检索结果-内蒙古大学图书馆

吉林大学学报（工学版） 2019年第2期49卷 570-577页

作者：刘桂霞王沫沅苏令涛吴春国孙立岩王荣全吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012

为解决实验方法中结果存在较高假阳性率和假阴性率的问题,整合蛋白质特征数据,提出一种基于深度神经网络的蛋白质相互作用预测框架。提取蛋白质的GO语义相似性、序列相似性、蛋白质重要性以及亚细胞定位信息,得到低维度的输入数据。然... 详细信息

为解决实验方法中结果存在较高假阳性率和假阴性率的问题,整合蛋白质特征数据,提出一种基于深度神经网络的蛋白质相互作用预测框架。提取蛋白质的GO语义相似性、序列相似性、蛋白质重要性以及亚细胞定位信息,得到低维度的输入数据。然后建立深度神经网络,进行预测。通过使用弃权技术,减少网络中复杂的互适应神经元,总体性能得到提高。预测框架在酿酒酵母蛋白质数据集上的准确率达到95.67%,精确度达到96.38%。实验结果表明:提取的特征数据较适合用于蛋白质互作的预测研究,且构建的基于深度神经网络的蛋白质相互作用预测框架具有出色的泛化性能,在多种数据上都能取得较好效果。

关键词：人工智能蛋白质相互作用蛋白质特征蛋白质序列深度神经网络

来源：评论

学校读者我要写书评

暂无评论

基于双重注意力机制的异步优势行动者评论家算法

引用

计算机学报 2020年第1期43卷 93-106页

作者：凌兴宏李杰朱斐刘全伏玉琛苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006 吉林大学符号计算与知识工程教育部重点实验室长春130012 软件新技术与产业化协同创新中心南京210000 常熟理工学院计算机科学与工程学院江苏常熟215500

深度强化学习是目前机器学习领域发展最快的技术之一.传统的深度强化学习方法在处理高维度大状态的空间任务时,庞大的计算量导致其训练时间过长.虽然异步深度强化学习利用异步方法极大缩短了训练时间,但会忽略某些更具价值的图像区域和... 详细信息

深度强化学习是目前机器学习领域发展最快的技术之一.传统的深度强化学习方法在处理高维度大状态的空间任务时,庞大的计算量导致其训练时间过长.虽然异步深度强化学习利用异步方法极大缩短了训练时间,但会忽略某些更具价值的图像区域和图像特征.针对上述问题,本文提出了一种基于双重注意力机制的异步优势行动者评论家算法.新算法利用特征注意力机制和视觉注意力机制来改进传统的异步深度强化学习模型.其中,特征注意力机制为卷积神经网络卷积后的所有特征图设置不同的权重,使得智能体聚焦于重要的图像特征;同时,视觉注意力机制为图像不同区域设置权重参数,权重高的区域表示该区域信息对智能体后续的策略学习有重要价值,帮助智能体更高效地学习到最优策略.新算法引入双重注意力机制,从表层和深层两个角度对图像进行编码表征,帮助智能体将聚焦点集中在重要的图像区域和图像特征上.最后,通过Atari 2600部分经典实验验证了基于双重注意力机制的异步优势行动者评论家算法的有效性.

关键词：注意力机制双重注意力机制行动者评论家异步优势行动者评论家异步深度强化学习

来源：评论

学校读者我要写书评

暂无评论

一种求解复杂优化问题的快速遗传算法算子

引用

吉林大学学报（理学版） 2021年第3期59卷 602-608页

作者：裴莹苏山付加胜韩霄松长春财经学院信息工程学院长春130122 吉林大学计算机科学与技术学院符号计算与知识工程教育部重点实验室长春130012 中国石油集团工程技术研究院有限公司钻井工艺研究所北京102206

针对利用遗传算法解决参数维度高、计算复杂,且适应度依赖于其他工具的问题,提出一种加快遗传算法收敛速度的聚集算子.该算子首先利用AP(affinity propagation)聚类对种群进行划分,然后通过主成分分析(PCA)对每个聚簇降维,再利用加权最... 详细信息

针对利用遗传算法解决参数维度高、计算复杂,且适应度依赖于其他工具的问题,提出一种加快遗传算法收敛速度的聚集算子.该算子首先利用AP(affinity propagation)聚类对种群进行划分,然后通过主成分分析(PCA)对每个聚簇降维,再利用加权最小二乘法在低维空间下将种群分布拟合成二次曲面,并将计算极值点作为优势个体返回到原始空间.实验结果表明,相比于传统遗传算法,聚集算子在保证优化精度的同时可有效提高收敛速度.

