Advertisement

一种优化后的Tri-training算法。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文提出了一种崭新的Tri-training算法，由胡汇涓和王雪松共同研发。该算法旨在克服传统Tri-training算法存在的关键问题，即采用三个完全相同的分类器时，会导致分类精度的不足以及泛化性能的欠佳。为了解决这些限制，本文巧妙地引入了三个各自不同的分类器，并充分发挥了不同分类器之间相互作用的优势。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 改良版的Tri-training算法
    优质
    本研究提出了一种改良版的Tri-training算法，通过优化模型选择和数据标签分配机制，显著提升了半监督学习中的分类准确率与效率。 本段落提出了一种改进的Tri-training算法，由胡汇涓和王雪松共同研究完成。该方法针对传统Tri-training算法中存在的问题——即使用三个相同的分类器导致分类精度低、泛化能力弱的问题，采用三种不同的分类器进行优化处理。通过利用不同分类器之间的差异性来提高整体性能。
     
  • 2022年的一种新型群智能优化算法——斑马优化算法
    优质
    简介：本文介绍了一种创新的群智能优化算法——斑马优化算法。该算法于2022年提出，通过模拟斑马群体行为，有效解决复杂优化问题，在多个测试函数中表现出优越性能。 一种新兴的群智能优化算法是斑马优化算法（2022）。
     
  • 一种优化的最佳缝合线算法
    优质
    本研究提出了一种优化的最佳缝合线算法，旨在提高图像拼接质量和效率。通过精确控制缝合过程中的像素对齐和色彩校正，有效减少可见接缝，适用于高分辨率图像处理与虚拟现实场景构建。 当待拼接的源图像之间存在较大色彩差异时，最佳缝合线算法生成的输出图像会出现明显的接缝，影响整体质量。为解决这一问题，本段落引入了多频段融合算法，并提出了一种改进的最佳缝合线方法。该算法采用多尺度分解技术，在不同尺度空间中对图像进行扩展并应用不同的权重来进行图像融合，最终重构出高质量的拼接结果。同时建立了主客观评价体系以验证新算法的有效性。实验结果显示，相较于传统最佳缝合线算法，本段落提出的改进算法在消除接缝方面表现更佳，并显著提升了输出图像的质量。
     
  • 一种自适应蚁群优化算法
    优质
    本研究提出了一种新颖的自适应蚁群优化算法，通过动态调整参数和引入自适应机制来提高算法解决复杂问题的能力。 一种快速收敛的蚁群改进算法通过调整各种参数大大加快了运行速度。
     
  • Self-Tri-training with BP ELM_Half-Supervised_Limit Learning Machine_Supervised Learning_Neural Network
    优质
    本研究提出了一种结合自训练、BP-ELM和半监督学习方法的新型限幅学习机，用于提升神经网络分类性能。 基于极限学习机和BP神经网络的半监督分类算法结合了两种机器学习方法的优势，能够在标签数据有限的情况下实现高效准确的数据分类。这种方法通过利用大量的无标记样本与少量的有标记样本相结合的方式，提高了模型的学习能力和泛化性能，在实际应用中展示了良好的效果。
     
  • TSA：针对连续优化的树种子算法：一种新的优化工具- MATLAB开发
    优质
    TSA是一种新颖的优化算法，专为解决复杂问题中的连续变量优化设计。基于MATLAB平台实现，它模仿自然界的种子生长过程来搜索最优解。 Tree-Seed Algorithm (TSA) 是一种最近提出的基于群体的启发式搜索算法，专门用于解决连续优化问题。在 TSA 中，树与种子分别代表了可能的问题解决方案。树木种群被称为林分，而林分中的树木数量则被视为 TSA 的一个控制参数，在其他群体智能或进化计算算法中通常称为种群大小。TSA 还有两个特殊的控制参数：一个是搜索趋势（Search Trend, ST），另一个是每棵树产生的种子数（Number of Seeds per Tree, NS）。
     
  • Aquila Optimizer：一种新的元启发式优化算法：Aquila Optimizer (AO)：用于解决优化问题的一种...
    优质
    Aquila Optimizer（AO）是一种创新的元启发式算法，专为高效解决复杂优化问题设计。该方法从自然界中汲取灵感，通过模拟猎鹰狩猎策略实现全局搜索与局部探测的平衡，适用于各类工程和科学难题。 Aquila Optimizer (AO) 是一种新颖的基于种群的优化方法，灵感源自于 Aquila 在捕捉猎物过程中的自然行为。主要参考文献为：Abualigah, L., Yousri, D., Elaziz, MA, Ewees, AA, Al-qaness, MA 和 Gandomi 的论文《Aquila 优化器：一种新颖的元启发式优化算法》，发表于计算机与工业工程期刊(2021)，DOI: 10.1016/j.cie.2021.107250。
     
  • 一种新型的优化GA-Elman神经网络算法
    优质
    本研究提出了一种改进的GA-Elman神经网络算法，结合遗传算法与Elman网络优势，旨在提高复杂时间序列预测模型的性能和稳定性。 Elman神经网络因其出色的动态特性和强大的全局稳定性，在处理非线性、动态及复杂数据方面被广泛应用。然而，作为反向传播（BP）神经网络的改进版本，Elman模型不可避免地会继承一些固有的缺陷，这可能会影响识别精度和操作效率。尽管已经提出了多种方法来解决这些问题，但在存储空间、算法效率以及识别精度等特征之间找到平衡点仍然极具挑战性，并且很难从临时解决方案中获得持久性的优化效果。 为了解决上述问题，可以将遗传算法（GA）引入Elman模型以优化连接权重和阈值。这不仅可以防止神经网络陷入局部最优解，还能提高训练速度与成功率。同时，也可以利用遗传算法来调整隐藏层结构，解决确定最佳神经元数量的难题。以往的研究大多倾向于单独优化连接权重或网络架构，这种做法略显不足。 我们在此提出了一种新的GA-Elman神经网络优化方法，在该方法中采用实数编码形式处理连接权重，并将隐藏层也以实数方式表示，但引入了二进制控制基因来增加灵活性。通过这种方式，我们的新算法能够同时利用混合编码和进化策略对连接权重及隐藏单元数量进行协同优化，从而显著提升整体性能。 实验结果显示，在所有计算指标上，该新型GA-Elman算法均表现出优越性。
     
  • 一种蜉蝣优化算法：Mayfly Algorithm用于全局优化-matlab开发
    优质
    该文介绍了Mayfly Algorithm（蜉蝣算法），一种新颖的全局优化方法。通过模拟蜉蝣的行为特征，此算法在解决复杂优化问题上展现出高效性与广泛适用性，并提供了Matlab实现代码以供研究者使用和改进。 这个简化的 Matlab 演示代码展示了如何使用 Mayfly 算法来解决全局优化问题。
     
  • 优化后的VB排序代码（包含7种经典算法）
    优质
    本文章提供七种经典的数组排序算法，并给出经过优化的Visual Basic实现代码，帮助开发者提升程序性能。 VB排序代码——7种经典排序算法已优化，可以记录各种排序的时间及循环次数。