检索结果-内蒙古大学图书馆

吉林大学学报（工学版） 2022年第4期52卷 874-884页

作者：魏晓辉苗艳微王兴旺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

记录数据出现的次数(频数估计)是流数据管理的一类重要任务。在该类任务的解决方案中,sketch是内存使用效率较高的数据结构之一。目前的多层sketch方案,通常使用相同长度的计数器记录数据能够到达的最高层级。然而,数据频数的高度偏斜... 详细信息

记录数据出现的次数(频数估计)是流数据管理的一类重要任务。在该类任务的解决方案中,sketch是内存使用效率较高的数据结构之一。目前的多层sketch方案,通常使用相同长度的计数器记录数据能够到达的最高层级。然而,数据频数的高度偏斜会导致部分计数器的高位内存被浪费。另一方面,由于数据分布是不断变化的,静态的sketch数据结构会造成内存分配不合理的问题。为了解决上述问题,本文提出一种弹性层级结构Rhombus sketch,能够按需将计数器分配给数据,并通过估计数据的分布动态调整内存分配。实验结果表明,相比于其他典型sketch方法,特别是在内存紧张的情况下,Rhombus sketch的准确性有明显的提高。

关键词：计算机应用数据流近似算法弹性 sketch

来源：评论

学校读者我要写书评

暂无评论

基于三段式特征选择策略的脑电情感识别算法SEE

引用

吉林大学学报（工学版） 2022年第8期52卷 1834-1841页

作者：周丰丰朱海洋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

情感可以通过脑电信号中的隐藏模式来识别,基于众多的脑电通道提取的脑电特征数量庞大,使情感识别任务非常复杂。针对上述问题,提出了基于三段式特征选择策略的脑电情感识别算法(SEE)。本文从时域、频域、空间域系统地提取脑电特征,基... 详细信息

情感可以通过脑电信号中的隐藏模式来识别,基于众多的脑电通道提取的脑电特征数量庞大,使情感识别任务非常复杂。针对上述问题,提出了基于三段式特征选择策略的脑电情感识别算法(SEE)。本文从时域、频域、空间域系统地提取脑电特征,基于提取的脑电特征集合,首先通过t检验去除类间无显著差异的特征,再使用递归特征消除策略进行目标相关的特征选择,最后通过顺序后向特征选择策略确定最终的特征子集用于情感识别。实验结果表明:相较于其他方法,本文构建的模型有更好的情感识别能力。与现有的特征选择算法相比,SEE具有较低的时间复杂度并且能筛选出较优的特征子集。此外,分析了与情感相关的脑电通道和频带,实验结果体现了一定的生理学意义,为开发情绪靶向的脑电设备提供可能。

关键词：计算机应用脑电图情感识别特征工程特征选择

来源：评论

学校读者我要写书评

暂无评论

基于多层次多尺度注意力融合网络的多模态眼底疾病诊断模型

引用

吉林大学学报(理学版) 2025年第3期63卷 783-794页

作者：郭晓新杨梅杨广奇董洪良徐海啸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

针对单模态眼底图像提取眼底特征的局限性,提出一个基于多层次多尺度注意力融合网络的多模态眼底疾病诊断模型.首先,分别针对彩色眼底图像和视网膜光学相干断层成像设计多层次注意力网络和多尺度注意力网络,并在特征层进行融合得到融合... 详细信息

针对单模态眼底图像提取眼底特征的局限性,提出一个基于多层次多尺度注意力融合网络的多模态眼底疾病诊断模型.首先,分别针对彩色眼底图像和视网膜光学相干断层成像设计多层次注意力网络和多尺度注意力网络,并在特征层进行融合得到融合特征;其次,将两种模态的损失函数加权,与融合特征的损失函数相加,提取模态的独特和互补信息,以提高眼底疾病诊断的准确率.在数据集MMC-AMD和GAMMA上进行评估的实验结果表明,该模型优于当前主流模型,诊断效果优越.

