针对当前监督学习算法在流形数据集上分类性能的缺陷,如分类精度低且稀疏性有限,本文在稀疏贝叶斯方法和流行正则化框架的基础上,提出一种稀疏流形学习算法(Manifold Learning Based on Sparse Bayesian Approach,MLSBA).该算法是对稀...
详细信息
针对当前监督学习算法在流形数据集上分类性能的缺陷,如分类精度低且稀疏性有限,本文在稀疏贝叶斯方法和流行正则化框架的基础上,提出一种稀疏流形学习算法(Manifold Learning Based on Sparse Bayesian Approach,MLSBA).该算法是对稀疏贝叶斯模型的扩展,通过在模型的权值上定义稀疏流形先验,有效利用了样本数据的流形信息,提高了算法的分类准确率.在多种数据集上进行实验,结果表明:MLSBA不仅在流形数据集上取得良好的分类性能,而且在非流形数据集上效果也比较好;同时算法在两类数据集上均具有良好的稀疏性能.
移动Adhoc网络路由质量受到很多因素的影响.目前,多数移动Adhoc网络路由协议利用单一跳数或其他基准作为路由产生的判据,使得协议整体性能的改善比较困难.提出一种考虑节点能量、通信干扰、丢失率和移动性(energy,interference,communication drop rate and mobility,简称EIDM)的综合选路基准.使用自适应权重,该基准能够根据网络状态调节各因子的作用.模拟实验结果显示,EIDM很好地减缓了热点效应.
暂无评论