94基于统计学习的人工智能在数字游戏机和数字娱乐上的应用

浙江大学硕士学位论文基于统计学习的人工智能在数字游戏和数字娱乐上的应用姓名：傅正钢申请学位级别：硕士专业：计算机应用指导教师：庄越挺20040305://://://://://://://://://://://://://://://://://://://基于统计学习的人工智能在数字游戏和数字娱乐上的应用作者：傅正钢学位授予单位：浙江大学相似文献(10条)1.期刊论文林继鹏.刘君华.LINJi-peng.LIUJun-hua基于统计学习预测技术提高传感器稳定度-传感器与微系统2008,27(9)针对传感器的输出随温度和电源的波动以及自身的某些特性的改变等因素而发生零点漂移现象,提出了一种对以上非目标量进行预测处理以消除它们对传感器输出影响的支持向量机(SVM)预测技术.这种方法不需要建立大量的观测样本,也不需要对观测样本进行特征提取就可以取得良好的改善效果,具有较好的实用价值.以2只半导体传感器为研究对象的测试结果表明:利用该方法使稳定性提高了6倍.同时,提出了2种优化算法:增量样本法和降一阶算法.2.学位论文刘亭基于统计学习的鱼龄识别方法的研究2008鱼的年龄知识是鱼类资源评估和管理的一个重要考核指标，传统年龄估计方法就是鱼类科学家根据耳石内钙化形成的结构来判断鱼的年龄，但由于耳石的形成、发育受许多因素的影响，例如：季节的变化、温度、栖息地和饮食等，耳石的结构具有其自身的特点，人工通过耳石判断鱼类的年龄只有经验丰富的鱼类专家才能解释，即便如此，也会产生不精确的年龄估计问题。所以通过人工识别鱼的年龄仍然是一个费时、费力的难题。诸多因素决定了对鱼龄识别自动化的迫切需要。运用图像处理、模式识别等学科知识，开发出计算机辅助鱼龄自动识别系统有很大的应用价值。br　　依据鱼的耳石图像对鱼的年龄进行解释和识别是目前鱼类年龄的研究热点，对耳石图像进行有效的特征选择和分类识别在鱼龄识别系统的开发研究中占有重要的地位。本文结合耳石图像的特点，提出了基于主成分分析(PCA)和核主成分分析(KPCA)的特征选择方法，并结合模式识别的分类原理、比较各种可用于模式识别的分类决策方法，提出了基于支持向量机(SVM)和概率支持向量机(PPSVM)的分类算法。具体包括：br　　1.基于PCA和SVM的鱼龄识别方法。该方法首先获得鱼的耳石图像的特征，然后通过主成分分析的方法来提取这些特征的主元，接着将这些主元输入到支持向量机中进行训练，然后通过支持向量机来对鱼的分类结果进行决策。br　　2.基于KPCA和SVM的鱼龄识别方法。与主成分分析的方法不同的是该方法通过br　　核主成分分析的方法来提取鱼的耳石图像特征的主元，然后用支持向量机对鱼的年龄进行分类。实验证明核主成分分析的方法可以得到更好的识别效果。br　　3.基于KPCA和概率支持向量机(PPSVM)的鱼龄识别方法。该方法将概率应用到支持向量机中去，使得支持向量机的分类结果具有概率特性，不仅能得到样本所属的类，而且还能得到属于该类的概率。3.期刊论文熊敏支持向量机及其在提高采收率潜力预测中的应用-数学的实践与认识2004,34(5)提高采收率潜力分析的基础是进行提高采收率方法的潜力预测.建立提高采收率潜力预测模型从统计学习的角度来看,实质是属于函数逼近问题.本文首次将统计学习理论及支持向量机方法引入提高采收率方法的潜力预测中.根据Vapnik结构风险最小化原则,应尽量提高学习机的泛化能力,即由有效的训练集样本得到的小的误差能够保证对独立的测试集仍保持小的误差.在本文所用较少样本条件下,支持向量机方法能够兼顾模型的通用性和推广性,具有较好的应用前景.研究中采用的是综合正交设计法、油藏数值模拟和经济评价等方法生成的理论样本集.4.学位论文宋晓峰优生演进优化和统计学习建模2003数学模型是对客观对象活动规律的一种定量描述,是表述对象行为和性能的一种重要形式.建模方法涉及到最优化方法、数理统计、人工智能、模式识别、机器学习、神经网络等多方面的理论和方法.该文首先回顾了现行的建模方法.由于优化方法在建模中有相当重要的作用,因此,接着对具有全局寻优性能的遗传算法进行了较为深入的研究,提出了基于优生演进策略的遗传算法(EGA),使寻优性能有较大的提高,并成功应用于化工领域中重油热解模型参数的估计.所提EGA方法为随后的支持向量机参数优化打下了良好的基础.该文紧接着还对统计学习理论(SLT)和支持向量机(SVM)技术进行了较为详细的讨论,这是对神经网络方法发展到目前的一种新的突破,在多个方面显示出良好的性能.该文在基于观测数据的统计学习建模方法上提出了一些新思想、新方法.5.学位论文徐淑萍基于支持向量机的图像分割研究综述2008图像分割和目标分类是数字图像处理领域中两个重要的研究课题。建立在统计学理论基础之上的传统学习分类方法在这两个研究课题中得到了广泛的应用。传统学习分类方法是以经验风险最小化取代期望风险最小化，即渐进理论，但这种取代只有当训练样本数趋于无穷时，最小化经验风险与最小化期望风险之间的偏差才能达到理论上的最小。然而在实际应用中，训练样本数趋于无穷这一前提条件往往得不到满足，特别当问题处在高维空间时更是如此。因此，一些理论上非常优秀的学习分类方法在实际应用中的表现却可能不尽人意。与传统统计学相比，统计学习理论是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本学习问题建立了一套新的理论体系，在这种体系下的统计推理规则不仅考虑了对渐进性的要求，而且追求在现有有限信息的条件下得到最优结果。