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

873 篇 专利
6 篇 学位论文
5 篇 期刊文献

馆藏范围

884 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

11 篇 工学
- 8 篇 计算机科学与技术...
- 8 篇 软件工程
- 5 篇 控制科学与工程
- 1 篇 信息与通信工程
- 1 篇 测绘科学与技术
- 1 篇 地质资源与地质工...
- 1 篇 环境科学与工程（可...
- 1 篇 网络空间安全
5 篇 管理学
- 5 篇 管理科学与工程(可...

主题

11 篇 标记样本
3 篇 支持向量机
3 篇 主动学习
2 篇 无标记样本
2 篇 相似度融合
2 篇 机器学习
2 篇 半监督学习
1 篇 有监督
1 篇 语义相似度
1 篇 球形k-means算法
1 篇 多层极限学习机
1 篇 邮件分类算法
1 篇 特征提取
1 篇 半监督fcm算法
1 篇 co-forest算法
1 篇 大数据
1 篇 自训练方法
1 篇 问句分类
1 篇 变化检测
1 篇 入侵检测

机构

62 篇 西安电子科技大学
22 篇 电子科技大学
19 篇 杭州电子科技大学
16 篇 重庆邮电大学
15 篇 河海大学
12 篇 西安交通大学
12 篇 浙江大学
12 篇 中国科学院遥感与...
11 篇 哈尔滨工业大学
11 篇 南京航空航天大学
10 篇 北京工业大学
9 篇 昆明理工大学
9 篇 东北大学
8 篇 大连理工大学
8 篇 南京大学
8 篇 西北工业大学
8 篇 重庆大学
8 篇 中国电子科技集团...
8 篇 南京邮电大学
8 篇 西安理工大学

作者

46 篇 焦李成
34 篇 侯彪
34 篇 马文萍
28 篇 马晶晶
24 篇 刘红英
22 篇 王爽
17 篇 杨淑媛
14 篇 熊涛
14 篇 刘芳
11 篇 张向荣
10 篇 冯志玺
9 篇 缑水平
9 篇 甘海涛
8 篇 张曦
8 篇 陈彦桥
8 篇 柴兴华
8 篇 王敏
6 篇 冯婕
6 篇 周红静
6 篇 杨丽霞

语言

884 篇 中文

检索条件"主题词=标记样本"

共 884 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：

标记样本规模对半监督文本聚类算法的影响

标记样本规模对半监督文本聚类算法的影响

引用

作者：莫日根吉林大学

学位级别：硕士

近年来，机器学习领域中半监督学习引起了广泛的关注。众所周知，有标记的样本的规模会显著地影响学习的结果。然而，究竟多少样本才完美符合是一个悬而未决的问题。在本文中，我们会尝试在文本聚类领域中揭示这个问题的规律以及最佳解... 详细信息

近年来，机器学习领域中半监督学习引起了广泛的关注。众所周知，有标记的样本的规模会显著地影响学习的结果。然而，究竟多少样本才完美符合是一个悬而未决的问题。在本文中，我们会尝试在文本聚类领域中揭示这个问题的规律以及最佳解决方案。在两种经典的的聚类算法k-均值和AP聚类的基础上，我们实现了五个改进的半监督文本聚类算法，分别是种子k-均值聚类算法(Seed K-means)，约束k-均值聚类算法(Constraint K-means)，松散种子AP聚类算法(Loose Seed Affinity Propagation)，紧密种子AP聚类算法(Compact Seed Affinity Propagation)以及3-集合种子AP聚类算法(SeedAffinity Propagation)来估算标记样本规模对半监督聚类算法的影响。我们将它们分别应用于两个文本挖掘领域中的标准数据集：路透社数据(Reuters-21578)和美国国家自然科学基金摘要数据（NSF Research Award Adstracts1990-2003）。数值结果显示标记样本的数量增长未必都有助于聚类算法来获得更高的准确率。当k均值系列算法的标记样本规模超过检验点35%时，AP聚类系列算法的标记样本规模超过检验点25%时，这些聚类算法的学习能力将会停止或者增长缓慢。上述实验结果将为半监督聚类算法的应用提供帮助，方便人们根据不同需求选择不同算法。

