检索结果-内蒙古大学图书馆

计算机研究与发展 2024年第7期61卷 1713-1729页

作者：黄玲黄镇伟黄梓源关灿荣高月芳王昌栋华南农业大学数学与信息学院广州510642 中山大学计算机学院广州510006

跨域推荐(cross-domain recommendation,CDR)通过利用其他域的额外知识,有效缓解了传统推荐系统遭遇的数据稀疏性问题.但是当前的CDR方法忽略了用户-项交互图所蕴含的高阶信息.为此,提出了一个新的框架,称为图卷积宽度跨域推荐系统(grap... 详细信息

跨域推荐(cross-domain recommendation,CDR)通过利用其他域的额外知识,有效缓解了传统推荐系统遭遇的数据稀疏性问题.但是当前的CDR方法忽略了用户-项交互图所蕴含的高阶信息.为此,提出了一个新的框架,称为图卷积宽度跨域推荐系统(graph convolutional broad cross-domain recommender system,GBCD).具体地,将传统的用户-项交互的2-部图扩展到一个(D+1)-部图,以建模每个域中用户和项之间的关系,然后使用公共用户作为源域和目标域之间的桥梁来传递信息.通过图卷积网络(graph convolutional network,GCN)学习用户与项之间的高阶关系,以聚合领域信息.然而,由于GCN在大量节点下收敛速度非常慢,并倾向于吸收不可靠的交互噪声,导致鲁棒性较差.为此,将域聚合特征输入到宽度学习系统(broad learning system,BLS),并利用BLS的随机映射特征增强了GCN的鲁棒性,进而获得了较好的推荐性能.在2个真实数据集上进行的实验结果表明,GBCD优于各种先进的跨域推荐方法.

关键词：跨域推荐多部图构造宽度学习系统图卷积网络推荐系统

来源：评论

学校读者我要写书评

暂无评论

基于混合阶相似性的多视图聚类:一个广义的视角

引用

计算机学报 2024年第7期47卷 1453-1468页

作者：陈曼笙任骊安王昌栋黄栋赖剑煌中山大学计算机学院广州510006 广东省知识产权大数据重点实验室广州1510006 华南农业大学数学与信息学院广州510642

多视图聚类已经被广泛研究,它能够采用可用的多源信息来实现更好的聚类性能.然而,大多数之前的工作仍存在两个不足:(1)它们通常关注多视图属性特征的场景,很少留意到多视图属性图数据;(2)它们主要尝试发现一致的结构或多个视图之间的关... 详细信息

多视图聚类已经被广泛研究,它能够采用可用的多源信息来实现更好的聚类性能.然而,大多数之前的工作仍存在两个不足:(1)它们通常关注多视图属性特征的场景,很少留意到多视图属性图数据;(2)它们主要尝试发现一致的结构或多个视图之间的关系,而忽略了多视图观测之间潜在的高阶相关性。为了解决这些问题,我们从广义角度出发,提出了一种新颖的方法,称为混合阶相似性的多视图聚类(Multiview Clustering by Hybridorder Affinity,MCHA).它将结构图和多视图属性特征巧妙融合,同时考虑了低秩概率相似性图和混合阶的相关性.具体而言,我们通过图过滤策略构建了一组保留几何结构的视图特定的平滑表示.同时,我们将从平滑表示中学习得到的多视图概率相似性图堆叠成一个张量,并对该张量给予低秩属性的约束.这可以很好地恢复视图间更高阶的相关性.在八个基准数据集上的实验表明,我们所提出的MCHA方法具有最先进的有效性.

关键词：多视图聚类概率相似性图低秩张量高阶相关性

来源：评论

学校读者我要写书评

暂无评论

张量学习诱导的多视图谱聚类

引用

计算机学报 2024年第1期47卷 52-68页

作者：陈曼笙蔡晓莎林家祺王昌栋黄栋赖剑煌中山大学计算机学院广州510006 中山大学数学学院(珠海) 广东珠海519000 广东省知识产权大数据重点实验室广州510006 华南农业大学数学与信息学院广州510642

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至... 详细信息

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n2logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.

关键词：多视图聚类加权张量核范数谱嵌入表征自适应置信度

来源：评论

学校读者我要写书评

暂无评论

基于深度学习和时空关联建模的降水数据地形订正方法

引用

太原理工大学学报 2024年第4期55卷 734-742页

作者：吴雪峰陈逸智王昌栋黄栋华南农业大学数学与信息学院广州510642 广东省气象数据中心广州510610 中山大学计算机学院广州510006

【目的】如何基于地形因素对降水数据进行误差订正(简称“地形订正”)是气象大数据研究的一个重要问题。但是,现有的降水数据地形订正方法存在两方面局限性:一是现有方法大多基于数据统计或传统机器学习而设计,未能拓展至特征学习能力... 详细信息

