基于終身學(xué)習(xí)Agent的多源遷移算法研究.pdf

1、終身學(xué)習(xí)Agent在智能優(yōu)化、機(jī)器學(xué)習(xí)、模式識別與圖像處理等領(lǐng)域面臨路徑尋優(yōu)、文本分類、人臉識別、色彩增強(qiáng)與最優(yōu)決策等一系列問題時,不可避免地會遭遇連續(xù)空間維數(shù)災(zāi)、目標(biāo)訓(xùn)練樣本匱乏獲取代價高以及多次重復(fù)面臨相似任務(wù)等情形,本文針對終身學(xué)習(xí)Agent的上述特點(diǎn),采用如下研究方法實(shí)現(xiàn)其在不同領(lǐng)域內(nèi)的多源遷移學(xué)習(xí):
　　1.機(jī)器學(xué)習(xí)領(lǐng)域中預(yù)測分類在訓(xùn)練樣本較少時會出現(xiàn)精度下降的問題,為此提出一種多源決策樹自適應(yīng)遷移方法。首先,自適應(yīng)地采

2、用成分預(yù)測概率或路徑預(yù)測概率對決策樹間的相似性進(jìn)行判定,其次,根據(jù)多源判定條件確定是否采用多源集成遷移。同時考慮目標(biāo)訓(xùn)練樣本降低到極端情形,即僅有唯一樣本時的單樣本人臉識別問題。提出一種基于 LPP特征映射的多源遷移算法,并采用FERET、ORL與Yale等典型的人臉識別數(shù)據(jù)庫進(jìn)行識別驗證。
　　2.強(qiáng)化學(xué)習(xí)在面臨大尺度或連續(xù)空間復(fù)雜系統(tǒng)時遭遇維數(shù)災(zāi)難題,提出一種基于極限學(xué)習(xí)機(jī)(Extreme Learning Machine,E

3、LM)的多源遷移Q學(xué)習(xí)算法, ELM采用神經(jīng)網(wǎng)絡(luò)映射機(jī)制保證Q值函數(shù)的逼近,而多源遷移機(jī)制能夠降低目標(biāo)問題的決策難度。遷移的本質(zhì)在于任務(wù)空間與樣本空間的相似度衡量,利用先驗概率盡可能地確保遷移的任務(wù)與樣本能夠在目標(biāo)任務(wù)中起到積極的作用,盡量避免負(fù)遷移的發(fā)生。
　　3.圖像處理領(lǐng)域中由于色彩序列模糊性與不確定性造成的色彩扭曲問題,提出一種基于主動輪廓探索的多源色彩遷移算法。利用主動進(jìn)化方法生成虛擬輪廓線,并采用能量函數(shù)評價機(jī)制迫使虛

4、擬輪廓線逐漸逼近實(shí)際輪廓線。同時考慮源圖像與目標(biāo)圖像在RGB、Gray和LMS等不同色彩空間的表示、分割、轉(zhuǎn)換,實(shí)現(xiàn)其在lαβ空間的多源色彩遷移。單源與多源色彩遷移的對比、灰度化色彩通道的選擇等實(shí)驗驗證了所提算法的合理性與有效性。
　　4.智能優(yōu)化算法具有隨問題規(guī)模指數(shù)級增長的計算復(fù)雜度以及對自身多變量耦合參數(shù)設(shè)置的依賴性,為此分別提出多源遷移Ant-Q學(xué)習(xí)算法與基于圖構(gòu)建的多源參數(shù)遷移算法。前者通過貝葉斯理論分析源任務(wù)與目標(biāo)任務(wù)