多目标学习与优化理论及应用
发布时间：2021-02-18 08:57
随着互联网技术和信息技术的发展,机器学习技术在健康医疗,公共交通,在线购物,国家安全等方面都有着广泛的应用。近年来,学者们指出大部分机器学习问题拥有多个目标。例如,在监督分类中,既希望分类模型在训练集上的误差最小又希望模型具有好的泛化性能。传统机器学习技术通常将若干个目标加权聚合成一个目标函数,会面临如何设计合适的正则项和如何选择合适的正则参数的问题。进化多目标优化不需要提前确定正则化参数,旨在获得一组非支配解。通过分析这些解,能够从问题中提取知识然后做出决策,从而选出最终的满意解。此外,机器学习技术也可以用来增强多目标进化算法。受多任务学习启发的多任务优化技术旨在利用相关任务的关联信息来同时求解多个任务。本博士论文主要从优化和学习两个维度对进化多目标理论和应用展开研究。一方面,将机器学习中的自步学习问题建模成多目标优化问题,并利用多目标粒子群优化算法进行求解。另一方面,建立了一个进化多任务框架,利用一个种群来同时优化多个稀疏重建任务。主要研究内容包括以下几个部分:（1）自步学习在训练的过程中会先学习简单的样本,然后再将复杂的样本添加到训练过程中。它使用一个权重向量来度量样本的难易程度...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：160 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景与意义
1.2 基于进化多目标优化的机器学习研究进展和现状
1.2.1 进化多目标机器学习的国内外研究情况
1.2.2 自步学习的国内外研究情况
1.3 基于机器学习的多目标优化研究进展和现状
1.3.1 基于学习的多目标优化的国内外研究情况
1.3.2 进化多任务优化的国内外研究情况
1.4 论文的组织结构
第二章 基于分解多目标优化的自步学习算法
2.1 相关背景
2.1.1 基于分解的进化多目标优化
2.1.2 自步学习的正则化理论
2.2 基于分解多目标优化的自步学习算法
2.2.1 多目标模型
2.2.2 基于步长序列的分解
2.2.3 多目标粒子群优化
2.3 实验对比研究
2.4 本章总结
第三章 基于改进正则的自步学习算法
3.1 对数软权重和混合权重方法的相关推导
3.2 多项式软权重自步正则
3.3 理论证明
3.3.1 多项式自步函数满足自步函数定义的三个条件
3.3.2 自步学习在多项式自步函数下的鲁棒性说明
3.4 实验对比研究
3.4.1 动作识别数据集实验
3.4.2 事件检测数据集实验
3.5 本章总结
第四章 基于自步学习的遥感图像变化检测算法
4.1 基于自步学习的遥感图像变化检测方法
4.2 基于自步学习的支持向量机相关推导
4.3 基于自步学习的人工神经网络相关推导
4.4 实验对比研究
4.5 本章总结
第五章 基于多任务学习启发的多目标稀疏优化算法
5.1 相关背景
5.1.1 多任务学习，多任务优化与多目标优化
5.1.2 多任务环境下的多目标优化
5.2 基于多任务优化的多目标稀疏优化算法
5.2.1 多任务稀疏重建模型
5.2.2 表示和初始化
5.2.3 任务内和任务间的遗传迁移
5.2.4 个体评价
5.3 实验对比研究
5.4 本章总结
第六章 基于多任务优化的多目标高光谱解混算法
6.1 相关背景
6.1.1 混合光谱模型
6.1.2 稀疏解混模型
6.2 基于多任务优化的多目标高光谱解混算法
6.2.1 多目标高光谱解混模型
6.2.2 多任务环境下的多目标稀疏解混
6.3 实验对比研究
6.3.1 模拟数据集实验
6.3.2 标准数据集实验
6.4 本章总结
第七章 总结与展望
7.1 论文工作总结
7.2 未来研究展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于自步学习的加权稀疏表示人脸识别方法[J]. 王学军,王文剑,曹飞龙. 计算机应用. 2017(11)
[2]分布估计算法研究进展[J]. 王圣尧,王凌,方晨,许烨. 控制与决策. 2012(07)
[3]利用约束非负矩阵分解的高光谱解混算法[J]. 赵春晖,成宝芝,杨伟超. 哈尔滨工程大学学报. 2012(03)
[4]离散粒子群优化算法研究综述[J]. 郭文忠,陈国龙,陈振. 福州大学学报(自然科学版). 2011(05)
[5]高光谱遥感图像光谱解混的独立成分分析技术[J]. 罗文斐,钟亮,张兵,高连如. 光谱学与光谱分析. 2010(06)
[6]基于多目标聚类的用电集群特征属性计算[J]. 刘友波,刘俊勇,赵岩,李磊,胥威汀,姚珺玉,侯贺飞. 电力系统自动化. 2009(19)
[7]基于多目标规划和支持向量机的企业信用评估模型[J]. 张目,周宗放. 中国软科学. 2009(04)
