集成學(xué)習(xí)與機(jī)場(chǎng)噪聲的研究2013/1/28學(xué)術(shù)報(bào)告之楊婷婷主要內(nèi)容1集成學(xué)習(xí)3機(jī)場(chǎng)噪聲集成學(xué)習(xí)

文獻(xiàn)綜述集成學(xué)習(xí)中若干關(guān)鍵問題的研究選擇性集成學(xué)習(xí)算法綜述集成學(xué)習(xí)有關(guān)算法的研究圖1集成學(xué)習(xí)的出發(fā)點(diǎn)所謂泛化能力〔generalization〕，是指機(jī)器學(xué)習(xí)算法對(duì)新鮮樣本的適應(yīng)能力。學(xué)習(xí)的目的是找出隱含在數(shù)據(jù)背后的規(guī)律，較強(qiáng)泛化能力的系統(tǒng)能對(duì)新輸入給出合理的響應(yīng)。

集成學(xué)習(xí)基本知識(shí)

集成學(xué)習(xí)的概念

集成學(xué)習(xí)是機(jī)器學(xué)習(xí)的

的一個(gè)熱門方向。集成學(xué)習(xí)顯著地提高一個(gè)學(xué)習(xí)系統(tǒng)的泛化能力。集成學(xué)習(xí)的關(guān)鍵點(diǎn)

