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

3 篇 学位论文
1 篇 会议

馆藏范围

4 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

4 篇 工学
- 3 篇 控制科学与工程
- 2 篇 计算机科学与技术...
- 2 篇 软件工程
- 1 篇 轻工技术与工程
- 1 篇 食品科学与工程（可...
- 1 篇 生物工程
2 篇 理学
- 2 篇 数学
- 1 篇 系统科学
2 篇 管理学
- 2 篇 管理科学与工程(可...

主题

4 篇 稀疏化算法
2 篇 支持向量机
1 篇 人工神经网络
1 篇 knn
1 篇 蛋白质相互作用
1 篇 不平衡数据集
1 篇 样本平移
1 篇 分布式学习
1 篇 收敛性
1 篇 模型选择
1 篇 葡萄酒质量预测
1 篇 序列最小化直推式...
1 篇 几何算法
1 篇 通信有效
1 篇 加权有向图
1 篇 软压缩凸包
1 篇 oracle性质
1 篇 近邻分布
1 篇 压缩凸包
1 篇 自适应过采样算法

机构

1 篇 南京审计大学
1 篇 上海大学
1 篇 沈阳大学
1 篇 中国传媒大学

作者

1 篇 王永滨
1 篇 李阳逸
1 篇 才力
1 篇 彭新俊
1 篇 杨莹
1 篇 沈昊
1 篇 巩微

语言

4 篇 中文

检索条件"主题词=稀疏化算法"

共 4 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：

一种基于加权有向图的神经网络稀疏化算法

一种基于加权有向图的神经网络稀疏化算法

引用

第十六届中国神经网络大会(CNNC2006)暨首届中国人工免疫系统专题会议(CAISC06)

作者：才力王永滨杨莹巩微中国传媒大学计算机与软件学院北京100024

通过加权有向图对人工神经网络的结构进行描述,神经网络被看成为由内部各个子系统和子系统之间的相互作用而构成的一个动力系统.通过讨论其中子系统即神经元自身以及它们之间连接的变化对整个动力系统的影响,在产生的扰动不影响神经网... 详细信息

通过加权有向图对人工神经网络的结构进行描述,神经网络被看成为由内部各个子系统和子系统之间的相互作用而构成的一个动力系统.通过讨论其中子系统即神经元自身以及它们之间连接的变化对整个动力系统的影响,在产生的扰动不影响神经网络的收敛性的前提下,提出一种稀疏化算法,可以在一定的误差允许范围内得到更稀疏的神经网络结构.文中使用这种算法对一个3层的BP网络实例进行了稀疏化实现,得到一个神经元更少的结构,说明基于加权有向图的神经网络稀疏化算法可以用于类似BP网络这种层次化的神经网络的稀疏化.

关键词：人工神经网络加权有向图稀疏化算法收敛性

来源：评论

学校读者我要写书评

暂无评论

考虑样本分布的KNN算法及其在葡萄酒质量预测中的应用

考虑样本分布的KNN算法及其在葡萄酒质量预测中的应用

引用

作者：李阳逸沈阳大学

学位级别：硕士

近年来,随着生活水平的提高,葡萄酒越来越受到人们的喜爱。葡萄酒的生产工艺复杂,易受各种因素影响,因此,利用葡萄酒的理化数据来实时控制生产过程是十分必要的。KNN(k-Nearest Neighbor,k-近邻)算法是一个经典分类算法,适用于多类别场... 详细信息

