导读:本文包含了增量学习论文开题报告文献综述、选题提纲参考文献，主要关键词:增量,算法,在线,流形,目标,空间,最小化。
增量学习论文文献综述写法
赵中堂,郑小东[1]（2019）在《特征增量极限学习机》一文中研究指出在机器学习的不同应用领域,出现了很多优秀的极限学习机分类模型。研究者往往愿意公开这些模型的结构以及参数,但不愿公开原始训练数据。针对如何仅利用现有的模型和少量具有新特征的样本得到一个更高效的识别模型的问题,提出一种特征增量极限学习机算法。该算法能从具有新特征的样本中学习知识,提高现有模型的识别精度。在真实世界图像和叁轴加速度传感器数据集上的测试结果表明,该算法能有效地工作,在不需要以往训练样本参与的情况下,能一定程度上提高已有模型的识别精度,得到新的识别模型。(本文来源于《计算机科学》期刊2019年S2期）
张宁,陈嘉杰,伍伟,沈霁,袁杰[2]（2019）在《基于增量学习的高光谱图像目标检测》一文中研究指出高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。(本文来源于《上海航天》期刊2019年05期）
李德宜,曾弦,周勇[3]（2019）在《基于子空间距离的局部切空间增量学习》一文中研究指出提出一种基于子空间距离的局部切空间增量学习方法ISLTSA。首先采用基于划分的简化局部切空间排列算法SLTSA,把初始样本集划分为彼此重迭的多个局部最大线性片;然后引入向量到子空间的距离测度描述新数据点与局部最大线性片的接近程度,并将新数据点归入距离其最近的局部最大线性片中;最后,新数据点的全局低维坐标可由局部线性子空间与全局低维流形的仿射变换计算得出。对多个经典数据集的降维结果表明,ISLTSA算法能够保留数据集的局部几何性质,是一种有效的非线性增量学习方法。(本文来源于《武汉科技大学学报》期刊2019年05期）
周晓剑,侯蓉[4]（2019）在《面向大数据的增量式RBF学习算法》一文中研究指出"大数据"背景下,如何处理庞大数据成为众多企业关注的热点。文章提出了一种新的在线处理大数据的方法,利用数学中的分块矩阵定理对径向基函数进行处理,从在线处理大数据的角度思考,利用增量学习算法原理推导出径向基函数(RBF)增量学习算法模型,为大数据的增量算法提供一种新思路,并利用实际算例加以检验。实验表明,相对于传统的一次性建模的方法,所提出的增量式RBF算法能在保证不影响建模精度的前提下明显地缩短处理大数据的时间。(本文来源于《统计与决策》期刊2019年18期）
李万益,张菲菲,陈勇昌,陈强[5]（2019）在《基于双学习映射增量降维模型的人体运动形态估计》一文中研究指出如何从二维的人体运动形态图像序列估计出叁维的人体运动形态是一个热门的研究课题。这个项技术的实现需要建立复杂模型,设计复杂的训练算法,并且需要大量的人体运动形态样本进行训练。然而,利用目前的一些复杂模型和算法,估计叁维人体运动形态会耗费很多时间,并且估计效果也不好。因此,要想得到更准确的估计结果还是比较困难的。对于这样的一个研究问题,提出基于双学习映射增量降维模型来实现叁维人体运动形态估计,该模型可以从单视角的二维图像较好的估计出叁维人体运动形态,缩短估计算法运行时间,并得到更准确的估计结果。(本文来源于《科学技术与工程》期刊2019年24期）
霍颖翔,滕少华[6]（2019）在《语音共振峰包络的增量频移字典学习方法》一文中研究指出数字语音在当今应用非常广泛,大量的语音流产生了巨大的网络带宽和服务器存储空间的消耗.因此,在保持听觉效果基本不受影响的前提下,对语音进行有损压缩,降低其比特率是非常重要的.针对压缩语音的共振峰包络提出了一种新颖的在线字典学习方法.不同于一般的线性方法,该方法通过对字典中的原子进行频移,使其能更好地进行共振峰拟合.通过使用希尔伯特变换,能快速并精确地确定最优频移量.实验结果表明,在还原近似度下限为99.5%的前提下,经过该方法压缩后,比特数比原包络平均减少了99%.因此,该方法能适用于对传输带宽或存储空间有严格要求的场合,同时保证解压后的语音听觉比较自然.(本文来源于《江西师范大学学报(自然科学版)》期刊2019年04期）
胡艳明,李德才,何玉庆,韩建达[7]（2019）在《基于增量式RBF网络的Q学习算法》一文中研究指出为提升机器人的行为智能水平,提出一种基于增量式径向基函数网络(IRBFN)的Q学习(IRBFN-QL)算法.其核心是通过结构的自适应增长与参数的在线学习,实现对Q值函数的学习与存储,从而使机器人可以在未知环境中自主增量式地学习行为策略.首先,采用近似线性独立(ALD)准则在线增加网络节点,使机器人的记忆容量伴随状态空间的拓展自适应增长.同时,节点的增加意味着网络拓扑内部连接的改变.采用核递归最小二乘(KRLS)算法更新网络拓扑连接关系及参数,使机器人不断扩展与优化自身的行为策略.此外,为避免过拟合问题,将L2正则项融合到KRLS算法中,得到L2约束下的核递归最小二乘算法(L2KRLS).实验结果表明,IRBFN-QL算法能够实现机器人与未知环境的自主交互,并逐步提高移动机器人在走廊环境中的导航行为能力.(本文来源于《机器人》期刊2019年05期）
