检索结果-内蒙古大学图书馆

系统科学与数学 2025年第3期45卷 725-736页

作者：王向文操德文吴健安庆师范大学计算机与信息学院安庆246133 安庆师范大学智能感知与计算安徽省高校重点实验室安庆246133

针对一类具有不确定时滞的非线性严格反馈系统,研究其基于动态事件触发机制的规定时间控制问题.根据规定时间稳定性定理,对具有未知时滞的高阶非线性系统提出了一种状态反馈控制策略,以保证系统在规定时间内收敛,规定的时间可以根据实... 详细信息

针对一类具有不确定时滞的非线性严格反馈系统,研究其基于动态事件触发机制的规定时间控制问题.根据规定时间稳定性定理,对具有未知时滞的高阶非线性系统提出了一种状态反馈控制策略,以保证系统在规定时间内收敛,规定的时间可以根据实际需要设置.文章利用神经网络逼近技术对未知的连续函数进行逼近,利用Lyapunov-Krasovskii泛函来补偿状态延迟的影响.此外,控制器通过引入动态事件触发机制,减小了通信占用率.文章设计的控制器使得闭环系统内所有的信号在给定的时间范围内保持有界稳定,而且系统的收敛时间不会受到系统初始状态和控制参数的影响.最后,通过仿真实验来证明该设计方案的可行性.

关键词：规定时间稳定时滞动态事件触发机制不确定非线性系统状态反馈控制

来源：评论

学校读者我要写书评

暂无评论

BatchOOD:基于能量的批处理式多标记分布外检测

引用

常州大学学报(自然科学版) 2025年第1期37卷 37-47页

作者：程一飞彭欣程玉胜陈启东安庆师范大学计算机与信息学院安徽安庆246011 安徽省高校智能感知与计算重点实验室(安庆师范大学) 安徽安庆246011

分布外(Out-of-Distribution,OOD)检测对于深度模型在开放环境中安全可靠地应用至关重要。现有方法通常利用深度网络提取分布内(In-Distribution,ID)表征,却忽略了对小批量样本间关系的学习,并且缺乏针对更符合现实设置的多标记OOD检测... 详细信息

分布外(Out-of-Distribution,OOD)检测对于深度模型在开放环境中安全可靠地应用至关重要。现有方法通常利用深度网络提取分布内(In-Distribution,ID)表征,却忽略了对小批量样本间关系的学习,并且缺乏针对更符合现实设置的多标记OOD检测的研究。基于此,文章提出一种在批处理级上检测OOD样本的深度模型BatchOOD。首先,利用主干网络提取单个样本的初始特征;随后,引入BatchFormer模块从批量维度上探索样本间的依赖关系;最后,应用基于能量的多标记OOD检测器判别ID样本和OOD样本。在MS-COCO,PASCAL-VOC和NUS-WIDE 3个多标记数据集上的实验结果表明建模小批量间样本依赖关系更有利于模型学习到精确的ID表征,从而提高ID-OOD可分离性。与JointEnergy方法相比,文章所提出的模型在FPR95指标上分别实现了6.42%,5.72%和6.57%的性能提升。

关键词：多标记学习分布外检测 BatchFormer 样本关系能量函数

来源：评论

学校读者我要写书评

暂无评论

基于标记分布学习的异态集成学习算法

引用

模式识别与人工智能 2019年第10期32卷 945-954页

作者：王一宾田文泉程玉胜安庆师范大学计算机与信息学院安庆246133 安庆师范大学安徽省高校智能感知与计算重点实验室安庆246133

为了提高预测的准确性,文中结合机器学习中堆积(Stacking)集成框架,组合多个分类器对标记分布进行学习,提出基于标记分布学习的异态集成学习算法(HELA-LDL).算法构造两层模型框架,通过第一层结构将样本数据采用组合方式进行异态集成学习... 详细信息

为了提高预测的准确性,文中结合机器学习中堆积(Stacking)集成框架,组合多个分类器对标记分布进行学习,提出基于标记分布学习的异态集成学习算法(HELA-LDL).算法构造两层模型框架,通过第一层结构将样本数据采用组合方式进行异态集成学习,融合各分类器的学习结果,将融合结果输入到第二层分类器,预测结果是带有置信度的标记分布.在专用数据集上的对比实验表明,HELA-LDL可以发挥各种算法在不同场景下的性能较优,稳定性分析进一步说明算法的有效性.

