检索结果-内蒙古大学图书馆

系统工程与电子技术 2025年

作者：吉家欣李汀李飞南京邮电大学通信与信息工程学院

量子计算为经典机器学习带来了新的机遇，量子生成对抗网络便是一个优秀案例。但一般量子生成对抗网络只能处理单域数据，且受到量子比特数限制，生成质量会有很大程度下降。本文提出了一种学习多域数据联合分布的量子耦合生成对抗网络... 详细信息

量子计算为经典机器学习带来了新的机遇，量子生成对抗网络便是一个优秀案例。但一般量子生成对抗网络只能处理单域数据，且受到量子比特数限制，生成质量会有很大程度下降。本文提出了一种学习多域数据联合分布的量子耦合生成对抗网络（quantum coupled generative adversarial network，QCoGAN），QCoGAN通过结合量子计算的并行计算能力和经典生成对抗网络（generative adversarial network，GAN）的学习能力，对量子生成对抗网络结构进行耦合优化，相较于普通生成对抗网络可以捕捉到更多图像细节，通过施加量子参数层之间的权重共享约束，有效控制了网络容量，提升了训练效率。首次将量子生成对抗网络用于领域适应问题，将QCoGAN应用于多个手写体数据集的联合分布学习任务，证明了其在处理多域数据时的优越性，在真实量子计算机的飞速发展下，将具有广阔的应用前景。

关键词：量子计算机器学习生成对抗网络量子耦合多域数据

来源：评论

学校读者我要写书评

暂无评论

主题模型对多域数据的挖掘和应用

主题模型对多域数据的挖掘和应用

引用

作者：陈晓宇上海交通大学

学位级别：硕士

当今世界互联网的快速发展给人们的生活带来了很多便利。其中最重要的一点是方便了信息的分享和传播,具体体现在提高了消息传播的效率。但是互联网的这种便利也造成了信息过载的问题。网络可以用来来购物,交友,娱乐,浏览新闻,但是在大... 详细信息

当今世界互联网的快速发展给人们的生活带来了很多便利。其中最重要的一点是方便了信息的分享和传播,具体体现在提高了消息传播的效率。但是互联网的这种便利也造成了信息过载的问题。网络可以用来来购物,交友,娱乐,浏览新闻,但是在大多数的应用场景中,人们总会被很多无价值的信息干扰,特别是当人们需要及时获取感兴趣信息,比如电影,还有志同道合的朋友的时候,这种干扰会严重影响用户体验。在搜索引擎的帮助下,人们能够快速地根据自己的意愿寻找有价值的信息,但是当需求很难明确的情形下,就需要推荐系统的帮助。现在人们的需求是多元化的,比如在看到一个好的小说改编的电影之后也会有兴趣去读对应的小说,网络个体也许会对某一社交圈中的好友喜爱的新闻感兴趣。本文将对这些在不同领域中出现的数据和信息进行分析和研究,并发掘它们的用途。本文将针对多域数据集中的信息挖掘和聚类的方法进行研究,进而研究跨域推荐的方法。我们提出了OVCLDA算法来同时处理分析多个领域的数据,并将根据数据的隐含主题进行聚类,从而可以打破域的限制。我们的模型可以求出特定单词在隐含主题上的多项分布,同时也可以得到单词到各个域上的多项分布。在这个模型中,域之间的信息可以跨域共享也可以保留各自独有的特征。同时这种算法引入了在线学习的思想,能够处理流式的数据,算法效率对比基于蒙特卡洛方法的吉布斯采样有了很大的提高,这也就使得这种方法在当前这个大数据时代是十分实用的。主题模型在分析文本数据时有着很强大的能力,而基于主题模型的各种改进模型同样也有这样的能力。不过在常见的推荐应用场景中,更多地是处理用户对于物品的打分数据,并预测用户对未打分或未产生行为的物品做出合理的预测。在推荐系统的常见算法中有一种隐语义模型,这种模型本质思想与主题模型是一致的,都是挖掘表面数据背后隐藏的特征和联系,将高维度的信息用低维的隐特征来表示。我们对已有的一种传统的矩阵分解算法进行了改进,进而命名为DSSCM模型,从而可以在跨域推荐的问题中一定程度上解决传统单域推荐经常遇到的数据稀疏的问题。最后,我们做了大量实验,实验的结果也使得算法效果达到预期。所以主题模型和与之本质思想类似的隐语义模型能够有效地分析离散的,多域的数据集,并在互联网时代有着广阔的应用前景。