近年来,随着生活水平的提高,葡萄酒越来越受到人们的喜爱。葡萄酒的生产工艺复杂,易受各种因素影响,因此,利用葡萄酒的理化数据来实时控制生产过程是十分必要的。KNN(k-Nearest Neighbor,k-近邻)算法是一个经典分类算法,适用于多类别场景,但是在面对较大数据集时会发生运行效率低以及对数据集的平衡性敏感等问题。由于葡萄酒数据集具有样本种类多、类别不平衡性等特点,在使用KNN算法对其进行等级分类时,难以取得理想的效果。同时,大数据集也会使模型运算速度变得缓慢。本文针对这个问题进行了以下研究工作:(1)不平衡数据存在复杂的分布,如小析取项、类间重叠和噪声等问题时,SMOTE算法没有考虑到样本的邻域信息,在插值时易合成噪声和重叠样本,干扰数据集的后续处理。因此,提出一种考虑近邻分布的自适应过采样方法(CDL-NDWCOTE)。首先,考虑样本分布的不同情形,研究一种样本集的簇划分方法(CDL),根据样本的位置信息标记出小析取项、类间重叠区域、内部和噪声样本,删除噪声样本并保留其他三类作为采样样本。其次,利用各类邻域样本构建超球体,提出一种考虑近邻分布自适应权重综合计算方法,最后,将权重赋予合成时需要选择的近邻,三类少类簇内分别进行差别化的新样本合成。类间重叠区域样本选择随机线性插值合成方式,内部、小析取项样本选择三角形内随机线性插值合成方式,以避免合成重叠的同类、异类样本和噪声。使用C4.5分类器在真实不平衡数据集和生成集上进行实验,得到的评估指标与多种过采样算法进行对比,验证了方法的有效性。(2)针对KNN分类算法处理大数据集运算速度慢的问题,对数据预处理,通过基于DPC-JA的样本稀疏化方法,首先采用密度峰值聚类算法找出每个聚类中心,其次将各个聚类中心作为参考样本点,分别对每个类别的样本进行杰卡德相似度分析,将各个样本对聚类中心样本的相似度作为判别样本间相似度的依据;最后删除与聚类中心相似度大的样本点。以这种方法降低分类算法的运算量,提高模型运算效率。使用KNN算法得到样本稀疏化后的分类模型,并对比与不经过样本稀疏化处理KNN模型的平均错误率、运算时间和分类精度等,验证了DPC-JA在提升KNN分类效率方面的效果。(3)建立CDL-NDWCOTE过采样结合DPC-JA样本稀疏化预处理数据的KNN分类模型,并基于模型建立葡萄酒质量品鉴系统,通过葡萄酒生产过程中的理化数据,预测成酒的质量。将本文改模型与未改进的KNN模型、单步骤改进的KNN模型和其他模型进行对比,所有结果表明,提出的方法优于现有模型。验证了CDL-NDWCOTE和DPC-JA改进的KNN预测模型具有良好的泛化性能,在预测葡萄酒质量上的有效性和实用性。

关键词：葡萄酒质量预测 KNN 不平衡数据集近邻分布自适应过采样算法稀疏化算法

来源：评论

学校读者我要写书评

暂无评论

支持向量机若干问题及应用研究

支持向量机若干问题及应用研究

引用

作者：彭新俊上海大学

学位级别：博士

支持向量机(SVM)作为结构风险最小化准则的具体实现工具,具有全局最优、结构简单、泛化性能强等优点。该技术已成为机器学习界的研究热点,并在很多领域得到了成功的应用。本文针对支持向量机,作了如下几个方面的研究:(1)指出基于贪婪思... 详细信息