关键词：复杂问题求解遗传算法快速收敛聚集算子

来源：评论

学校读者我要写书评

暂无评论

引入激活扩散的贝叶斯网络分类器

引用

吉林大学学报(信息科学版) 2025年第2期43卷 317-326页

作者：董飒刘杰刘大有李婷婷徐海啸吴旗欧阳若川吉林大学计算机科学与技术学院吉林大学符号计算与知识工程教育部重点实验室吉林大学党委教师工作部

针对网络数据分类的关系分类器都基于同质性假设，而基于一阶马尔可夫假设的简化处理存在一定局限性的问题，在贝叶斯网络分类器中，引入局部图排序激活扩散方法替代原始的直接邻域获取方法。通过设置初始能量值和最小能量阈值，适当扩... 详细信息

针对网络数据分类的关系分类器都基于同质性假设，而基于一阶马尔可夫假设的简化处理存在一定局限性的问题，在贝叶斯网络分类器中，引入局部图排序激活扩散方法替代原始的直接邻域获取方法。通过设置初始能量值和最小能量阈值，适当扩大分类时待分类节点的邻域范围，从而提高了节点的同质性。结合松弛标注的协作推理方法，引入激活扩散的贝叶斯网络分类器ASNBC(Activation Spreading Network Bayes Classifier)在一定程度上提高了网络数据的分类精度。与4个网络分类器的对比实验结果表明，该方法在6个网络数据集上的分类精度都有不同程度的提高。

关键词：人工智能网络数据分类激活扩散贝叶斯网络分类器协作推理

来源：评论

学校读者我要写书评

暂无评论

同伴互评在计算机课程教学中的应用研究

引用

计算机教育 2021年第10期 131-134页

作者：韩霄松张禹梁艳春黄岚管仁初吉林大学计算机科学与技术学院吉林长春130012 吉林大学珠海学院计算机学院符号计算与知识工程教育部重点实验室珠海分实验室广东珠海519041

为了进一步探讨并发挥同伴互评在计算机课程中的效果,提出双通道评价反馈机制、详细评分标准、有偿同伴互评和多粒度同伴互评4方面实施手段,以3门计算机课程为研究对象,总结2017—2019年的课程成绩,通过对比分析,验证基于同伴互评实施... 详细信息

为了进一步探讨并发挥同伴互评在计算机课程中的效果,提出双通道评价反馈机制、详细评分标准、有偿同伴互评和多粒度同伴互评4方面实施手段,以3门计算机课程为研究对象,总结2017—2019年的课程成绩,通过对比分析,验证基于同伴互评实施手段可以在多种课程中有效激发学生自主学习兴趣,提高学习质量。

关键词：同伴互评计算机课程课程评价模式

来源：评论

学校读者我要写书评

暂无评论

基于双模型的MUS求解方法

引用

计算机研究与发展 2019年第12期56卷 2623-2631页

作者：欧阳丹彤高菡田乃予刘梦张立明吉林大学软件学院长春130012 吉林大学计算机科学与技术学院长春130012 符号计算与知识工程教育部重点实验室(吉林大学) 长春130012

求解不可满足问题的极小不可满足子集(minimal unsatisfiable subset,MUS)是人工智能领域的重要研究方向.MARCO-M方法是目前采用单一极大化模型求解MUS效率最高的方法,但此方法未对求解空间进行进一步有效剪枝.针对MARCO-M方法的不足,... 详细信息

求解不可满足问题的极小不可满足子集(minimal unsatisfiable subset,MUS)是人工智能领域的重要研究方向.MARCO-M方法是目前采用单一极大化模型求解MUS效率最高的方法,但此方法未对求解空间进行进一步有效剪枝.针对MARCO-M方法的不足,结合可满足问题求解复杂度低于不可满足问题的特征,提出基于双模型即极大中间化模型的MARCO-MAM方法求解MUS.此方法对中间模型求解若得到极大可满足子集(maximal satisfiable subset,MSS),则利用可满足问题对应求解空间对不可满足问题的求解空间进行剪枝,即利用MSS对应的空间来对MUS搜索空间进行剪枝,进而通过缩减未探索空间来提高MUS求解效率;如果中间模型进行求解得到MUS时,则减少了MARCO-M方法中MUS的不可满足迭代求解次数.此方法避免了MARCO-M方法单一极大化模型求解MUS时未有效利用其他优化技术对求解空间进行剪枝的问题.实验结果表明:与MARCO-M方法相比MARCO-MAM方法效率较高,尤其在大规模问题或较大搜索空间时效率提高更为明显.

关键词：命题可满足问题极小不可满足子集极大可满足子集幂集探索双模型

来源：评论

学校读者我要写书评

暂无评论

一种基于时间戳的简单表缩减算法

引用

软件学报 2019年第11期30卷 3355-3363页

作者：杨明奇李占山张家晨吉林大学计算机科学与技术学院吉林长春130012 符号计算与知识工程教育部重点实验室(吉林大学) 吉林长春130012

表约束是一种外延的知识表示方法,每个约束在对应的变量集上列举出所有支持或禁止的元组.广义弧相容(generalized arc consistency,简称GAC)是求解约束满足问题应用最广泛的相容性.Simple Tabular Reduction(STR)是一类高效的维持GAC的... 详细信息