关键词：多域数据主题模型隐语义聚类推荐

来源：评论

学校读者我要写书评

暂无评论

基于多域数据增广的无人机弱小目标检测

基于多域数据增广的无人机弱小目标检测

引用

第十八届全国信号和智能信息处理与应用学术会议

作者：王淼刘俊男朱跃杜玉玺叶剑锋国网电力空间技术有限公司特种作业中心

无人机对地监测在电力线巡检、安防监控、耕地保护等领域有着广泛的应用价值。然而,无人机对地观测中地物目标常存在尺寸小、纹理弱、噪声大等特点,对目标检测算法带来了巨大的挑战。针对这一挑战,单域数据集匮乏及网络检测能力不足是... 详细信息

无人机对地监测在电力线巡检、安防监控、耕地保护等领域有着广泛的应用价值。然而,无人机对地观测中地物目标常存在尺寸小、纹理弱、噪声大等特点,对目标检测算法带来了巨大的挑战。针对这一挑战,单域数据集匮乏及网络检测能力不足是目前的主要瓶颈。针对以上问题,提出无人机视角下多域数据增广方法,将来自不同域的多个数据集融合构成新的训练集,并在数据尺度进行优化,扩大了数据规模,丰富了数据多样性。所提方法在多个经典的神经网络上进行测试,实验表明所提方法可以显著提升无人机弱小目标的检测性能。

关键词：多域数据数据增广无人机视角小目标检测

来源：评论

学校读者我要写书评

暂无评论

一种集成学习思想的渐进拟合分类方法

一种集成学习思想的渐进拟合分类方法

引用

作者：张跃长春工业大学

学位级别：硕士

大数据已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。相关处理技术飞速发展,各行各业都在尝试利用已有的大数据创造更高的价值,如何准确高效的将这些大数据进行分类迅速成为研究的热点。大数据具有数量多且增长速度快,... 详细信息

大数据已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。相关处理技术飞速发展,各行各业都在尝试利用已有的大数据创造更高的价值,如何准确高效的将这些大数据进行分类迅速成为研究的热点。大数据具有数量多且增长速度快,有效信息密度低,类型多样化等特点,这就对之前的处理方式提出了巨大的挑战。大数据处理是一种有别于传统处理数据思维的理念:以传统算法为基础,针对数据的特性,从数据中抽象出有效信息或者事物规则,帮助我们对同种问题进行判断或做出决策甚至预知问题的答案。本文主要对领域内大数据的分类方法进行探索和研究,通过深度分析大规模的特定领域数据解决该领域内的分类问题。本文首先对研究的相关知识进行简单介绍,然后对国内外的研究情况进行汇总。通过这些总结发现了传统方法中的一些不足,即当前大数据处理特定领域内的分类问题时,往往存在仅考虑了与问题明显相关的特征,且现有方法对小样本数据集训练效果不佳的问题。通常传统做法是对问题所在的部分特征通过统计学方法得到这些特征之间的关系,以此构建一个基于学习器的分类模型。仅对问题进行分析处理,虽然可以快速地达到不错的准确率,但是由于分析域的局限性,在分类准确性上继续提高变得较为困难。本文重点关注并研究了大数据处理特定领域内的分类问题,先提出了一种基于预拟合随机森林的分类算法(PF-RF),提升了传统分类模型在小样本数据下的抗噪声能力。该方法先通过预拟合萃取全特征信息,再通过集成学习的基学习器对该信息进行分类。接着在此算法基础上着眼于多特征域数据的处理问题,提出了一种基于集成学习思想的渐进拟合分类方法,称为多域数据深度分析(MODE)方法。与传统方法中专注于问题直接相关特征方法相比,MODE引入了多域数据的概念。MODE旨在关注原始数据特征域之间的关联,首先对各域的数据进行一个正交后的特征萃取,然后针对小数据集的特点进行特征维度的扩张,最终利用扩张并逐渐强化的特征获得较好的分类模型。实验中尝试将本文方法运用于真实社会学领域的大数据中,用于实现通过人口普查的数据去对他的年收入情况进行分类这一特定的工作。实验结果表明,与现有方法相比,该方法对小样本的多域数据分类效果更佳。