吴迪,曹培智,张国英,焦兴强[8]（2019）在《基于增量型极限学习机的材料力学性能预测》一文中研究指出高Co-Ni二次硬化钢是一种多元系合金,其力学性能受材料成分及热处理工艺等条件影响。传统的数学模型很难对材料力学性能进行预测。采用增量型极限学习机(I-ELM)建立高Co-Ni二次硬化钢材料模型,根据模型预测的结果研究微量元素Co和时效温度对高Co-Ni二次硬化钢材料力学性能的影响,并且在多项性能指标方面对高Co-Ni二次硬化钢数据的I-ELM模型与BP神经网络模型进行比较。实验结果表明,在对较少样本数据的模型训练时,高Co-Ni二次硬化钢的I-ELM模型预测结果与实验数据基本吻合,I-ELM模型的拟合精度和训练速度均优于BP神经网络模型,为今后高Co-Ni二次硬化钢的材料研究提供参考。(本文来源于《沈阳师范大学学报(自然科学版)》期刊2019年03期）
廖星宇[9]（2019）在《基于无监督增量学习的跨域行人重识别》一文中研究指出行人重识别(Person Re-ID)是一个应用范围非常广的任务,目前很多方法已经在单域上实现了非常大的性能提升。然而,将一个模型适应到一个没有标签的新域上仍然非常困难。这是因为两个域采集数据的摄像头通常是不同的,最后会导致数据的分布也会出现差异,目前这是行人重识别推向实际应用的一个主要障碍。为了解决这个问题,很多研究者尝试了不同的办法,比如学习一个从源域到目标域的不变映射或者利用生成对抗网络创造属于目标域的“假”数据等等,但是都没有取得太好的效果。为了解决这个问题,我们从一个基本事实出发,即目标域上没有标签的数据非常容易获取,并且在实际中会以增量的方式获得。基于这个考虑,我们提出了一个新奇的无监督增量学习框架,充分利用目标域上没有标签的数据来连续地实时更新目标域上的重识别模型。首先,我们逐步地合并相似的样本成为同一个人,然后推远属于不同人的不相似的样本,同时拉近相同人的相似样本来优化模型;接着,通过一个新奇的知识蒸馏的方式,我们从在线收集的数据上增量地更新重识别模型;最后,重识别模型可以实现目标域上连续的学习过程从而来逐步地实现目标域的适应。也就是说,提出的增量学习策略可以不忘记以前学到的知识,同时也不需要增加模型参数量,实现一个新域的逐步学习和适应。实验结果证明,在跨域的设定下,通过两个大规模数据集Market-1501和DukeMTMC-reID上的实验,我们提出的方法在rank1准确率上分别以23.2%和13.8%超过目前先进的性能。(本文来源于《中国科学技术大学》期刊2019-06-02）
田敏皓[10]（2019）在《基于增量学习的安检机危险品检测算法研究》一文中研究指出在人员密集的地方,安检系统对于保证人们安全具有重要作用。目前大多安检系统已经实现智能化,但随着恐怖分子作案手段的升级出现了诸多异型危险品,现有的危险品知识先验模型无法有效覆盖,需通过扩充后数据集重新训练检测模型实现异型危险品的识别。但是,重新训练模型方法会造成模型训练效率低及训练时间随数据扩充而增加的问题。针对该问题,本文研究了一种能充分利用原模型并提高训练效率的增量学习目标检测算法。本文基于传统目标检测算法基本原理,在Fast rcnn网络基础上,为了避免训练过程中梯度消失,研究了基于Fast rcnn的增量学习目标检测算法。将特征提取网络替换为50层的残差网络;同时,向用于输出的全连接部分加入与新类个数相适应的分类神经元和边框回归神经元以实现对新增类别的学习,并设计损失函数使网络在学习新类目标的同时避免灾难遗忘。进一步,针对Fast rcnn网络需单独生成区域的问题,采用了Faster rcnn网络,并对其特征提取网络进行替换。重点研究了该目标检测框架下RPN候选框生成网络的增量学习算法,最后将增量学习思想应用在Faster rcnn框架中的分类和边框回归网络上,该算法提高了检测精度和训练速度。本文算法均在公开无人驾驶数据集和安检数据集上进行实验以验证可行性与有效性。实验结果表明,算法在新旧类上均获得了85%以上的检测置信度,即表明本文算法既能有效利用在旧类上训练网络参数,又能实现对新类目标的学习,从而改善训练模型效率低的问题。(本文来源于《中北大学》期刊2019-06-01）
增量学习论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
增量学习论文参考文献
[1].赵中堂,郑小东.特征增量极限学习机[J].计算机科学.2019
[2].张宁,陈嘉杰,伍伟,沈霁,袁杰.基于增量学习的高光谱图像目标检测[J].上海航天.2019
[3].李德宜,曾弦,周勇.基于子空间距离的局部切空间增量学习[J].武汉科技大学学报.2019
[4].周晓剑,侯蓉.面向大数据的增量式RBF学习算法[J].统计与决策.2019
[5].李万益,张菲菲,陈勇昌,陈强.基于双学习映射增量降维模型的人体运动形态估计[J].科学技术与工程.2019
[6].霍颖翔,滕少华.语音共振峰包络的增量频移字典学习方法[J].江西师范大学学报(自然科学版).2019
[7].胡艳明,李德才,何玉庆,韩建达.基于增量式RBF网络的Q学习算法[J].机器人.2019
[8].吴迪,曹培智,张国英,焦兴强.基于增量型极限学习机的材料力学性能预测[J].沈阳师范大学学报(自然科学版).2019
[9].廖星宇.基于无监督增量学习的跨域行人重识别[D].中国科学技术大学.2019
[10].田敏皓.基于增量学习的安检机危险品检测算法研究[D].中北大学.2019