集成學(xué)習(xí)機(jī)的構(gòu)建：

1.基學(xué)習(xí)機(jī)的生成2.基學(xué)習(xí)機(jī)的合并

提高泛化能力的兩個(gè)關(guān)鍵

1.基學(xué)習(xí)器具有較高的精度2.各基學(xué)習(xí)器具有較高的差

異度集成學(xué)習(xí)基本知識(shí)集成學(xué)習(xí)的

分類

異態(tài)集成學(xué)習(xí)：用不同

的分類器進(jìn)行集成。

同類集成學(xué)習(xí)：用相同

的分類器進(jìn)行集成。集成學(xué)習(xí)基本知識(shí)【用多個(gè)學(xué)習(xí)器覆蓋樣本空間】集成學(xué)習(xí)有關(guān)算法集成學(xué)習(xí)基本知識(shí)Bagging算法從大小為n的原始數(shù)據(jù)集D中獨(dú)立隨機(jī)地抽取n’個(gè)數(shù)據(jù)(n’<=n)，形成一個(gè)自助數(shù)據(jù)集；重復(fù)上述過程，產(chǎn)生出多個(gè)獨(dú)立的自助數(shù)據(jù)集；利用每個(gè)自助數(shù)據(jù)集訓(xùn)練出一個(gè)“分量分類器〞；最終的分類結(jié)果由這些“分量分類器〞各自的判別結(jié)果投票決定根本思想：對(duì)訓(xùn)練集有放回地抽取訓(xùn)練樣例，從而為每一個(gè)根本分類器都構(gòu)造出一個(gè)跟訓(xùn)練集相當(dāng)大小但各不相同的訓(xùn)練集，從而訓(xùn)練出不同的根本分類器；該算法是基于對(duì)訓(xùn)練集進(jìn)行處理的集成方法中最簡(jiǎn)單、最直觀的一種。集成學(xué)習(xí)有關(guān)算法集成學(xué)習(xí)基本知識(shí)Boosting算法Boosting算法：首先給每一個(gè)訓(xùn)練樣例賦予相同的權(quán)重，然后訓(xùn)練第一個(gè)根本分類器并用它來對(duì)訓(xùn)練集進(jìn)行測(cè)試，對(duì)于那些分類錯(cuò)誤的測(cè)試樣例提高其權(quán)重〔實(shí)際算法中是降低分類正確的樣例的權(quán)重〕，然后用調(diào)整后的帶權(quán)訓(xùn)練集訓(xùn)練第二個(gè)根本分類器，然后重復(fù)這個(gè)過程直到最后得到一個(gè)足夠好的學(xué)習(xí)器。Boosting算法集成學(xué)習(xí)基礎(chǔ)知識(shí)原始樣本集分量分類器組合分類器選擇性集成算法集成學(xué)習(xí)應(yīng)用實(shí)例生物特征識(shí)別：選擇性集成的一個(gè)應(yīng)用BillGates:以人類生物特征進(jìn)行身份驗(yàn)證的生物識(shí)別技術(shù)，在今后數(shù)年內(nèi)將成為IT產(chǎn)業(yè)最為重要的技術(shù)革命自動(dòng)人臉識(shí)別系統(tǒng)一個(gè)自動(dòng)人臉識(shí)別系統(tǒng)至少要包含三個(gè)局部，即數(shù)據(jù)采集子系統(tǒng)、人臉檢測(cè)子系統(tǒng)和人臉識(shí)別子系統(tǒng)。數(shù)據(jù)采集子系統(tǒng)人臉識(shí)別子系統(tǒng)人臉檢測(cè)子系統(tǒng)自動(dòng)人臉識(shí)別系統(tǒng)識(shí)別結(jié)果：Heis…!集成學(xué)習(xí)應(yīng)用實(shí)例集成學(xué)習(xí)應(yīng)用實(shí)例目前的人臉識(shí)別最常用的方法有本征臉和本征特征兩種方法。本征臉是用PCA分析臉的全局本征向量來進(jìn)行進(jìn)行人臉識(shí)別的。如果將本征向量恢復(fù)成圖像，這些圖像很像人臉，因此稱為“本征臉〞而本征特征法就是一種臉部的局部特征來進(jìn)行圖像識(shí)別的方法。利用PCA分析眼、鼻、嘴等本征向量，二者兼有優(yōu)勢(shì)。自動(dòng)人臉識(shí)別系統(tǒng)集成學(xué)習(xí)應(yīng)用實(shí)例(2)(1)(3)(4)將二者結(jié)合，可以得到更好的識(shí)別效果同樣，這實(shí)際上相當(dāng)于：為假設(shè)干重要的特征建立本征空間，然后將多個(gè)本征空間利用集成學(xué)習(xí)的方法綜合起來，效果更好。由于嘴部受表情影響很嚴(yán)重，因此未考慮嘴部特征將人臉圖像中所有的矩形區(qū)域都看做一個(gè)可能的特征，這樣，在每一個(gè)矩形區(qū)域都建立一個(gè)本征空間，最后將重要的本征空間集成起來圖像中包含的矩形區(qū)域的數(shù)量是非常巨大的〔例如一幅34×31的圖像包含的矩形區(qū)域就多達(dá)295,120個(gè)〕，不可能使用所有的本征空間組成集成，但可以運(yùn)用選擇性集成思想，從中選擇出局部本征空間組成集成。其原那么是本征空間誤差較小，差異性較大。1文獻(xiàn)綜述機(jī)場(chǎng)噪聲一種BP神經(jīng)網(wǎng)絡(luò)噪聲預(yù)測(cè)模型機(jī)場(chǎng)噪聲

傳統(tǒng)噪聲預(yù)測(cè)方法

BP神經(jīng)網(wǎng)絡(luò)法BP神經(jīng)網(wǎng)絡(luò)具有很好的函數(shù)逼近能力，通過機(jī)場(chǎng)噪聲歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，擬合飛機(jī)噪聲在該機(jī)場(chǎng)特定環(huán)境下的飛機(jī)噪聲傳播模型，從而建立該機(jī)場(chǎng)特定環(huán)境下的機(jī)場(chǎng)噪聲預(yù)測(cè)模型。機(jī)場(chǎng)噪聲機(jī)場(chǎng)噪聲相對(duì)于傳統(tǒng)的以NPD曲線為核心的機(jī)場(chǎng)噪聲預(yù)測(cè)模型，該模型由實(shí)際的機(jī)場(chǎng)歷史噪聲監(jiān)測(cè)數(shù)據(jù)擬合建立，因此不會(huì)產(chǎn)生由于修正模型不精確導(dǎo)致的預(yù)測(cè)誤差。實(shí)驗(yàn)