摘要：【目的】探讨智能对话系统中任务型对话模型的设计,提出一个基于监督学习和强化学习的任务型对话系统框架。【方法】采用监督学习和强化学习相结合的方法。首先,将开放域对话模型的生成回复嵌入到任务型回复的过程中,构建一个综合的对话模型。其次,利用监督学习和迁移学习的方法,构建对话策略模型,用于指导对话系统的决策过程。最后,采用深度强化学习算法进行优化更新,以提高对话系统的性能。【结果】实验结果表明,任务型对话系统模型在评估指标BLEU、ROUGE和F1分数方面优于其他基准模型。该模型具备良好的对话生成能力和回复多样性,能够生成准确且多样化的回复。【结论】通过综合应用监督学习和强化学习的方法,成功设计了一个基于任务型对话模型的智能对话系统框架。该框架在任务型对话上取得了较好的性能,为智能对话系统的发展提供了有益的探索。

摘要：使用拍卖方式来进行资源分配可以使得资源提供商获得更大的收益,是云计算领域近年来研究的重点之一。但资源分配问题是NP难的,无法在多项式时间内求解,现有研究主要通过近似算法或启发式算法来实现资源分配,但存在算法耗时长,与最优解相比准确度低的缺点。监督学习中分类及回归思想可对多维云资源分配问题进行建模和分析,针对不同问题规模,该文提出基于线性回归、逻辑回归、支持向量机的3种资源分配算法,并且基于临界值理论设计了支付价格算法,从而确保拍卖机制的可信性。在社会福利、分配准确率、算法执行时间、资源利用率等多个方面进行测试分析,取得了很好的效果。

摘要：宽带压缩频谱检测存在信号稀疏度未知和次用户检测开销过大的问题.因此,本文提出一种高效的协作宽带压缩频谱检测方案.首先,推导了一种基于学习的稀疏度自适应预测模型.其次,设计了一种宽带频谱筛选算法.最后,提出一种协作宽带压缩频谱检测方案.仿真结果表明,自适应预测模型的拟合效果优于现有预测模型,并且所提检测方案也有效地降低了次用户采样率和频谱重构时延.

摘要：精确脉冲定时作为一种神经元信息编码方式更具生物可解释性,使用精确脉冲定时编码的脉冲神经元具有更为强大的时空信号处理能力.脉冲神经元监督学习是神经计算的重要方面,目的是使神经元对给定输入脉冲在期望时刻发放脉冲.通过分析输入脉冲序列、期望输出脉冲序列与实际输出脉冲序列的关系,发现已有脉冲神经元监督学习算法的脉冲选择与计算较为复杂,致使不能达到理想学习效果.通过去除影响整体学习效果的多余脉冲计算,构建用于脉冲神经元突触权值调整的双脉冲单元,提出了一种适用于脉冲神经元监督学习的直接计算方法.该方法基于输入脉冲,使用期望输出脉冲与实际输出脉冲的时序关系,直接计算突触权值的调整量;每个输入脉冲在每次迭代中最多计算一次,有效减少了脉冲计算次数.实验结果表明,直接计算方法作为脉冲神经元监督学习的一般性脉冲计算优化策略,可以大幅提高已有算法的学习准确率.

摘要：裂缝病害的定期巡检工作是保证市域铁路隧道结构正常运营的关键。针对市域铁路隧道结构表观裂缝的有效识别问题,提出了有监督学习下的市域铁路隧道结构裂缝边缘识别方法。首先,利用消费级数码相机获取了市域铁路隧道结构表观状态的图像数据;然后,基于Canny算子的初步边缘目标检测结果,构造了边缘目标的几何特征矢量,并在此基础上提出了基于几何特征数据的裂缝边缘识别方法;最后,采用实际市域铁路隧道结构的表观图像数据验证了所提出方法的有效性。

摘要：旅行商问题是一个经典的组合优化问题。为快速求解旅行商问题,设计了由图嵌入网络、图卷积神经网络、注意力神经网络和多层感知机组合而成的深度学习模型的学习分支规则,通过改进传统的分支定界算法提高算法性能。对15个城市的旅行商问题实例进行监督训练,并在SCIP求解器上分别测试10,15,20,25和30个城市的旅行商问题实例。发现:基于学习分支规则的分支定界算法的求解时间比基于传统分支规则的分支定界算法的求解时间分别快-0.0022 s,0.0178 s,1.7643 s,2.3074 s和2.0538 s。因此,基于图神经网络的分支变量选择对传统分支规则的改进是有效的,可以较好地泛化到训练规模更大的旅行商问题实例中。

摘要：监督学习方法是数字供应链和商务智能中的关键技术。在数字经济时代的管理实践中,处理海量、高维和异质数据是必要的。然而,传统的基于经验风险最小化的监督学习方法通常无法有效处理数据异质性的问题,这会导致测试误差过大的情况。为了解决这一问题,现研究探索了一种基于Wasserstein度量的分布鲁棒优化方法在监督学习中的应用。通过引入Wasserstein度量来量化数据分布之间的距离,将其与监督学习的损失函数相结合,以提高模型对分布偏移的鲁棒性。同时探索如何设计可靠且鲁棒的优化算法,在面对分布变化时可以提供更加稳健的模型性能,并在汽车配件需求预测等管理实践中具有更好的性能和更广泛的应用前景。

摘要：在认知光通信网络中,能量检测方法因不需要知晓主用户的参数而被广泛研究,但该方法在噪声波动情形下的感知性能有待提高。该文提出认知用户根据光通信环境变化自动调整检测阈值的方法来提升低信噪比下的感知性能。融合中心应用坐标搜索算示为认知用户提供最优控制参数。认知用户以中心阈值为基础,依据最优参数及自身收集的能量动态设定检测阈值,并通与融合中心的信息交换,学习特定环境下的最佳阈值。此外,参考了各认知用户在协作感知中的贡献差异,并设计新的权值计算方法来体现该差异。仿真实验结果表明该文中的频谱感知方法对噪声波动有卓越的鲁棒性,提高检测概率的同时降低了错误概率,在信噪比为-20dB时的检测概率仍高达96.9%,远高于传统方法。

摘要：传统的异构网链路预测研究有基于元路径监督学习的PathPredict算法与MPBP算法,但它们并不能充分利用异构网提供的丰富信息来进行链路预测。在原有传统监督学习算法的基础上,首先为了增加链路熵和时间动态信息而设计了HLE-T算法,然后通过链路强弱关系的数值分段构建多分类问题的监督学习算法MSLP链路预测模型,最后在4个稠密度不同的数据集下完成了实验测试。实验结果表明,MSLP链路预测模型一定程度上提升了异构网中的链路预测性能,对未来链路预测研究具有一定的借鉴意义。

摘要：应用神经网络的监督学习控制(SNC)方法,在线性最优励磁控制的基础上,利用神经网络对同步发电机的励磁控制过程进行监督学习,设计出基于SNC的同步发电机励磁控制律。仿真结果表明,所设计的SNC在系统运行方式较大的变化范围内,都能提供很好的阻尼特性和良好的控制性能,并且控制结构简单,有较强的实时性和适应能力。