比的岩性 使用代码时,请引用上述论文。 点云(PC)地貌粗糙度和地形趋势 使用坡度消除趋势点云(PC)数据,并从PC计算地形粗糙度和曲率。 该代码从LAS / LAZ文件中读取地面分类的PC,并在PC上计算几个与地貌相关的指标。 输入文件可以来自激光雷达或运动结构(SfM)PC,但应进行地面分类(有关如何对数据进行地面分类的说明,请参见)。 该算法允许定义半径,该半径用于拟合通过点云的线性平面以使数据去趋势(即,将平均高度为0的点云归一化)。 这些数据用于计算与平均值(粗糙度)的偏差,并识别小溪,阿罗约斯河,切开的峡谷和其他形式的侵蚀过程。 通过改变平面的半径,可以对景观的多个比例进行分析(类似于地形起伏半径的变化)。 该算法以用户定义的间距(例如1m)从PC中选择种子点,并针对具有给定半径的每个种子点计算统计信息。 输出包括一组shapefile和geotiff,它们显示给定半径内PC的统计信
2022-05-12 17:48:21 376MB 系统开源
1
调整后的锚定邻域回归(A +)方法是用于单幅图像超分辨率的最新方法之一。 A +方法的一个重要的隐含假设是,与相似的低分辨率(LR)图像块相对应的高分辨率(HR)图像块也必须相似。 因此,HR补丁空间和LR补丁空间中的邻域回归可以共享相同的代表系数。 但是,由于超分辨率问题的不适性,该假设通常是无效的,并且非相似的HR样本色块通常共享较大的代表系数。 为了解决这个问题,我们建议通过将高分辨率的基于相似度的调整权重引入HR表示系数来改进A +方法,以减少这些非相似HR样本补丁的影响。 在超分辨率处理之前,这些调整权重以低的计算成本被合并到投影矩阵中。 数值结果表明,该方法能够以较低的计算成本有效地提高A +方法的性能。
1