检索结果-内蒙古大学图书馆

基于切词的受限领域智能答疑系统设计与实现

引用

武汉理工大学学报 2010年第16期32卷 148-151,180页

作者：田伟马廷淮李可一冷家昭刘文杰南京信息工程大学计算机与软件学院南京210044 北京林业大学自动化系北京100083

针对目前答疑系统的现状和不足,介绍了基于切词的智能答疑系统的模型,对模型中的中文切词,文本相似度计算等关键技术进行了研究与改进,应用C#和SQL Server数据库实现智能答疑系统,在一定程度上提高了智能答疑系统的智能性和扩展性。

关键词：答疑系统自然语言处理中文切词文本相似度计量向量空间模型

来源：评论

学校读者我要写书评

暂无评论

基于支持向量机优化粒子群算法的活立木材积测算

引用

农业工程学报 2013年第20期29卷 160-167页

作者：焦有权赵礼曦邓欧徐伟恒冯仲科北京林业大学测绘与3S研究中心北京100083 北京农业职业学院北京102442 中国农业大学水利与土木工程学院北京100083 清华大学工程物理系公共安全研究院北京100084 西南林业大学计算机与信息学院昆明650224

材积模型是编制立木材积表的关键,通常用经验材积方程来预测材积量。由于树木生长具有不确定性,传统的材积方程很难有效地对模型的复杂性和多样性做出测算,导致目前活立木材积测算的准确率较低。为了提高活立木材积的测算准确率,将粒子... 详细信息

材积模型是编制立木材积表的关键,通常用经验材积方程来预测材积量。由于树木生长具有不确定性,传统的材积方程很难有效地对模型的复杂性和多样性做出测算,导致目前活立木材积测算的准确率较低。为了提高活立木材积的测算准确率,将粒子群(particle swarm optimization,PSO)算法引入到活立木材积模型中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将活立木胸径和树高数据输入到SVM中学习,将SVM参数作为PSO中的粒子,把活立木实测材积值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对活立木测算材积值进行模型测算并采用实测材积值验证。论文应用电子经纬仪与人工量测立木地径、胸径相结合的方法,通过软件计算求得400组树高、树干材积值;然后对300组数据集以活立木胸径和树高作为输入数据,材积为输出数据,采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用100组数据进行预测;最后引用经典Spurr材积模型算法、BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率最高,预测值与实测值间复相关系数达0.91,平均误差率为0.58%。

关键词：树木测算模型 PSO-SVM 活立木材积电子经纬仪

来源：评论

学校读者我要写书评

暂无评论

我国森林经理学科课程教学与科研方向的若干思考

引用

世界林业研究 2015年第3期28卷 64-69页

作者：冯仲科徐伟恒郑娜北京林业大学精准林业北京市重点实验室北京100083 西南林业大学计算机与信息学院昆明650224

森林经理学是研究森林资源经营和管理的综合性学科。我国森林经理学科发展道路曲折,目前存在诸多问题,学科面临被弱化的困境。因此,必须加强学科课程教学改革和科学研究,提高创新能力。文中简要回顾了我国森林经理的发展历程,分析了目... 详细信息

森林经理学是研究森林资源经营和管理的综合性学科。我国森林经理学科发展道路曲折,目前存在诸多问题,学科面临被弱化的困境。因此,必须加强学科课程教学改革和科学研究,提高创新能力。文中简要回顾了我国森林经理的发展历程,分析了目前森林经理学科发展中存在的问题和原因,提出我国森林经理学科课程教学改革的途径和当前的重要科研方向。

关键词：森林经理课程教学科研方向中国

来源：评论

学校读者我要写书评

暂无评论

基于Tri-training的主动学习算法

引用

计算机工程 2014年第6期40卷 215-218,229页

作者：张雁吴保国吕丹桔林英北京林业大学信息学院北京100083 西南林业大学计算机与信息学院昆明650224 云南大学软件学院昆明650091

半监督学习和主动学习都是利用未标记数据,在少量标记数据代价下同时提高监督学习识别性能的有效方法。为此,结合主动学习方法与半监督学习的Tri-training算法,提出一种新的分类算法,通过熵优先采样算法选择主动学习的样本。针对UCI数... 详细信息

半监督学习和主动学习都是利用未标记数据,在少量标记数据代价下同时提高监督学习识别性能的有效方法。为此,结合主动学习方法与半监督学习的Tri-training算法,提出一种新的分类算法,通过熵优先采样算法选择主动学习的样本。针对UCI数据集和遥感数据,在不同标记训练样本比例下进行实验,结果表明,该算法在标记样本数较少的情况下能取得较好的效果。将主动学习与Tri-training算法相结合,是提高分类性能和泛化性的有效途径。