关键词：医学图像分类眼底疾病诊断模型多模态分类注意力机制

来源：评论

学校读者我要写书评

暂无评论

细胞穿膜肽识别问题的多特征融合卷积网络预测算法

引用

电子科技大学学报 2022年第4期51卷 494-499页

作者：周丰丰牛甲昱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

细胞穿膜肽是一类特殊的多肽,具有独特的医学价值,因此如何通过计算方法高效地识别细胞穿膜肽是一个值得研究的重要问题。目前的主流方法是使用各种特征表示算法获取序列特征,然后使用机器学习分类器进行分类。提出了一种新的识别算法Co... 详细信息

细胞穿膜肽是一类特殊的多肽,具有独特的医学价值,因此如何通过计算方法高效地识别细胞穿膜肽是一个值得研究的重要问题。目前的主流方法是使用各种特征表示算法获取序列特征,然后使用机器学习分类器进行分类。提出了一种新的识别算法ConvCPP,利用改进的卷积神经网络提取蛋白质序列特征。改进之处包括在卷积层之前添加注意力层,并且优化了池化层的池化方式。设计消融实验来验证改进的有效性,之后结合多种其他基于蛋白质序列特征的特征提取算法,并测试了两种特征选择算法,最终得到最优的向量表示。再根据得到的向量表示,结合多种机器学习分类器对蛋白质序列进行分类识别。在基准数据集上的实验表明,该算法比当前的细胞穿膜肽识别方法具有更好的预测性能。

关键词：注意力机制计算机应用技术卷积神经网络细胞穿膜肽机器学习

来源：评论

学校读者我要写书评

暂无评论

基于稀疏自编码器的无监督特征工程算法BioSAE

引用

吉林大学学报（工学版） 2022年第7期52卷 1645-1656页

作者：周丰丰张亦弛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

为了研究特征间的内在关系,提出了一种基于稀疏自编码器的无监督特征工程算法BioSAE对给定数据集进行编码,并猜想经过稀疏自编码器编码的新构造特征可以训练出更好的分类模型。使用来自TCGA的6种癌症类型的3494个甲基化样本进行了综合... 详细信息

为了研究特征间的内在关系,提出了一种基于稀疏自编码器的无监督特征工程算法BioSAE对给定数据集进行编码,并猜想经过稀疏自编码器编码的新构造特征可以训练出更好的分类模型。使用来自TCGA的6种癌症类型的3494个甲基化样本进行了综合评估与实验,首先通过稀疏自编码器得到经过编码的特征,然后使用这些特征与原始的甲基化特征进行分析和对比。实验结果表明:在本研究进行的大多数建模实验中,经过BioSAE编码的特征均优于原始的甲基化特征。同时,将这一算法应用于一些其他领域数据集,如图像数据等,同样取得了相似的提升效果。

关键词：计算机应用特征工程稀疏自编码器甲基化 BioSAE

来源：评论

学校读者我要写书评

暂无评论

基于稀疏系数矩阵重构的多标记特征选择

引用

计算机学报 2022年第9期45卷 1827-1841页

作者：李永豪胡亮高万夫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

处理复杂的多标记数据对于特征选择而言是一项挑战性任务.然而,现存的多标记特征选择方法存在三个问题未解决.首先,现有的多标记特征选择方法利用样例层流形正则化项保持样例的相似性结构或借助标签关联来指导特征选择,但两者对于特征... 详细信息

处理复杂的多标记数据对于特征选择而言是一项挑战性任务.然而,现存的多标记特征选择方法存在三个问题未解决.首先,现有的多标记特征选择方法利用样例层流形正则化项保持样例的相似性结构或借助标签关联来指导特征选择,但两者对于特征选择的指导存在互补关系.其次,早期方法基于样例相似性所构造的近邻矩阵来探索标签关联,却忽略了成对标签本身的关联性.最后,早期方法整合多个未知变量,导致目标函数的求解变得困难.为解决上述问题,本文基于最小二乘回归模型构建经验损失函数,然后在目标函数中引入标签正则化项探索标签之间的关联,同时利用特征矩阵与重构稀疏系数矩阵的乘积表示预测标签并保留数据本身的局部几何结构.上述各项被整合在一个联合学习框架内.针对该学习框架,一套证明可收敛的优化方案被设计.在13个真实的多标记基准数据集上进行实验,实验结果验证了所提方法的有效性.

关键词：特征选择多标记学习流形学习稀疏化学习分类

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的蛋白质⁃ATP结合位点预测

引用

吉林大学学报（工学版） 2022年第1期52卷 187-194页

作者：刘桂霞裴志尧宋佳智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

为了提高识别蛋白质-ATP结合位点预测精度,提出了基于Inception架构的深度网络模型Inception_base,同时对网络模型和训练策略进行优化和改进,提出了新的网络模型Inception_evolution。通过两组数据集在该模型上测试,获得AUC分别为0.885... 详细信息

为了提高识别蛋白质-ATP结合位点预测精度,提出了基于Inception架构的深度网络模型Inception_base,同时对网络模型和训练策略进行优化和改进,提出了新的网络模型Inception_evolution。通过两组数据集在该模型上测试,获得AUC分别为0.885和0.918,均优于其他对比机器学习方法。实验结果表明,深度学习方法可以应用于蛋白质-ATP结合位点预测问题中,该模型能够更精确预测蛋白质-ATP结合位点。

