-
公开(公告)号：CN111985103A
公开(公告)日：2020-11-24
申请号：CN202010841786.5
申请日：2020-08-20
Applicant: 江南大学
Abstract: 本发明提供基于核极限学习机的样本处理方法及系统，方法包括：识别预处理样本集中的无标记样本及有标记样本，确定无标记样本集及有标记样本集作为处理对象；基于KELM算法从所述无标记样本集中选取满足预设要求的无标记样本，构成第一子样本集；将所述第一子样本集中的样本进行标记，得到带有标记的第二子样本集，将第二子样本集加入所述有标记样本集，得到更新后的有标记样本集；若所述有标记样本集与更新后的有标记样本集的相似度满足预设要求，则基于更新后的有标记样本集进行软测量。本方案，迭代更新速度快，稳定性高，应用于复杂化工过程建模，可大大降低主动学习的运算成本，并减少人工标记代价，更有效地实现过程质量变量的软测量。
-
公开(公告)号：CN111985103B
公开(公告)日：2024-05-07
申请号：CN202010841786.5
申请日：2020-08-20
Applicant: 江南大学
Abstract: 本发明提供基于核极限学习机的样本处理方法及系统，方法包括：识别预处理样本集中的无标记样本及有标记样本，确定无标记样本集及有标记样本集作为处理对象；基于KELM算法从所述无标记样本集中选取满足预设要求的无标记样本，构成第一子样本集；将所述第一子样本集中的样本进行标记，得到带有标记的第二子样本集，将第二子样本集加入所述有标记样本集，得到更新后的有标记样本集；若所述有标记样本集与更新后的有标记样本集的相似度满足预设要求，则基于更新后的有标记样本集进行软测量。本方案，迭代更新速度快，稳定性高，应用于复杂化工过程建模，可大大降低主动学习的运算成本，并减少人工标记代价，更有效地实现过程质量变量的软测量。
-
公开(公告)号：CN110674883A
公开(公告)日：2020-01-10
申请号：CN201910936977.7
申请日：2019-09-29
Applicant: 江南大学
Abstract: 本发明公开了一种基于k近邻和概率选择主动学习方法，包括，基于工业化控制平台系统获取相应数据，设置近邻k，并计算代表样本个数；评估样本，并对其进行人工标记；更新GPR模型和训练集，迭代直到模型精度；所述设置近邻k，并计算代表样本个数的步骤包括：将训练集分为有标签样本集和无标签样本集；设置邻域样本数量k；根据k值计算无标签样本集中所要标记的代表样本个数；本发明所提方法综合考虑了无标签样本集的不确定度和代表性信息，使得挑选样本更加合理，从而以最小标记代价提升训练模型的预测性能。
-
-
Search Results
3
records
(took 0.014 seconds)