关键词：半监督学习主动学习 Tri—training算法熵优先采样 Tri-EPS算法

来源：评论

学校读者我要写书评

暂无评论

基于加强概率控制策略的SAT局部搜索算法

引用

计算机工程与应用 2017年第14期53卷 56-60,110页

作者：洪剑珂张峥华许贵平北京林业大学信息学院北京100083 华中科技大学计算机学院武汉430074

局部搜索算法是目前求解SAT问题比较有效的方法,而Sattime算法是在SAT国际大赛中获得大奖的一种典型局部搜索算法。在Sattime算法的求解过程中,记录变元翻转事件流数据库,通过数据分析与模式挖掘,发现Sattime算法的局部搜索行为中会出... 详细信息

局部搜索算法是目前求解SAT问题比较有效的方法,而Sattime算法是在SAT国际大赛中获得大奖的一种典型局部搜索算法。在Sattime算法的求解过程中,记录变元翻转事件流数据库,通过数据分析与模式挖掘,发现Sattime算法的局部搜索行为中会出现相邻搜索步选择同一个变元的现象,即所谓的回环现象,从而降低了求解效率。为解决此问题,提出两种概率控制策略:加强子句选择策略和加强变元选择策略,并将这两种策略应用到Sattime算法中,形成新的局部搜索算法Sattime-P。实验结果表明,与Sattime算法相比,改进后的Sattime-P算法求解效率有显著的提升。该方法也对其他局部搜索算法的改进具有参考价值。

关键词： SAT问题局部搜索概率控制子句布尔变元

来源：评论

学校读者我要写书评

暂无评论

D-S证据推理的决策问题

引用

计算机工程与应用 2003年第33期39卷 82-84,97页

作者：刁联旺李勇智杨静宇南京理工大学计算机系南京200094 南京林业大学信息学院南京210037

在处理不确定信息的方法中,D-S证据推理性能突出,应用广泛。但也存在决策方面的困难,事实上,有效的决策方法仍是它未解决的问题之一。该文从两方面研究了这一问题。首先根据测度论中代数(域)扩张理论,引入决策命题集的概念,对决策命题... 详细信息

在处理不确定信息的方法中,D-S证据推理性能突出,应用广泛。但也存在决策方面的困难,事实上,有效的决策方法仍是它未解决的问题之一。该文从两方面研究了这一问题。首先根据测度论中代数(域)扩张理论,引入决策命题集的概念,对决策命题加以约束;其次分析了现有的决策方法,对线性加权组合决策方法提出了改进,并结合应用实例给出了详细可行的算法。

关键词： D-S证据理论信任函数似真函数决策

来源：评论

学校读者我要写书评

暂无评论

电子经纬仪无损立木材积测量方法及精度分析

引用

中南林业科技大学学报 2015年第4期35卷 7-13页

作者：曹忠冯仲科徐伟恒高超北京林业大学精准林业北京市重点实验室北京100083 西南林业大学计算机与信息学院云南昆明650224

提出一种人工测量胸径和地径数据后,采用电子经纬仪按照解析木近似分段方法,对活立木上部直径和相应高度进行测量,按照圆台累加法模拟解析木平均断面区分材积法求积的立木材积测算方法。为了验证这种技术方法的可靠性,在北京地区选取了8... 详细信息

提出一种人工测量胸径和地径数据后,采用电子经纬仪按照解析木近似分段方法,对活立木上部直径和相应高度进行测量,按照圆台累加法模拟解析木平均断面区分材积法求积的立木材积测算方法。为了验证这种技术方法的可靠性,在北京地区选取了87棵伐倒样木,首先使用电子经纬仪对样木从相互垂直的两个方向分别进行观测,计算结果求平均值。然后伐倒样木,采用传统的平均断面材积法进行树高、材积测定并作为真值,最后将电子经纬仪观测结果同伐倒木测定树高、材积进行比对分析。试验结果表明:电子经纬仪立木测算树高相对于解析木测定树高的平均相对误差为-0.11%,相对误差平均值绝对值为1.70%,决定系数R2为0.994,相对误差的频数基本符合正态分布;材积的平均相对误差为0.18%,相对误差平均值绝对值为1.75%,决定系数R2为0.999,相对误差的频数呈正态分布。说明电子经纬仪活立木测算结果与传统伐倒解析木测算得出的树高和材积具有一致性,可以替代伐倒木区分求积法,达到林业调查的规范要求。