关键词：生物信息学蛋白质⁃ATP结合位点预测特征提取深度学习 Inception网络模型

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱嵌入的定义域值域约束补全方法

引用

吉林大学学报（工学版） 2022年第1期52卷 154-161页

作者：雷景佩欧阳丹彤张立明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

针对知识图谱中定义域值域约束补全问题,将其转化成链接预测问题并使用基于知识图谱嵌入模型预测缺失数据。针对定义域值域约束补全问题的结构,在两种基于翻译的知识图谱嵌入模型TransE和RotatE基础上给出了两种高效的约束补全方法DCaT-... 详细信息

针对知识图谱中定义域值域约束补全问题,将其转化成链接预测问题并使用基于知识图谱嵌入模型预测缺失数据。针对定义域值域约束补全问题的结构,在两种基于翻译的知识图谱嵌入模型TransE和RotatE基础上给出了两种高效的约束补全方法DCaT-T和DCaT-R。特别地,为提升补全方法的预测性能,DCaT-T与DCaT-R方法均采用了两阶段的训练方法。实验结果表明,DCaT-T和DCaT-R优于类型预测方法SDType,DCaT-T方法优于同在TransE基础上实现的嵌入表示模型ConnectE类型预测方法,并且两阶段的训练方法能够进一步提高模型的预测能力。

关键词：人工智能知识图谱定义域值域约束补全知识图谱嵌入

来源：评论

学校读者我要写书评

暂无评论

基于模板融合的超声医学影像全景拼接方法

引用

吉林大学学报（工学版） 2022年第4期52卷 916-924页

作者：贾海洋夏睿吕安祺管噌璇陈娟王雷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 吉林大学白求恩第一医院长春130012

采用全景拼接技术将基于超声探测装置获得的局部图像通过拼接融合获得观察视野更大的医学影像,为临床诊断和医患交流提供更直观、全面的信息,但受成像条件影响,获得的局部超声医学图像精度不高、噪声多,传统全景拼接方法处理效果不理想... 详细信息

采用全景拼接技术将基于超声探测装置获得的局部图像通过拼接融合获得观察视野更大的医学影像,为临床诊断和医患交流提供更直观、全面的信息,但受成像条件影响,获得的局部超声医学图像精度不高、噪声多,传统全景拼接方法处理效果不理想。针对上述问题,本文提出基于改进的k-MEANS聚类算法的模板融合拼接方法进行超声医学影像拼接。与传统的模板拼接类算法相比,该方法将特征点密集区域自组织成尺寸灵活可变的模板,能够利用启发式窗口算法提高相邻图片匹配的速度。对比实验结果表明,该方法的模板探测速率、平均模板密度得到了提高,图像配准精度提高,具有较高的鲁棒性和实时性。

关键词：超声影像融合拼接图像处理模板匹配

来源：评论

学校读者我要写书评

暂无评论

显著性引导及不确定性监督的深度编解码网络

引用

软件学报 2022年第9期33卷 3165-3179页

作者：王雪李占山陈海鹏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

基于U-Net的编码-解码网络及其变体网络在医学图像语义分割任务中取得了卓越的分割性能.然而,网络在特征提取过程中丢失了部分空间细节信息,影响了分割精度.另一方面,在多模态的医学图像语义分割任务中,这些模型的泛化能力和鲁棒性不理... 详细信息

基于U-Net的编码-解码网络及其变体网络在医学图像语义分割任务中取得了卓越的分割性能.然而,网络在特征提取过程中丢失了部分空间细节信息,影响了分割精度.另一方面,在多模态的医学图像语义分割任务中,这些模型的泛化能力和鲁棒性不理想.针对以上问题,提出一种显著性引导及不确定性监督的深度卷积编解码网络,以解决多模态医学图像语义分割问题.该算法将初始生成的显著图和不确定概率图作为监督信息来优化语义分割网络的参数.首先,通过显著性检测网络生成显著图,初步定位图像中的目标区域;然后,根据显著图计算不确定分类的像素点集合,生成不确定概率图;最后,将显著图和不确定概率图与原图像一同送入多尺度特征融合网络,引导网络关注目标区域特征的学习,同时增强网络对不确定分类区域和复杂边界的表征能力,以提升网络的分割性能.实验结果表明,所提算法能够捕获更多的语义信息,在多模态医学图像语义分割任务中优于其他的语义分割算法,并具有较好的泛化能力和鲁棒性.

关键词：编码-解码网络显著图不确定概率图医学图像语义分割多模态

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：