支持向量机(SVM)作为结构风险最小化准则的具体实现工具,具有全局最优、结构简单、泛化性能强等优点。该技术已成为机器学习界的研究热点,并在很多领域得到了成功的应用。本文针对支持向量机,作了如下几个方面的研究: (1)指出基于贪婪思想的LS-SVM稀疏化算法得到的解容易落入局部极小点,即超平面并不稀疏。提出Invfitting法则分析迭代过程中所有支持向量,删除掉对决策函数影响最小的支持向量。并将Invfitting法则与逐次增加的支持向量的Backfitting法则有机结合,发展了更具有全局最优性的HBILS-SVM算法,从而敞少支持向量的数目,使得超平面更加稀疏。 (2)分析了现有SVM几何算法中RCH的不足:RCH改变训练样本的凸包的几何形状,并且仅有极点表出的必要而非充分条件。引入了具有不改变几何体的形状、容易确定极点等优良特性的CCH的概念。据此讨论了基于CCH的SVM几何算法。同时,根据CCH极点的特性,提出了概率加速几何算法减少迭代中的计算量。 (3)提出TM-ν-SVM解决了TM-SVM无法确定正则化参数的不足,确定了TM-ν-SVM的间隔误差和子支持向量的上下界,分析表明TM-ν-SVM算法可取得比ν-SVM算法更好的结果。同时具体分析了TM-ν-SVM的几何意义,即优化过径等价于求特征空间中两个SCCH间的最近点对。进一步,讨论了SCCH的几阿性质,据此给出了对应的几何算法。 (4)讨论了将SVR转化为SVC的样本平移(SS)算法,并给出了基于经验法向量的样本平移(OSS)算法。进一步地,为减少噪声对经验法向量的影响,结合支持向量的几何算法,提出了基于特征空间中法向量的在线样本平移(OFGSS)算法。该方法可减少平移大小对回归函数的影响,降低噪声影响,具有较强的泛化性能。 (5)分析对比了增量支持向量机和支持向量机的几何算法的优缺点。探讨了基于几何算法的支持向量机核参数确定方法。该方法结合了几何算法的优点,并利用对参数的近似梯度计算,从而以更快的速度得到最优核参数。为支持向量机的模型选择提供了一条有效的途径。 (6)在回顾TSVM的各种学习算法之后提出了TSVM的一个改进算法——SMTSVM算法。SMTSVM算法通过引入序列最小化思想估计调整测试样本的临时标签后的Largrange系数,从而得到新的决策分类函数以及调整后的经验误差估计。该方法可解决过于简单地估计经验误差带来的分类精度上的不足。 (7)讨论了将SVM应用到蛋白质相互作用预测工作中。通过利用蛋白质的结构域信息以及残基序列信息分别构建新的SVM输入向量,从而有效地预测了蛋白质相互作用及判定预测位点。数值模拟实验表明结合所讨论的特征表示方法得到的SVM预测器的性能远好于其它结果。

关键词：支持向量机稀疏化算法几何算法压缩凸包软压缩凸包样本平移模型选择序列最小化直推式学习蛋白质相互作用

来源：评论

学校读者我要写书评

暂无评论

高维支持向量机的通信有效分布式学习

高维支持向量机的通信有效分布式学习

引用

作者：沈昊南京审计大学

学位级别：硕士

近年来,许多大规模的机器学习问题得到了越来越多的关注并取得了飞速的发展,如计算机视觉、自然语言处理、推荐系统等。这些成功的背后离不开大规模的数据集和机器学习模型,然而大规模的数据集和模型无法在内存和计算资源有限的单机上... 详细信息

近年来,许多大规模的机器学习问题得到了越来越多的关注并取得了飞速的发展,如计算机视觉、自然语言处理、推荐系统等。这些成功的背后离不开大规模的数据集和机器学习模型,然而大规模的数据集和模型无法在内存和计算资源有限的单机上进行存储和训练。这个富有挑战性的问题是通过分布式机器学习解决的,即利用多台机器来完成原本在单机上的训练任务。对于强大的二元分类工具支持向量机(SVM),在高维空间中,本文提出了一类新的高效的分布式稀疏学习算法:通信有效可替代似然支持向量机算法(CSLSVM)。该算法基于通信有效代理似然(CSL)框架,且适用于非凸和凸惩罚函数。在上述框架下,数据被分配到多个工作机上,只需要在主机上训练模型,其他的机器只需要通过本地数据计算局部梯度并传递给主机,从而达到通信有效的目的。我们对分布式支持向量机的通信有效代理似然框架进行了扩展,不需要对hinge损失和损失的梯度进行光滑处理。对于带有L1惩罚的CSLSVM,我们证明了其估计量具有与整个数据集L1惩罚的SVM估计量近似的Oracle性质。对于带有SCAD惩罚的CSLSVM,也证明了其估计量的Oracle性质,并使用局部线性逼近算法(LLA)来解决非唯一局部最小值的问题;我们的算法在分布式框架和超高维度设置中,只要有适当的初始估计量,LLA算法就能保证收敛到Oracle估计量。最后,本文将Top-k稀疏化运用到CSLSVM算法中,我们将梯度Top-k稀疏化后再进行通信,更好地减少了通信成本,同时利用误差反馈方法保证了算法的收敛性并给出了理论证明。另外,本文所提出的方法在几轮通信后,可比较于全局化方法,数值实验验证了我们的结论。这些都是全新的工作。

关键词：分布式学习支持向量机通信有效 Oracle性质稀疏化算法

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：