【目的】如何基于地形因素对降水数据进行误差订正(简称“地形订正”)是气象大数据研究的一个重要问题。但是,现有的降水数据地形订正方法存在两方面局限性:一是现有方法大多基于数据统计或传统机器学习而设计,未能拓展至特征学习能力更强的深度学习模型;二是现有方法亦未能结合气象数据的时间与空间关联信息以提升订正效果。【方法】提出一种基于深度学习与时空关联建模的降水数据地形订正方法。该方法首先对广东省降水数据和多源地形信息作预处理,结合经纬度进行对齐与编码,以构建相应的数据矩阵。进而结合各个格点的空间和时间邻域下的降水与地形数据进行多源时空信息建模,并结合降采样策略以缓解降水格点与非降水格点的数据不平衡性,最后构建深度神经网络进行回归订正。实验在广东省逾4000个气象观测站点、逾15万气象格点的真实气象数据上进行。【结果】实验结果验证了时空关联建模策略对提升降水订正效果的显著作用以及所提出方法相比于其他对比方法的性能优势。

关键词：气象大数据深度学习降水量地形订正时空信息

来源：评论

学校读者我要写书评

暂无评论

双重需求响应的虚拟电厂建模与调度研究

引用

系统仿真学报 2023年第4期35卷 822-832页

作者：陈强王意李康顺东莞城市学院计算机与信息学院广东东莞523109 华南农业大学人工智能学院广东广州510642 广东科技学院计算机学院广东东莞523083 华南农业大学数学与信息学院广东广州510642

虚拟电厂技术为聚合分布式能源和用户侧资源参与电力调度提供了有效手段。现有研究大部分聚焦在分布式能源的调度优化,而对用户侧需求响应的研究较少。将用户侧资源分为签约的可靠响应负荷和非签约的随机响应负荷,并通过价格调整机制调... 详细信息

虚拟电厂技术为聚合分布式能源和用户侧资源参与电力调度提供了有效手段。现有研究大部分聚焦在分布式能源的调度优化,而对用户侧需求响应的研究较少。将用户侧资源分为签约的可靠响应负荷和非签约的随机响应负荷,并通过价格调整机制调控负荷响应以适应分布式能源发力变化。为此构建一种双重需求响应的虚拟电厂优化调度模型,并以电网整体收益最大化为优化目标,使用带约束惩罚的改进差分进化算法进行优化。仿真实验表明所提出模型较无需求响应模型可提升10%的收益,具有较大的应用潜力。

关键词：虚拟电厂双重需求响应差分进化算法约束调度

来源：评论

学校读者我要写书评

暂无评论

基于视图互信息加权的多视图集成聚类算法

引用

计算机应用 2023年第6期43卷 1713-1718页

作者：劳景欢黄栋王昌栋赖剑煌华南农业大学数学与信息学院广州510642 中山大学计算机学院广州510006

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这... 详细信息

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类(MEC-VMIW)算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。

关键词：数据聚类多视图聚类互信息集成聚类视图加权二部图

来源：评论

学校读者我要写书评

暂无评论

基于前后端生成概率密度图模型的虾苗自动计数

引用

南方水产科学 2025年第1期21卷 173-184页

作者：蔡润基彭小红叶双福张天晨高月芳吕俊霖广东海洋大学数学与计算机学院广东湛江524088 华南农业大学数学与信息学院广东广州510642 中国水产科学研究院南海水产研究所广东广州510300

虾苗计数是虾类养殖与销售中生物量估算的基本操作,对养殖管理和提高产量至关重要。由于受虾苗体型小、遮挡严重以及密集程度不一等因素影响,现有的自动计数方法难以在一定密度下准确计数。基于此,提出了一种基于贝叶斯概率分布的前后... 详细信息

虾苗计数是虾类养殖与销售中生物量估算的基本操作,对养殖管理和提高产量至关重要。由于受虾苗体型小、遮挡严重以及密集程度不一等因素影响,现有的自动计数方法难以在一定密度下准确计数。基于此,提出了一种基于贝叶斯概率分布的前后端结合计数网络(Shrimp counting, SC)模型,用于解决虾苗计数问题。该模型主要由前端模块、注意力模块和后端模块构成。首先,使用前端模块提取具有判别性的表型特征,并采用注意力模块对特征进行重组,以提升对图像的局部注意力;随后,使用后端模块生成虾苗分布预测概率密度图;最后,通过贝叶斯损失函数对模型进行参数调整,以提升虾苗计数的精确度。为了验证方法的有效性,构建了一个包含2种不同密度的虾苗计数数据集,并在该数据集上进行了多组实验对比。结果显示,总体准确率可达93.325%,平均绝对误差和均方误差分别为96.304和154.567。与现有主流的计数方法 [布莱克-利特曼模型(Black-Litterman, BL)、人群密度估计网络(Contextual Scene Recognition Network, CSR-Net)、多维注意力增强人群计数模型(Boosting Crowd Counting via Multifaceted Attention, BCCMA)]相比,SC模型准确率最高、误差最小。该模型适用于孵化场、销售和养殖入塘等多场景的虾苗自动计数。