表约束是一种外延的知识表示方法,每个约束在对应的变量集上列举出所有支持或禁止的元组.广义弧相容(generalized arc consistency,简称GAC)是求解约束满足问题应用最广泛的相容性.Simple Tabular Reduction(STR)是一类高效的维持GAC的算法.在回溯搜索中,STR动态地删除无效元组,降低了查找支持的开销,并拥有单位时间的回溯代价,在高元表约束上获得了广泛运用,并有大量基于STR的改进算法被提出,其中,元组集的压缩表示是目前研究较多的方法.同样基于动态维持元组集有效部分的思想,为STR提出一种检测并删除无效元组和为变量更新支持的算法,作用于原始表约束并拥有单位时间的回溯代价.实验结果表明,该算法在表约束上维持GAC的效率普遍高于现有的非基于压缩表示的STR算法,并且在一些实例上的效率高于最新的基于元组集压缩表示的STR算法.

关键词：约束满足问题简单表缩减表约束广义弧相容

来源：评论

学校读者我要写书评

暂无评论

综合信息矿产预测中的智能化图库构建

综合信息矿产预测中的智能化图库构建

引用

首届全国矿产勘查大会

作者：叶水盛张原庆刘光胜赵震宇叶育鑫综合信息矿产预测研究所/吉林大学计算机科学与技术学院/吉林大学符号计算与知识工程教育部重点实验室/吉林大学

本文重点介绍研发智能化综合信息矿产预测平台(KCYC)中的建库器及过程函数库。建库器能够转换人机交互综合信息矿产预测工作流程及工作内容为知识推理网络和网络节点;过程函数是工作流程图中的节点(即推理网络中每一节点的工作内容)。... 详细信息

本文重点介绍研发智能化综合信息矿产预测平台(KCYC)中的建库器及过程函数库。建库器能够转换人机交互综合信息矿产预测工作流程及工作内容为知识推理网络和网络节点;过程函数是工作流程图中的节点(即推理网络中每一节点的工作内容)。自动建库就是通过建库器自动建立事实库、知识规则库,并结合过程函数库完成找矿图件的自动生成过程。

关键词：矿产预测 GIS ES 自动知识获取知识规则库

来源：评论

学校读者我要写书评

暂无评论

利用细胞膜演算描述带子句学习的DPLL算法

引用

哈尔滨工程大学学报 2019年第4期40卷 799-804页

作者：李壮刘磊吕帅任俊绮吉林大学计算机科学与技术学院吉林长春130012 吉林大学符号计算与知识工程教育部重点实验室吉林长春130012

为了达到推理算法形式化描述的目的,本文采用细胞膜演算的形式化方法描述带子句学习的DPLL算法。分别定义了部分赋值、变元反转、回溯、回跳最大层、细胞膜溶解等反应规则,给出了DPLL的一般过程和冲突分析过程的描述。通过一个算例的求... 详细信息

为了达到推理算法形式化描述的目的,本文采用细胞膜演算的形式化方法描述带子句学习的DPLL算法。分别定义了部分赋值、变元反转、回溯、回跳最大层、细胞膜溶解等反应规则,给出了DPLL的一般过程和冲突分析过程的描述。通过一个算例的求解过程验证了该形式化描述方法的可行性。依赖细胞膜演算可以更直观、简洁地展现推理算法的推理过程,同时展示了膜演算的描述能力和处理能力。

关键词：人工智能问题求解形式化方法自动推理 DPLL 子句学习演算细胞膜演算

来源：评论

学校读者我要写书评

暂无评论

基于多级融合的斑岩铜矿蚀变异常提取——以伊朗萨汉德—巴兹曼斑岩铜矿带为例

基于多级融合的斑岩铜矿蚀变异常提取——以伊朗萨汉德—巴兹曼斑...

引用

首届全国矿产勘查大会

作者：王兆国苏程汪愿愿叶育鑫计算机科学与技术学院/吉林大学地球科学学院/浙江大学符号计算与知识工程教育部重点实验室/吉林大学

矿化蚀变异常是矿产资源勘查与预测的重要依据。现有的蚀变异常识别精度通常会受到图像噪声、特征选择和识别模型等各方面的影响。因此,本文提出像素-特征-决策-多级融合遥感蚀变异常提取策略。在像素级利用多传感器影像进行掩膜确认和... 详细信息

矿化蚀变异常是矿产资源勘查与预测的重要依据。现有的蚀变异常识别精度通常会受到图像噪声、特征选择和识别模型等各方面的影响。因此,本文提出像素-特征-决策-多级融合遥感蚀变异常提取策略。在像素级利用多传感器影像进行掩膜确认和影像去干扰;在特征级采用主成分分析法进行特征融合分析和提取波段选择;在决策级利用加权融合法对不同模型的提取结果进行决策确准。在对伊朗萨汉德—巴兹曼斑岩铜矿带东南部地区铁染蚀变异常提取的过程中,多级融合方法较主成分分析法在用户精度和制图精度方面提高了约20%,Kappa系数达到了0.79。

关键词：错分率制图精度像素级融合决策级融合主成分分析法斑岩铜矿异常提取

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：