关键词：立木材积测量方法解析木精度分析电子经纬仪

来源：评论

学校读者我要写书评

暂无评论

多区域注意力的细粒度图像分类网络

引用

计算机工程 2024年第1期50卷 271-278页

作者：白尚旺王梦瑶胡静陈志泊太原科技大学计算机科学与技术学院山西太原030024 北京林业大学信息学院北京100091

目前细粒度图像分类的难点在于如何精准定位图像中高度可辨的局部区域以及其他辅助判别特征。提出一种多区域注意力的细粒度图像分类网络来解决这个问题。首先使用Inception-V3对图像特征进行提取,通过重复使用注意力擦除的方法使模型... 详细信息

目前细粒度图像分类的难点在于如何精准定位图像中高度可辨的局部区域以及其他辅助判别特征。提出一种多区域注意力的细粒度图像分类网络来解决这个问题。首先使用Inception-V3对图像特征进行提取,通过重复使用注意力擦除的方法使模型关注次要特征;然后通过背景去除以及上采样的方法获取图像更精准的局部图像,对提取到的局部特征进行位置统计,并以矩形框的方式获取图像整体,减少细节信息丢失;最后对局部与整体图像进行更加细致的学习。此外,设计联合损失函数,通过动态平衡难易样本和缩小类内差距的方法改善模型的识别效果。实验结果表明,该方法在公开的细粒度图像数据集CUB-200-2011、Stanford-Cars和FGVC-Aircraft上的准确率分别达到89.2%、94.8%、94.0%,相较于对比方法性能更优。

关键词：多区域注意力细粒度图像分类擦除策略联合损失深度学习卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于Leap Motion小鼠卵巢切割模拟算法

引用

系统仿真学报 2016年第9期28卷 2207-2213页

作者：李浩杨猛胡杰焦昊翟莹郄薇杨刚北京林业大学信息学院北京100083 中国科学院软件研究所计算机科学国家重点实验室北京100190

提出一种基于Leap Motion的对小鼠卵巢进行切割的实验模拟方法。精确采集小鼠各主要器官的真实形态数据;然后对这些数据特征进行深入分析,并利用3ds MAX进行精细建模;将三维模型导入Unity3D中,搭建虚拟实验环境并创建Leap Motion接口;... 详细信息

提出一种基于Leap Motion的对小鼠卵巢进行切割的实验模拟方法。精确采集小鼠各主要器官的真实形态数据;然后对这些数据特征进行深入分析,并利用3ds MAX进行精细建模;将三维模型导入Unity3D中,搭建虚拟实验环境并创建Leap Motion接口;通过基于碰撞点形成平面的切割算法来实现对小鼠卵巢的切割模拟,并通过基于运动学的形变算法实现形变模拟。该切割算法通过虚拟器械与模型网格的碰撞,以碰撞点和摄像机形成的平面对模型网格进行切割和网格重建。实验结果表明:该算法能够真实、有效地对小鼠卵巢模型的切割进行模拟,同时能够真实再现现实实验的操作体验。

关键词：生物实验虚拟交互 Leap Motion 切割算法形变算法

来源：评论

学校读者我要写书评

暂无评论

基于形态特征真实感月季大规模建模算法

引用

系统仿真学报 2015年第10期27卷 2328-2336页

作者：杨猛郭王翚贺晓宇林琳杨刚北京林业大学信息学院北京100083 中国科学院软件研究所计算机科学国家重点实验室北京100190

提出一种基于形态特征的月季单株植株建模及大规模园林场景模拟方法。精确采集月季植株各主要器官的真实形态数据;对这些数据特征进行深入分析,获取诸如黄金分割等形态特性;以这些特性为基础建立单株植株主枝与各层分枝间、枝与叶间的... 详细信息

提出一种基于形态特征的月季单株植株建模及大规模园林场景模拟方法。精确采集月季植株各主要器官的真实形态数据;对这些数据特征进行深入分析,获取诸如黄金分割等形态特性;以这些特性为基础建立单株植株主枝与各层分枝间、枝与叶间的拓扑关系,同时模拟茎、叶、花、刺等各器官以生成完整的植株;通过基于角策略的Poisson Disk Tiles分布模型生成大规模园林月季场景。实验结果表明:算法能够真实、有效地生成多种不同形态的单株月季植株并模拟大规模园林月季场景,具有广泛应用价值和广阔发展前景。

关键词：月季建模形态特征黄金分割大规模

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：