多模型融合学习方法与应用

《多模型融合学习方法与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、、ｔ－一－‘－＇－—；．，换糸苗Ａ、；、导接＇．卢Ｌｈ．Ａ．龄沪＇擎：三．，：．：．桃换，．：城’．：．会作夺斗ａ？枯？庶乂、牛磊Ｖ知［，警儀Ｉ－嗎訓響雜省ｉ乂達雀产耀．＇－．．．’’，．＊、皆以占＇：．；＊：＊又、＊一■？、＊．？＇？＜４＿；．Ｓ－一；研究生毕业论文、卢、．，．．璃’棘兴（申请硕壬学位）－立—＼／靖异＇一‘．．：＂－：＂ｖ皆．＇；、．接古、Ｗ’．，’、＇、－．、．．．二，娘女．古．心１怒、户公、户＇；：，－．‘’＼‘心．．、

2、新心：．：／．：．今．、．，義；成；Ｎ；．．；＇Ｖ‘．、户、．．．．、識？．＇．＇■：、、＇：．．＼－；＾＼；－？，。、Ｐ．乂参＞／糸Ｖ．：．Ｎ嘴六：兴；Ｊ’．．、’＾＇＇－Ｖ贫．．八Ｋ：ｒ＞巧／、＇．々＇Ｖ＇．‘．－乂＇巧碱斬於‘於’—；，‘－论义题目多模型强合学习方法与应用。，；：＿聲．：＾＇碱、．心‘’’．次、．’．如‘．马健，扣知／／，；作若牲名；．：己￣￣￣一￣＾．：ｒ？ＴＴｒｒ：｜．、］－■产？？＇？？、专业名称术／．－学种．＞计算机

3、技术人Ｗ．＇’■誤ｉ：．．：｛的’研究方向．山机器学习与数据挖掘Ａ心．卢六．考茜’？‘、‘‘乂、导教师，戸俞扬副教授兴巧嶺；＇’＇＂一－；＇＇－．■二立心户。ｖ、也―乃＜、：＼？■？：？－节、＇；Ｖ拖兮巧是．乐：产心．一尹巧巧．‘：、：＇？．＇‘＊如叫苗？＇．．‘＇．＇乂＂、＞试每－Ｖ巧踩Ｖ：Ｖ／／．Ｗ於旁＇‘．－‘々＇．．＾？．．：為？＞．：；、．Ｊ少＞＾入一芯沪乂考－＂７：Ｖ．？一、？？？＾，？、一？一＊－＞Ｉ■、？一．Ｖ一；？？＊？

4、？＼．＊，．、＼－．、、．；，：Ｉ；：、；：心叫、．；；；？韻打巧’：—：’＂＆、：：‘．，紙■‘＇＾、．Ｔ＜：读产．气达Ｕ．矿‘学号：ＭＦ１３％０３０论文答辩日期：２０１６年５月２７日指导教师（签字）南京大学研巧生毕业论文摘要机器学习通过从经验数据中学习，可ＰＸ自动提高系统的性能，目前已成为智能数据分析的主要方法。随着企业对数据分析需求的快速上升，机器学习方法已被用于预测用户需求等很多应用中，受到了越来越高的重视。为了取得更＿好的学习性能一，种简单有效的途径是学习多个有差异的模

5、型并进行融合。本文工作将多模型融合的思路应用到品牌推荐、股票推荐、机器人路标探索等多个领域中具体工作如下：，针对在线商场的品牌推荐问题提出了一，种基于多模型融合学习的算法框架Ｅ３ＤＳ，该框架从多个方面増强个体学习器的多样性，从而提高模型融合后的性能。该框架在阿里臣己大数据竟赛的品牌推荐应用竞赛中取得了较好的成绩。针对股票推荐问题，提出了结合双均线选股模型、基于股票传统数据的机器学习模型、基于股票新媒体数据的机器学习模型Ｈ种模型融合的股票推荐方一定时间段的实践中取得了比大盘明显好的效果法。该推荐方法在。

6、针对机器人路标探索问题，提出融合全局位置估计与卡尔曼滤玻的路标探索策略。该策略能够有效地校正当移动变化过大时レ乂往基于卡尔曼滤波的估计误差。本文在模拟环境的初步实验中验证了该策略的有效性。关键词：多模型融合多样性増强个性化推荐量化交易路标探索；；；；南京大学研巧生毕业论文ＡｂｓｔｒａｃｔＭａｃｈｉｎｅｌｅａｒｎｉｎｇａｉｍｓａｔｉｍｐｒｏｖｉｎｇｇｅｎｅｒａｌｉｚａｔｉｏｎａｕｔｏｍａｔｉｃａｌｌｙｏｎｅｍｐｉｒｉｃａｌｄａｔａ．Ｉｔｈａｓｂｅｃｏｍｅｔｈｅｍａｉｎｍｅｔｈｏｄｏｆ

7、ｉｎｔｅｌｌｉｇｅｎｔｄａｔａａｎａｌｙｓｉｓ．Ｗｉｔｈｔｈｅｒａｐｉｄｉｎｃｒｅａｓｅｏｆｂｕｓｉｎｅｓｓｄｅｍａｎｄｓ，ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｈａｓｂｅｅｎｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｎｅｅｄｓｏｆｕｓｅｒｓａｎｄｏｔｈｅｒａｐｐｌｉｃａｔｉｏｎｓ．Ａｓｉｍｐｌｅａｎｄｅｆｆｅｃｔｉｖｅｗａｙｔｏａｃｈｉｅｖｅｂｅｔｔｅｒｅｒｆｏｒｍａｎｃｅｓ－ｉｔｏｃｏｍｂｉｎｅｍｕｌｔｉｌｅｌｅａｒｎｅｒｓ．Ｔｈｉｓａｅｒａｌｉｅｓｍｕｌｔｉｌｅｐ

8、ｐｐｐｐｐｐｌｅａｒｎｅｒｍｅｔｈｏｄｔｏｂｒａｎｄｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｔｏｃｋｒｅｃｏｍｍｅｎｄａｔｉｏｎａｎｄｒｏｂｏｔ，，ｌａｎｄｍａｒｋ