关键词：虾苗计数密度图预测计数网络模型注意力模块贝叶斯损失

来源：评论

学校读者我要写书评

暂无评论

基于邻域互信息的组合预测最优子集选择算法

引用

计算机工程与设计 2024年第5期45卷 1359-1367页

作者：吕兴李倩张大斌曾莉玲凌立文华南农业大学数学与信息学院广东广州510642 华南农业大学乡村振兴研究院广东广州510642 广东白云学院大数据与计算机学院广东广州510450

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal... 详细信息

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal redundancy and maximal relevance, MRMR)筛选最优子集;邻域互信息中的邻域参数与子集选择效果密切相关,采用CSPSO算法寻找最优邻域参数,充分利用布谷鸟算法(cuckoo search, CS)和粒子群优化算法(particle swarm optimization, PSO)的优势,兼顾搜索效率和全局搜索能力;在寻参过程中设计一种淘汰策略,优化邻域参数的寻优区间并淘汰部分单模型,减少计算量。仿真结果表明,所提方法在预测精度、运行时间和稳健性上效果更优。

关键词：时间序列组合预测子模型选择邻域互信息参数优化启发式算法布谷鸟算法

来源：评论

学校读者我要写书评

暂无评论

CNN结合Transformer的深度伪造高效检测

引用

中国图象图形学报 2023年第3期28卷 804-819页

作者：李颖边山王春桃卢伟华南农业大学数学与信息学院广州510642 广州市智慧农业重点实验室广州510642 中山大学计算机学院广州510006

目的深度伪造视频检测是目前计算机视觉领域的热点研究问题。卷积神经网络和Vision Transformer(ViT)都是深度伪造检测模型中的基础结构,二者虽各有优势,但都面临训练和测试阶段耗时较长、跨压缩场景精度显著下降问题。针对这两类模型... 详细信息

目的深度伪造视频检测是目前计算机视觉领域的热点研究问题。卷积神经网络和Vision Transformer(ViT)都是深度伪造检测模型中的基础结构,二者虽各有优势,但都面临训练和测试阶段耗时较长、跨压缩场景精度显著下降问题。针对这两类模型各自的优缺点,以及不同域特征在检测场景下的适用性,提出了一种高效的CNN(convolutional neural network)结合Transformer的联合模型。方法设计基于Efficient Net的空间域特征提取分支及频率域特征提取分支,以丰富单分支的特征表示。之后与Transformer的编码器结构、交叉注意力结构进行连接,对全局区域间特征相关性进行建模。针对跨压缩、跨库场景下深度伪造检测模型精度下降问题,设计注意力机制及嵌入方式,结合数据增广策略,提高模型在跨压缩率、跨库场景下的鲁棒性。结果在Face Forensics++的4个数据集上与其他9种方法进行跨压缩率的精度比较,在交叉压缩率检测实验中,本文方法对Deepfake、Face2Face和Neural Textures伪造图像的检测准确率分别达到90.35%、71.79%和80.71%,优于对比算法。在跨数据集的实验中,本文模型同样优于其他方法,并且同设备训练耗时大幅缩减。结论本文提出的联合模型综合了卷积神经网络和Vision Transformer的优点,利用了不同域特征的检测特性及注意力机制和数据增强机制,改善了深度伪造检测在跨压缩、跨库检测时的效果,使模型更加准确且高效。

关键词：深度伪造检测卷积神经网络(CNN) Vision Transformer(ViT) 空间域频率域

来源：评论

学校读者我要写书评

暂无评论

基于激光扫描和深度学习的人体动作精准识别研究

引用

激光杂志 2023年第10期44卷 178-183页

作者：叶裴雷张大斌广东白云学院大数据与计算机学院广州510450 华南农业大学数学与信息学院广州510642

基于特征进行人体动作识别时,主要依靠短时间规模的时空特征,导致识别结果top-1值较低。因此,提出结合激光扫描技术和深度学习原理,设计有效的人体动作识别方法。针对激光扫描数据,进行去噪和校正处理。通过背景差分法划分静态背景与感... 详细信息

基于特征进行人体动作识别时,主要依靠短时间规模的时空特征,导致识别结果top-1值较低。因此,提出结合激光扫描技术和深度学习原理,设计有效的人体动作识别方法。针对激光扫描数据,进行去噪和校正处理。通过背景差分法划分静态背景与感兴趣区域,根据扫描数据点的连续性特点、空间位置关系,检测出待识别的人体目标。建立包含时空注意力机制的深度学习人体动作识别模型,获取扫描数据中包含的长期、复杂时空信息,得到融合特征输入融合域,得到初始分类结果。最后,结合决策融合机制,生成人体动作精准识别结果。实验结果表明:所提方法的top-1值为74.4%,与其他识别方法相比提升了30.7%、28.9%和24.2%。

关键词：激光扫描深度学习人体动作识别时空金字塔注意力机制目标检测

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：