关键词：标记分布学习异态集成学习回归拟合堆积

来源：评论

学校读者我要写书评

暂无评论

基于标记密度分类间隔面的组类属属性学习

引用

电子与信息学报 2020年第5期42卷 1179-1187页

作者：王一宾裴根生程玉胜安庆师范大学计算机与信息学院安庆246011 安徽省高校智能感知与计算重点实验室安庆246011

类属属性学习避免相同属性预测全部标记,是一种提取各标记独有属性进行分类的一种框架,在多标记学习中得到广泛的应用。而针对标记维度较大、标记分布密度不平衡等问题,已有的基于类属属性的多标记学习算法普遍时间消耗大、分类精度低... 详细信息

类属属性学习避免相同属性预测全部标记,是一种提取各标记独有属性进行分类的一种框架,在多标记学习中得到广泛的应用。而针对标记维度较大、标记分布密度不平衡等问题,已有的基于类属属性的多标记学习算法普遍时间消耗大、分类精度低。为提高多标记分类性能,该文提出一种基于标记密度分类间隔面的组类属属性学习(GLSFL-LDCM)方法。首先,使用余弦相似度构建标记相关性矩阵,通过谱聚类将标记分组以提取各标记组的类属属性,减少计算全部标记类属属性的时间消耗。然后,计算各标记密度以更新标记空间矩阵,将标记密度信息加入原标记中,扩大正负标记的间隔,通过标记密度分类间隔面的方法有效解决标记分布密度不平衡问题。最后,通过将组类属属性和标记密度矩阵输入极限学习机以得到最终分类模型。对比实验充分验证了该文所提算法的可行性与稳定性。

关键词：多标记分类标记密度组类属属性极限学习机分类间隔面

来源：评论

学校读者我要写书评

暂无评论

最小游程切换点标记编码压缩方法

引用

清华大学学报（自然科学版） 2020年第10期60卷 837-844页

作者：詹文法陶鹏程安庆师范大学计算机与信息学院安庆246003 安徽省高校智能感知与计算重点实验室安庆246003

针对集成电路所需测试数据量庞大、测试成本过高的问题,该文提出了最小游程切换点标记编码压缩方法,将原始测试数据压缩,达到减少测试成本的目的。该方法将测试集按若干向量分组编码,利用组内向量游程切换范围的重叠关系合并游程切换点... 详细信息

针对集成电路所需测试数据量庞大、测试成本过高的问题,该文提出了最小游程切换点标记编码压缩方法,将原始测试数据压缩,达到减少测试成本的目的。该方法将测试集按若干向量分组编码,利用组内向量游程切换范围的重叠关系合并游程切换点,可以将组内所有测试向量的游程位置用一个向量表示出来,突破了传统编码压缩要用编码字后缀表示游程长度的限制,相较于传统编码压缩,极大地缩短了编码字。该方法解压规则简单,硬件开销小, ISCAS 89标准电路实验结果表明:该方案压缩效果优于其他几类编码压缩方案,可为测试数据量过大提供有效解决方法。

关键词：测试数据压缩无损压缩编码游程

来源：评论

学校读者我要写书评

暂无评论

非平衡化标签补全核极限学习机多标签学习

引用

电子学报 2019年第3期47卷 719-725页

作者：程玉胜赵大卫王一宾裴根生安庆师范大学计算机与信息学院安徽安庆246011 安徽省高校智能感知与计算重点实验室安徽安庆246011

目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补... 详细信息

目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补全的核极限学习机多标签学习算法(KELM-NeLC):首先使用信息熵计算标签之间的相关关系得到标签置信度矩阵,然后利用非平衡参数方法对基础的标签置信度矩阵进行改进,构建出一个非平衡的标签补全矩阵,最后为了学习获得更加准确的标签置信度矩阵,将非平衡化的标签补全矩阵与核极限学习机进行联合学习,依此解决多标签分类问题.提出的算法在公开的多个基准多标签数据集中的实验结果表明,KELM-NeLC算法较其他对比的多标签学习算法有一定优势,使用统计假设检验进一步说明所提出算法的有效性.

关键词：机器学习多标签学习标签相关性信息熵标签补全极限学习机

来源：评论

学校读者我要写书评

暂无评论

基于函数型数据分析方法的人体动态行为识别

引用

自动化学报 2017年第5期43卷 866-876页

作者：苏本跃蒋京汤庆丰盛敏安庆师范大学计算机与信息学院安庆246133 智能感知与计算安徽省高校重点实验室安庆246133 安庆师范大学数学与计算科学学院安庆246133

人体运动过程中,肢体的运动是连续的,而对应的运动捕捉数据是离散的.为了更好地分析人体日常运动行为的连续性与周期性,本文提出了一种基于函数型数据分析(Functional data analysis,FDA)的人体动态行为识别方法.首先,利用函数型数据分... 详细信息

人体运动过程中,肢体的运动是连续的,而对应的运动捕捉数据是离散的.为了更好地分析人体日常运动行为的连续性与周期性,本文提出了一种基于函数型数据分析(Functional data analysis,FDA)的人体动态行为识别方法.首先,利用函数型数据分析方法,将可穿戴式运动捕捉系统采集的人体周期行为数据函数化,通过函数准确地定义数据的连续性与周期性;然后,根据导函数信息确定一个运动周期的起始点,并近似地提取出一个运动周期的数据序列;最后,根据不同行为一个周期内的曲线特征差异,利用支持向量机对动态行为进行分类识别.实验结果表明,本文的算法既能够较好地描述人体动态行为的连续性与周期性,又使得运动数据在标定的统一起始点处对齐,且在WARD数据集与自采集数据集上均取得了较好的识别率,分别达到97.5%与98.75%.