关键词：半监督聚类算法标记样本文本聚类

来源：评论

学校读者我要写书评

暂无评论

应用少量标记样本的支持向量机分类研究

应用少量标记样本的支持向量机分类研究

引用

作者：成鹏陕西师范大学

学位级别：硕士

随着科学技术的迅速发展,存储设备的快速增大,收集大量的未标记样本已不是难事,而获取大量有标记的样本则相对较为困难,因为获得这些标记可能需要耗费大量的人力、物力以及财力。如何仅用少量的标记样本和大量的未标记样本来改善学习器... 详细信息

随着科学技术的迅速发展,存储设备的快速增大,收集大量的未标记样本已不是难事,而获取大量有标记的样本则相对较为困难,因为获得这些标记可能需要耗费大量的人力、物力以及财力。如何仅用少量的标记样本和大量的未标记样本来改善学习器机的性能、提高分类的精度己成为当前机器学习中研究的热点。同时,支持向量机(SVM)是继人工神经网络(ANN)之后新的机器学习方法,它以统计学习理论(Statistical Learning Theory,SLT)和结构风险最小化(Structural Risk Minimization,SRM)原则为基础。与传统的机器学习算法相比较,支持向量机(SVM)是利用核函数将样本特征空间映射到高维特征空间,将非线性分类问题转换成线性分类问题,解决了传统算法中训练集误差最小而测试集误差仍较大的问题。所以,近年来该方法成为机器学习领域内的一项新型技术,在分类和回归问题中得到了广泛的应用。支持向量机(SVM)目标是寻求对高维特征空间划分的最优分类超平面,其关键是在保证训练样本的分类误差尽可能的小情况下,使得类间分类间隔最大化。训练结果只与支持向量有关,非支持向量不会影响分类的结果,算法的复杂性亦取决于支持向量的数目,而不是样本空间的维数。支持向量决定了分类结果,这不仅有利于我们抓住关键的标记样本、减少大量冗余样本,而且注定了该方法不但算法简单,更具有较好的“鲁棒”性。如果我们事先能有效的预选出其中的潜在支持向量,这样标记样本的数目就会缩减很多,不但提高了支持向量机训练算法二次规划求解的速度,更重要的是减少了标记样本的规模。本文就是基于以上考虑,提出了两种利用少量标记样本的支持向量机分类算法：一种是,基于相似度理论提出了相似度融合的主动支持向量机分类算法；另一种是,在支持向量聚类基上提出了支持向量聚类与分类相结合的分类算法。 (1)相似度融合的主动支持向量机分类算法。主动学习可以主动选择最有利于提高分类器性能的样本进一步设计分类器,从而有效减少所需训练样本的数量,标记样本所需的代价也随之减少。本文就是基于相似度理论和主动学习的方法,结合支持向量机分类算法,实现的利用少量标记样本的机器学习算法。实验表明,该方法与普通主动学习的支持向量机相比,在保证分类器性能的情况下,可以减少标记样本的数目,抑制孤立样本对分类器影响,在相同标记样本数目情况下,此方法具有较高的分类精度。 (2)支持向量聚类与分类相结合的分类算法。为了提高支持向量聚类的精度,降低聚类标记的时间、空间复杂度,提出了一种支持向量聚类与分类相结合的机器学习的算法。该算法是将支持向量聚类中的聚类标记阶段替换为支持向量机分类,同时将支持向量聚类所训练出的潜在支持向量作为支持向量机分类的训练样本,这样可以减少大量手工标记的工作量,同时也降低了支持向量机分类二次规划求解的复杂度。实验表明,该方法与支持向量聚类和支持向量机分类方法相比较具有明显的优势。

