检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

1 篇 学位论文
1 篇 会议

馆藏范围

2 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

2 篇 工学
- 2 篇 控制科学与工程
- 2 篇 计算机科学与技术...
- 2 篇 软件工程
2 篇 管理学
- 2 篇 管理科学与工程(可...

主题

2 篇 堆栈宽度学习系统
1 篇 多模态数据
1 篇 序贯三支决策
1 篇 加权宽度学习系统
1 篇 宽度学习系统
1 篇 不平衡数据分类
1 篇 多模态数据分类

机构

2 篇 太原理工大学

作者

2 篇 王萌铎
1 篇 桑艺昱
1 篇 续欣莹
1 篇 史丽娟
1 篇 张喆

语言

2 篇 中文

检索条件"主题词=堆栈宽度学习系统"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

针对多模态数据的代价敏感堆栈宽度学习系统

针对多模态数据的代价敏感堆栈宽度学习系统

引用

第32届中国过程控制会议(CPCC2021)

作者：史丽娟王萌铎桑艺昱张喆续欣莹太原理工大学电气与动力工程学院

堆栈宽度学习系统(Stacked Broad Learning System,Stacked BLS)是一种以BLS为基础,通过堆栈实现残差逼近的集成算法,其堆栈评价指标通常为准确率。但准确率是一种宏观评价指标,对多模态融合系统的表征不足。为此,本文基于序贯三支决策... 详细信息

堆栈宽度学习系统(Stacked Broad Learning System,Stacked BLS)是一种以BLS为基础,通过堆栈实现残差逼近的集成算法,其堆栈评价指标通常为准确率。但准确率是一种宏观评价指标,对多模态融合系统的表征不足。为此,本文基于序贯三支决策评判策略提出一种代价敏感堆栈宽度学习系统(Cost-sensitive Stacked BLS,Cs-Stacked BLS)。该算法综合分析决策风险和不确定性,使堆栈过程除考虑准确率外,还可兼顾分类决策成本和决策过程时间,得到最稳定准确决策的单模态分类结果。本文在四个分类任务数据集上验证了新算法的敏感损失最小化结果、准确性以及快速性。随后,本文针对多模态复杂分类任务,在Cs-StackedBLS系统中采用加权投票的决策融合方式,引入了敏感损失的权重,使决策融合过程更加客观。同时选取三个多模态分类数据集作为实验数据集,通过与特征融合同类算法对比,验证了新算法对多模态数据的分类性能更优。

关键词：堆栈宽度学习系统序贯三支决策多模态数据

来源：评论

学校读者我要写书评

暂无评论

宽度学习系统中不平衡分类与多模态分类问题的研究

宽度学习系统中不平衡分类与多模态分类问题的研究

引用

作者：王萌铎太原理工大学

学位级别：硕士

随着机器学习与计算智能的快速发展,面向海量高维数据的神经网络研究成果不断涌现。2018年,华南理工大学陈俊龙教授团队提出一种宽度学习系统(Broad Learning System,BLS)的浅层网络结构。输入BLS的数据经过特征映射与稀疏字典的有效表... 详细信息

随着机器学习与计算智能的快速发展,面向海量高维数据的神经网络研究成果不断涌现。2018年,华南理工大学陈俊龙教授团队提出一种宽度学习系统(Broad Learning System,BLS)的浅层网络结构。输入BLS的数据经过特征映射与稀疏字典的有效表示生成了映射节点,映射节点再映射生成增强节点。映射节点与增强节点共同组成的宽度平层,经岭回归广义逆的最优连接矩阵共同生成输出。BLS有简捷的网络结构与简便的运算方式,可以通过分布的矩阵计算,实现映射节点、增强节点和输入数据有效扩展的增量学习。与传统卷积神经网络(Convolution Neural Networks,CNNs)、深度信念网络(Deep Belief Network,DBM)等结构相比,BLS不仅超参数更少、计算效率更高、且其网络还可实现数据与节点的增量学习。因此,这种新颖的网络得到越来越多的研究人员的重视。本论文主要对宽度学习系统处理不平衡数据和多模态数据两个分类问题进行了深入的研究。(1)处理类别不平衡数据时,提出一种基于Ada Boost集成加权宽度学习系统(Ada Boost Weighted BLS,Ada Boost-WBLS)。宽度学习系统作为一种前馈的单隐层算法网络,处理类别不平衡的数据时,提取到的少数类别特征相比于多数类仍显不足,导致其少数类数据识别分类性能不高。BLS的输出层、输出层与单隐层间映射关系十分简洁,因此在单隐层对应特征上添加权重有效的类别再平衡方式。本文基于KKT(Karush-Kuhn-Tucker)条件,对宽度学习系统添加对角矩阵形式加权的优化过程进行推导,验证了添加对角权重对BLS模型误差的抑制作用。加权宽度学习系统(Weighted BLS,W-BLS)实现添加权重的在线更新与Adaboost集成过程存在较强的相似性,因此使用Adaboost集成W-BLS,提出Ada Boost-WBLS的不平衡数据分类算法,通过迭代实现权重的动态更新,获得更符合数据特征的权重以进一步提升集成模型对少数类的识别能力。权重初始化时,采用基于类别信息的初始化策略,使模型具有更高的集成训练效率。权重更新过程中,不同类别采用了不同的正则化更新方式,以保留数据类内特征并增加类间区分度。分别对Ada Boost-WBLS模型进行了消融实验与对比试验,实验结果证明该模型对少数类的识别能力有显著提升。(2)针对堆栈宽度学习系统输出不明确、堆栈过程缺乏成本管控的问题,提出代价敏感堆栈宽度学习系统(Cost-sensitive Stacked BLS,Cs-Stacked BLS)。堆栈宽度学习系统是一种以堆栈残差逼近,实现最高测试精度输出的模型。但在处理分类任务时,仍存在着分类决策的区分度不足、堆栈过程成本分析不到位的问题。本文以增强决策区分度为目的,基于序贯三支决策提出Cs-Stacked BLS,实现堆栈过程中决策成本、准确率与时间成本的综合评判。并在四个常用分类数据集上进行实验,结果表明Cs-Stacked BLS是一种综合考虑决策风险和过程不确定性的有效网络。(3)针对多模态数据集,提出决策融合Cs-Stacked BLS的多模态分类算法——决策融合代价敏感堆栈宽度学习系统(Cost-sensitive Voting Stacked BLS,Cs-V Stacked BLS)。多模态数据的复杂分类过程是对单模态数据特征有效提取并融合决策的过程。Cs-Stacked BLS作为一种多指标评判的有效算法,具有泛化性能良好,决策过程与结果稳定等优势。但其特征提取过程冗余,因此采用基于敏感加权投票的决策融合方式,使其具备多模态数据分类能力。通过与同类算法对比,验证了新算法对多模态分类复杂问题的有效性。

关键词：宽度学习系统加权宽度学习系统堆栈宽度学习系统不平衡数据分类多模态数据分类

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：