关键词：动态行为识别连续性与周期性周期行为函数型数据分析可穿戴式运动捕捉系统

来源：评论

学校读者我要写书评

暂无评论

近邻标签空间非平衡化标签补全的多标签学习

引用

模式识别与人工智能 2018年第8期31卷 740-749页

作者：程玉胜赵大卫钱坤安庆师范大学计算机与信息学院安庆246133 安庆师范大学安徽省高校智能感知与计算重点实验室安庆246133

研究者目前通常通过标注标签之间的相关信息研究标签之间的相关性,未考虑未标注标签与标注标签之间的关系对标签集质量的影响.受K近邻的启发,文中提出近邻标签空间的非平衡化标签补全算法(Ne LC-NLS),旨在充分利用近邻空间中元素的相关... 详细信息

研究者目前通常通过标注标签之间的相关信息研究标签之间的相关性,未考虑未标注标签与标注标签之间的关系对标签集质量的影响.受K近邻的启发,文中提出近邻标签空间的非平衡化标签补全算法(Ne LC-NLS),旨在充分利用近邻空间中元素的相关性,提升近邻标签空间的质量,从而提升多标签分类性能.首先利用标签之间的信息熵衡量标签之间关系的强弱,获得基础标签置信度矩阵.然后利用提出的非平衡标签置信度矩阵计算方法,获得包含更多信息的非平衡标签置信度矩阵.继而度量样本在特征空间中的相似度,得到k个近邻标签空间样本,并利用非平衡标签置信度矩阵计算得到近邻标签空间的标签补全矩阵.最后利用极限学习机作为线性分类器进行分类.在公开的8个基准多标签数据集上的实验表明,Ne LC-NLS具有一定优势,使用假设检验和稳定性分析进一步说明算法的有效性.

关键词：多标签学习标签相关性信息熵标签补全极限学习机

来源：评论

学校读者我要写书评

暂无评论

不平衡标记差异性多标记特征选择算法

引用

深圳大学学报（理工版） 2020年第3期37卷 234-242页

作者：王一宾吴陈程玉胜江健生安庆师范大学计算机与信息院安徽安庆246133 安徽省高校智能感知与计算重点实验室安徽安庆246133

针对现有的特征选择算法大多未考虑不同标记对样本的描述程度可能存在差异的问题,提出一种不平衡标记差异性多标记特征选择算法(multi-label feature selection algorithm with imbalance label otherness,MSIO),将不同标记下正负标记... 详细信息

针对现有的特征选择算法大多未考虑不同标记对样本的描述程度可能存在差异的问题,提出一种不平衡标记差异性多标记特征选择算法(multi-label feature selection algorithm with imbalance label otherness,MSIO),将不同标记下正负标记的频率分布作为该标记的权值加入到特征选择的过程中,并修正传统的信息熵计算方法,从而得到一组更高效的特征序列.以多标记k近邻(multi-label k-nearest neighbor,ML-k NN)为基础分类器,在Mulan数据库的11个多标记基准数据集上,对基于最大相关性的多标记维数约简(multi-label dimensionality reduction via dependence maximization,MDDM)算法、基于多变量互信息的多标记特征选择算法PMU(pairwise multivariate mutual information)、多标记朴素贝叶斯分类的特征选择(feature selection for multi-label naive Bayes classification,MLNB)算法、基于标记相关性的多标记特征选择(multi-label feature selection with label correlation,MUCO)算法和MSIO算法进行评价,实验结果和统计假设检验说明,MSIO算法稳定性佳且分类精度高,具有一定的有效性和优越性.

关键词：人工智能多标记学习特征选择不平衡数据标记相关性信息熵标记差异性

来源：评论

学校读者我要写书评

暂无评论

回归核极限学习机的多标记学习算法

引用

模式识别与人工智能 2018年第5期31卷 419-430页

作者：王一宾程玉胜何月裴根生安庆师范大学计算机与信息学院安庆246133 安庆师范大学安徽省高校智能感知与计算重点实验室安庆246133

基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之间存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的... 详细信息

基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之间存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的多标记回归核极限学习机(ML-RKELM)得出预测结果.若规则向量不为空,将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML-RKELM的预测结果.对比实验表明MLASRKELM与ML-RKELM性能较优,统计假设检验进一步说明文中算法的有效性.

关键词：多标记学习极限学习机(ELM) 标记相关性关联规则回归拟合

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：