关键词：标记样本机器学习主动学习支持向量机分类支持向量聚类相似度融合

来源：评论

学校读者我要写书评

暂无评论

基于标记样本扩展的高光谱波段选择技术

基于标记样本扩展的高光谱波段选择技术

引用

作者：姚利西安电子科技大学

学位级别：硕士

近年来,高光谱遥感技术发展迅速,在社会与生活领域中有着越来越广泛的应用。运用高光谱图像中丰富的光谱信息可以进行精确的目标识别,但其高维的数据形式、信息的高度冗余也给后续的数据处理带来了巨大的挑战。因此,如何在最大程度保留... 详细信息

近年来,高光谱遥感技术发展迅速,在社会与生活领域中有着越来越广泛的应用。运用高光谱图像中丰富的光谱信息可以进行精确的目标识别,但其高维的数据形式、信息的高度冗余也给后续的数据处理带来了巨大的挑战。因此,如何在最大程度保留高光谱数据丰富信息的基础上降低数据维度是高光谱图像处理的重要技术问题之一。波段选择是高光谱图像处理中一种常用的降维方式。波段选择是指在原始波段中挑选出符合要求的最优波段组合,它与特征提取方法相比,较好的保留了原始波段的物理含义以及地物的光谱特性。根据标记样本参与的数量,波段选择可分为无监督波段悬着、半监督波段选择与有监督波段选择。虽然有监督波段选择利用标记信息可以提高波段选择的性能,但由于标记样本的缺乏及难以获取,有监督波段选择的应用范围一直受限。针对有监督波段选择方法受限于标记样本的问题,本文在分析总结前人研究成果的基础上,对如何扩大有监督波段选择方法应用范围做了深入的研究,主要研究内容有:(1)基于像素聚类的波段选择方法。该算法首先对图像分块并提取代表性像素点,随后对代表性像素点进行聚类并使用支撑向量机分类器优化聚类结果,最终将聚类的类标当作伪标签,形成伪标记样本,然后采用有监督波段选择方法进行波段选。该算法将未标记样本转换为伪标记样本,实现了在无监督领域中使用有监督波段选择方法,扩展了有监督波段选择的应用范围。(2)基于小样本扩展的波段选择方法。该算法针对标记样本稀缺的问题,通过增加标记样本来提高波段选择效果。该算法通过两种方式来增加标记样本,其一是根据高光谱图像中空间相邻的点很有可能是同一类地物的特性,将已知标记样本点的邻域点加入到标记样本集中;其二是通过线性合成的方法,在同类已知标记样本集中线性合成一些新的样本。通过加入新的标记样本,扩大标记样本集,达到更好的波段选择效果。本文所提出的两种算法都具有扩展标记样本集的作用,使用扩展后的标记样本集参与有监督波段选择,以此来扩展有监督波段选择方法的应用范围与性能效果。本文中对所提两种算法设计了仿真实验,仿真实验结果证明了本文所提方法的有效性。

关键词：高光谱图像数据降维波段选择有监督标记样本

来源：评论

学校读者我要写书评

暂无评论

标记样本的方法、系统、设备及介质

标记样本的方法、系统、设备及介质

引用

作者：潘廷珅丛磊 100015 北京市朝阳区酒仙桥北路甲10号院201号楼5层505内02

本发明公开了一种标记样本的方法、系统、设备及介质，方法包括：获取每个url_pattern在第一预设时间段内的页面浏览量，以及访问该url_pattern的去重后的IP地址数量，以确定危险url_pattern；获取第二预设时间段内访问每一个危险url_pa... 详细信息

标准号: CN112839010B

本发明公开了一种标记样本的方法、系统、设备及介质，方法包括：获取每个url_pattern在第一预设时间段内的页面浏览量，以及访问该url_pattern的去重后的IP地址数量，以确定危险url_pattern；获取第二预设时间段内访问每一个危险url_pattern的IP地址的时间参数和页面浏览参数，进而确定出现异常访问的IP地址，将出现异常访问的IP地址标记为正样本。使用本发明中的方法标记正样本，不仅标记准确性高、减少人力成本，而且标记效率高、通用性好，以便给机器学习模型中筛选正样本数据。