[8]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍. 软件学报. 2009(02)
[9]分布估计算法综述[J]. 周树德,孙增圻. 自动化学报. 2007(02)
博士论文
[1]基于分解的多目标进化算法研究[D]. 代才.西安电子科技大学 2014
硕士论文
[1]改进的多目标分布式估计算法在水火电系统负荷分配的应用[D]. 许霞.西安电子科技大学 2013
本文编号：3039340
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：160 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景与意义
1.2 基于进化多目标优化的机器学习研究进展和现状
1.2.1 进化多目标机器学习的国内外研究情况
1.2.2 自步学习的国内外研究情况
1.3 基于机器学习的多目标优化研究进展和现状
1.3.1 基于学习的多目标优化的国内外研究情况
1.3.2 进化多任务优化的国内外研究情况
1.4 论文的组织结构
第二章 基于分解多目标优化的自步学习算法
2.1 相关背景
2.1.1 基于分解的进化多目标优化
2.1.2 自步学习的正则化理论
2.2 基于分解多目标优化的自步学习算法
2.2.1 多目标模型
2.2.2 基于步长序列的分解
2.2.3 多目标粒子群优化
2.3 实验对比研究
2.4 本章总结
第三章 基于改进正则的自步学习算法
3.1 对数软权重和混合权重方法的相关推导
3.2 多项式软权重自步正则
3.3 理论证明
3.3.1 多项式自步函数满足自步函数定义的三个条件
3.3.2 自步学习在多项式自步函数下的鲁棒性说明
3.4 实验对比研究
3.4.1 动作识别数据集实验
3.4.2 事件检测数据集实验
3.5 本章总结
第四章 基于自步学习的遥感图像变化检测算法
4.1 基于自步学习的遥感图像变化检测方法
4.2 基于自步学习的支持向量机相关推导
4.3 基于自步学习的人工神经网络相关推导
4.4 实验对比研究
4.5 本章总结
第五章 基于多任务学习启发的多目标稀疏优化算法
5.1 相关背景
5.1.1 多任务学习，多任务优化与多目标优化
5.1.2 多任务环境下的多目标优化
5.2 基于多任务优化的多目标稀疏优化算法
5.2.1 多任务稀疏重建模型
5.2.2 表示和初始化
5.2.3 任务内和任务间的遗传迁移
5.2.4 个体评价
5.3 实验对比研究
5.4 本章总结
第六章 基于多任务优化的多目标高光谱解混算法
6.1 相关背景
6.1.1 混合光谱模型
6.1.2 稀疏解混模型
6.2 基于多任务优化的多目标高光谱解混算法
6.2.1 多目标高光谱解混模型
6.2.2 多任务环境下的多目标稀疏解混
6.3 实验对比研究
6.3.1 模拟数据集实验
6.3.2 标准数据集实验
6.4 本章总结
第七章 总结与展望
7.1 论文工作总结
7.2 未来研究展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于自步学习的加权稀疏表示人脸识别方法[J]. 王学军,王文剑,曹飞龙. 计算机应用. 2017(11)
[2]分布估计算法研究进展[J]. 王圣尧,王凌,方晨,许烨. 控制与决策. 2012(07)
[3]利用约束非负矩阵分解的高光谱解混算法[J]. 赵春晖,成宝芝,杨伟超. 哈尔滨工程大学学报. 2012(03)
[4]离散粒子群优化算法研究综述[J]. 郭文忠,陈国龙,陈振. 福州大学学报(自然科学版). 2011(05)
[5]高光谱遥感图像光谱解混的独立成分分析技术[J]. 罗文斐,钟亮,张兵,高连如. 光谱学与光谱分析. 2010(06)
[6]基于多目标聚类的用电集群特征属性计算[J]. 刘友波,刘俊勇,赵岩,李磊,胥威汀,姚珺玉,侯贺飞. 电力系统自动化. 2009(19)
[7]基于多目标规划和支持向量机的企业信用评估模型[J]. 张目,周宗放. 中国软科学. 2009(04)
[8]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍. 软件学报. 2009(02)
[9]分布估计算法综述[J]. 周树德,孙增圻. 自动化学报. 2007(02)
博士论文
[1]基于分解的多目标进化算法研究[D]. 代才.西安电子科技大学 2014
硕士论文
[1]改进的多目标分布式估计算法在水火电系统负荷分配的应用[D]. 许霞.西安电子科技大学 2013
本文编号：3039340
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3039340.html