建立在统计学习理论的VC维理论和结构风险最小化原理基础上的支持向量机方法已经被看作是对传统学习分类方法的一个好的替代，特别在小样本、高维非线性情况下，具有较好的泛化性能。支持向量机是Vapnik及其研究小组提出的一种全新的模式识别技术。在使用结构风险最小化原则替代经验风险最小化原则的基础上，支持向量机综合了统计学习、机器学习和神经网络等方面的技术，并被证明在最小化结构风险的同时，有效地提高算法的推广能力。由于其完备的理论基础和良好的实验结果，支持向量机日渐引起研究人员的重视。目前将其应用于图像分割的方法研究还比较肤浅，有待深入研究和进一步完善。现有的基于支持向量机的图像分割方法大多都是针对具体图像提出的，比较零散。为此，本论文对支持向量机方法及其在图像分割中的应用研究进行了系统综述，以期能为对基于支持向量机方法进行图像分割感兴趣的读者提供参考。本论文首先从支持向量机的发展背景、基本思想、基本算法以及方法特点进行了详细综述，然后对基于支持向量机的图像分割方法进行了系统综述和分析。本论文的主要内容安排如下：第一章综述了课题背景，综述了图像分割的相关概念、图像分割技术以及发展趋势；第二章概述了统计学习理论的主要内容；第三章综述了支持向量机的基本思想、基本算法以及支持向量机方法的特点；第四章详细综述了基于支持向量机的图像分割方法；第五章做了总结和展望。6.期刊论文林继鹏.刘君华.凌振宝并行支持向量机算法及其应用-吉林大学学报(信息科学版)2004,22(5)针对当前支持向量机计算效率的不足,提出了改进的并行支持向量机技术.该算法能有效使内积运算、向量数据更新、矩阵向量实现并行计算,并且数据之间的通信时间能和向量更新时间重叠,从而提高了计算效率,并能保证泛化能力.数据仿真结果表明,与改进前的算法相比,2500个样本下能节省时间30%左右,样本量增大时,效果更为明显.7.学位论文毛建洋支持向量机在数据挖掘中的应用研究2005支持向量机在学习模型中运用了统计学习中的VC维理论和结构风险化原则，具有很好的泛化性能，在小样本学习问题上表现突出。本文对支持向量机在数据挖掘领域的应用展开深入研究，涉及的内容包括以下几个方面：1.对支持向量机在分类中的应用做了一些有益探讨，通过仿真实验说明在实际应用中模型选择和参数选择的重要性。2.对支持向量机的增量学习技术做了深入研究，分析了支持向量在构建增量算法中的关键作用以及在增量学习过程中引入新的样本后支持向量的转化问题；分析了已有支持向量机增量算法存在的问题，并用数据仿真进行验证；提出一种新的SVM增量算法，即误分点回溯增量学习算法，该算法能够更多的保留体现分类模式的历史样本，提高增量学习器的精度。3.把本文提出的方法应用在商业银行内部信用评级中，提出一个简单的系统框架，并且实现了该系统。结果表明本文提出的算法性能优于一般的支持向量机增量算法。8.期刊论文刘勇健.LIUYong-jian基于聚类-二叉树支持向量机的砂土液化预测模型-岩土力学2008,29(10)建立在统计学习理论基础之上的支持向量机(SVM),是一种基于结构风险最小的小样本机器学习方法.经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题.根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类.二叉树的多类支持向量机的砂土液化判别模型.该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系.研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别.9.学位论文刘万里支持向量机中若干问题及应用研究2008统计学习理论为研究小样本情况下机器学习问题提供了有力的理论基础。它使用结构风险最小化原则，综合了统计学习、机器学习和神经网络等方面技术，在最小化经验风险的同时，有效地提高了算法泛化能力。支持向量机是在该理论体系下产生的一种新的、非常有力的机器学习方法。它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，具有良好的潜在应用价值和发展前景。目前，统计学习理论和支持向量机作为小样本学习的最佳理论，受到越来越广泛的重视，成为人工智能和机器学习领域新的研究热点。本文综述了支持向量机的研究现状，针对目前存在的几个问题：不平衡调整问题、大样本减样和除噪问题、两种支持向量算法即SupportVectorMachines(或SVM)与SupportVectorDomainDescription(或SVDD)的结合问题、核心向量的性能和应用问题以及SVDD算法在不确定型决策中的应用等问题进行研究。本文的主要工作如下：1.研究了不平衡支持向量机的调整方法。不平衡数据集的学习问题被公认为机器学习领域的难题之一，其困难主要来自于不平衡数据集本身的特点：例如，样本数量少的类其样本不足，样本的分布并不能很好地反映整个类的实际分布。因此标准支持向量机在应用于不平衡数据集时，往往把少数类的样本错分，尽管整体的分类精度比较高，但数量少的类的分类精度非常低。本文针对支持向量机中两类不平衡数据的分离超平面提出一种调整算法。该算法根据样本投影分布和样本容量所提供的信息给出两类惩罚因子比例，从而得到一个新的分离超平面。实验结果显示了该方法的良好性能。2.研究了样本的减样和除噪问题。在使用支持向量机分类时，存在以下两个问题：一是当两