关键词：正样本预设时间段访问机器学习模型页面浏览量标记效率标记样本人力成本时间参数页面浏览去重筛选

来源：评论

学校读者我要写书评

暂无评论

一种面向歧义标记样本的特征选择方法

一种面向歧义标记样本的特征选择方法

引用

作者：张敏灵鲍伟轩 210096 江苏省南京市玄武区四牌楼2号

本发明公开了一种面向含歧义标记样本的特征选择方法，该方法对具有噪声标记信息的样本进行特征筛选，以达到数据预处理的目的。改方法包括以下步骤：（1）基于含歧义标记的原始数据信息初始化标记置信度，以标记置信度方式刻画标记信... 详细信息

标准号: CN116955986A

本发明公开了一种面向含歧义标记样本的特征选择方法，该方法对具有噪声标记信息的样本进行特征筛选，以达到数据预处理的目的。改方法包括以下步骤：（1）基于含歧义标记的原始数据信息初始化标记置信度，以标记置信度方式刻画标记信息；（2）根据样本信息计算每个特征变量与标记变量之间的互信息值；（3）选择前个与标记变量具有最大互信息值的特征作为特征子集元素；（4）根据所选特征子集进行kNN聚合，更新样本示例的标记置信度；（5）若标记置信度不变，则转到步骤（6），否则转到步骤（2）；（6）根据所选特征子集构造低维数据集；（7）结束。

关键词：置信度特征子集标记变量歧义样本原始数据信息数据预处理最大互信息标记信息标记样本特征变量特征筛选特征选择样本信息噪声标记初始化互信息数据集低维聚合刻画更新

来源：评论

学校读者我要写书评

暂无评论

生成标记样本及训练风险评级预测模型的方法及计算设备

生成标记样本及训练风险评级预测模型的方法及计算设备

引用

作者：靳佳为李洪世 518000 广东省深圳市福田区梅林街道梅都社区中康路136号深圳新一代产业园4栋803

本申请提供一种生成标记样本及训练风险评级预测模型的方法及计算设备。一种基于电商数据生成标记样本的方法包括：对包含多个风险指标的风险指标空间进行降维并对样本排序，获得初始标记样本并放入样本空间；重复执行以下步骤,直至所... 详细信息

标准号: CN116384750A

本申请提供一种生成标记样本及训练风险评级预测模型的方法及计算设备。一种基于电商数据生成标记样本的方法包括：对包含多个风险指标的风险指标空间进行降维并对样本排序，获得初始标记样本并放入样本空间；重复执行以下步骤,直至所述样本空间中标记样本的数量达到阈值:利用所述样本空间中的标记样本训练分类模型；通过训练后的分类模型进行样本标签化，利用得到的标记样本扩充所述样本空间。该方案通过半监督学习的方式进行样本标签化，从而通过数据生成标签，以生成训练样本，节省了人力。

关键词：标记样本样本空间样本风险指标数据生成标签化半监督学习分类模型风险评级计算设备训练分类训练样本预测模型重复执行放入降维排序标签申请

来源：评论

学校读者我要写书评

暂无评论

一种基于关系网络标记样本扩充的半监督辨识方法

一种基于关系网络标记样本扩充的半监督辨识方法

引用

作者：王义阮胡林孙浩然 400044 重庆市沙坪坝区沙正街174号

本发明公开一种基于关系网络标记样本扩充的半监督辨识方法，步骤为：1)获取有标签信号集和无标签信号集；2)对有标签信号集和无标签信号集进行预处理；3)对有标签信号集进行样本扩充；4)利用扩充后的有标签信号集建立深度神经网络故障... 详细信息

标准号: CN112257862A

本发明公开一种基于关系网络标记样本扩充的半监督辨识方法，步骤为：1)获取有标签信号集和无标签信号集；2)对有标签信号集和无标签信号集进行预处理；3)对有标签信号集进行样本扩充；4)利用扩充后的有标签信号集建立深度神经网络故障分类模型；5)实时监测齿轮箱的振动信号，并对振动信号进行预处理；6)将预处理后的振动信号输入到深度神经网络故障分类模型中，得到齿轮箱的运行状态，从而完成齿轮箱的故障诊断。本发明能充分利用少量样本的标签信息，精确实现样本之间的相似性衡量，降低了对标签信号样本数量上的依赖。