关键词：领域大数据集成学习预拟合多域数据渐进拟合

来源：评论

学校读者我要写书评

暂无评论

多任务聚类研究

多任务聚类研究

引用

作者：张晓彤大连理工大学

学位级别：博士

传统聚类方法只能对一个任务中的数据进行划分。但是在很多情况下,单一任务中的数据是有限的,这不足以获得很好的聚类性能。在现实生活中,很多任务是相关的,多任务聚类通过在任务之间迁移相关知识来提高所有任务的聚类性能。利用类标签... 详细信息

传统聚类方法只能对一个任务中的数据进行划分。但是在很多情况下,单一任务中的数据是有限的,这不足以获得很好的聚类性能。在现实生活中,很多任务是相关的,多任务聚类通过在任务之间迁移相关知识来提高所有任务的聚类性能。利用类标签的监督多任务学习方法已经研究得比较成熟,而不利用类标签的多任务聚类方法还有很多问题亟待研究。多任务聚类要处理的数据分为三种类型:同域数据、多域数据和多视角数据。本文分别针对这三种数据设计了多任务聚类方法。(1)同域数据的多任务聚类:同域数据指多个任务中的数据来自于同一领域。针对现有多任务布雷格曼聚类方法存在的缺陷,本文提出了三个改进方法。①智能多任务布雷格曼聚类:该方法引入损失函数作为判断条件,从而解决了多任务布雷格曼聚类带来的质心偏移问题。②多任务核聚类:该方法将数据映射到再生核希尔伯特空间,从而解决了多任务布雷格曼聚类不能很好聚类非线性可分数据的问题,但它依然会导致质心偏移。③智能多任务核聚类:该方法通过引入损失函数并将数据映射到再生核希尔伯特空间,从而既解决了质心偏移问题,又解决了非线性可分数据的聚类问题。(2)多域数据的多任务聚类:多域数据指多个任务中的数据来自于不同领域。首先,针对现有部分相关多任务聚类方法过少且具有限制条件的问题,本文提出了两个泛化能力更强的方法:①自适应多任务聚类只在任务之间相关簇构建的子任务中,通过共享最近邻相似度迁移实例知识;②多任务模型相关性学习聚类通过学习任务之间簇线性回归模型参数的相关性来迁移模型参数知识。其次,针对现有多任务聚类方法只能迁移特征、实例和模型参数中的一种知识,而不能充分利用任务间相关知识的问题,本文提出了三个同时迁移特征和实例知识的方法:①基于特征和实例迁移的多任务聚类适用于完全相关任务;②流形正则化编码多任务聚类适用于部分相关任务;③基于特征和实例迁移的加权多任务聚类对完全相关任务和部分相关任务都很适用。(3)多视角数据的多任务聚类:多视角数据指每个任务中的数据包含来自不同视角的特征。目前还没有针对此类问题的方法被提出。本文首先提出了一个基于联合聚类的多任务多视角聚类框架,它包含三部分:单任务单视角聚类、多视角关系学习和多任务关系学习。然后本文基于这一框架提出了两个方法:①基于二分图的多任务多视角聚类采用二分图联合聚类,它只能处理带有非负特征的数据;②基于半非负矩阵三分解的多任务多视角聚类采用半非负矩阵三分解联合聚类,它也能处理带有负数特征的数据。

关键词：多任务聚类同域数据多域数据多视角数据

来源：评论

学校读者我要写书评

暂无评论

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：

请选择收藏分类：

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

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：