关键词：标签信号预处理样本振动信号齿轮箱故障分类神经网络标记样本标签信息故障诊断关系网络实时监测运行状态半监督辨识衡量

来源：评论

学校读者我要写书评

暂无评论

一种基于关系网络标记样本扩充的半监督辨识方法

一种基于关系网络标记样本扩充的半监督辨识方法

引用

作者：王义阮胡林孙浩然 400044 重庆市沙坪坝区沙正街174号

标准号: CN112257862B

关键词：标签信号预处理样本振动信号齿轮箱故障分类神经网络标记样本标签信息故障诊断关系网络实时监测运行状态半监督辨识衡量

来源：评论

学校读者我要写书评

暂无评论

基于标记样本扩充和样本选择的数据检索方法及系统

基于标记样本扩充和样本选择的数据检索方法及系统

引用

作者：刘兴波张雪凝聂秀山王少华尹义龙 250000 山东省济南市历城区临港开发区凤鸣路1000号

本公开提供了一种基于标记样本扩充和样本选择的数据检索方法及系统，属于数据挖掘处理技术领域，包括获取待检索的图像样本，利用样本外扩展映射计算其哈希码；计算待检索图像样本与检索数据库中哈希码的海明距离，并按照海明距离从小... 详细信息

标准号: CN115858834A

本公开提供了一种基于标记样本扩充和样本选择的数据检索方法及系统，属于数据挖掘处理技术领域，包括获取待检索的图像样本，利用样本外扩展映射计算其哈希码；计算待检索图像样本与检索数据库中哈希码的海明距离，并按照海明距离从小到大的次序返回相似数据，基于基于标记样本及其标签建立监督损失，基于无标记样本及其伪标签建立无监督损失，根据监督损失和无监督损失建立半监督哈希的目标函数；在目标函数优化和样本选择间迭代，获取检索数据库的哈希码，并利用检索数据库的哈希码学习样本外扩展映射，能够在一定程度上提高半监督哈希方法的训练效率和稳定性。

关键词：哈希码检索数据库样本标记样本标签建立海明距离样本选择半监督无监督映射哈希目标函数优化检索图像目标函数数据检索数据挖掘图像样本学习样本训练效率无标记迭代检索监督返回

来源：评论

学校读者我要写书评

暂无评论

基于计算机图形技术生成带标记样本的方法

基于计算机图形技术生成带标记样本的方法

引用

作者：勾佳祺饶大林 518000 广东省深圳市南山区西丽街道松坪山社区朗山路19号源政创业大厦A座七层715室

本发明涉及一种基于计算机图形技术生成带标记样本的方法，该方法包括根据预先设置的场景单元构建虚拟场景，场景单元均设置有属性信息阵列，场景单元在虚拟场景内在属性范围内进行运行；设置虚拟运动单元，确定场景单元在虚拟运动单元... 详细信息

标准号: CN114637882B

本发明涉及一种基于计算机图形技术生成带标记样本的方法，该方法包括根据预先设置的场景单元构建虚拟场景，场景单元均设置有属性信息阵列，场景单元在虚拟场景内在属性范围内进行运行；设置虚拟运动单元，确定场景单元在虚拟运动单元的作用下的属性信息；记录任意时刻的虚拟运动单元在虚拟场景中的图像信息，并记录图像信息对应的运动属性信息和对应的场景单元的属性信息；生成样本信息，样本信息包括图像信息、运动属性信息和属性信息。通过对虚拟运动单元的运动属性信息与已有数据样本中的信息进行对比，根据运行属性信息与实际运动属性信息的属性值的关系，对实际运动属性信息进行调整，使得样本信息的生成速度大大提高。

关键词：场景单元属性信息运动属性虚拟运动虚拟场景样本信息图像信息计算机图形技术记录图像信息标记样本内在属性数据样本预先设置构建记录

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89页 << < 1 2 3 4 5 6 7 8 9 10 > >>

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：