检索结果-内蒙古大学图书馆

海南师范大学学报(自然科学版) 2024年第4期37卷 416-424页

作者：苏元龙毛军军孙孝东王旭婷安徽大学大数据与统计学院安徽合肥230601 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601

由于决策环境的日益复杂,专家与准则的偏好信息在决策过程中日益重要,因此为了更好更客观地处理决策信息,提出了一种复球形模糊数的新偏好提取方法并将其应用于多准则决策问题中。首先,针对在特殊情况下2个不同的复球形模糊数的得分却... 详细信息

由于决策环境的日益复杂,专家与准则的偏好信息在决策过程中日益重要,因此为了更好更客观地处理决策信息,提出了一种复球形模糊数的新偏好提取方法并将其应用于多准则决策问题中。首先,针对在特殊情况下2个不同的复球形模糊数的得分却相同的问题,提出了一种区分效果更为优秀的改进得分函数,并证明其相关的一些性质;其次,针对以往研究中的专家偏好与准则偏好过于主观的缺点,提出了基于复球形模糊数新距离函数以及专家一致度的非线性规划,用以客观地提取专家和准则的偏好信息,并将其与改进的得分函数用于MARCOS方法对方案进行排序;最后通过一个广告投递的意向人群选择问题说明了所提方法的可行性、有效性以及非线性规划提取偏好信息的客观性。

关键词：复球形模糊数偏好提取改进的得分函数专家一致度非线性规划

来源：评论

学校读者我要写书评

暂无评论

基于决策者偏好构造的概率语言型Z-number多属性决策方法

引用

海南师范大学学报（自然科学版） 2024年第2期37卷 135-143页

作者：王旭婷毛军军张新宇安徽大学大数据与统计学院安徽合肥230601 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601

由于决策环境的日益复杂,专家评价信息往往会包含专家偏好,因此有必要对专家偏好进行识别与处理。针对这一情况,提出了基于决策者偏好构造的概率语言型Z-number并应用于多属性决策问题中。首先,针对专家偏好未知的情况,提出了一种基于... 详细信息

由于决策环境的日益复杂,专家评价信息往往会包含专家偏好,因此有必要对专家偏好进行识别与处理。针对这一情况,提出了基于决策者偏好构造的概率语言型Z-number并应用于多属性决策问题中。首先,针对专家偏好未知的情况,提出了一种基于修正的平均得分距离,由专家评价信息确定专家偏好。然后,依据得到的专家偏好,利用GOWPA算子与最大熵生成概率语言型Z-number。同时,获得专家评价信息的可信度,由专家可信度聚合专家信息并采用TODIM方法对方案进行排序。最后,在国家大力提倡节能减排的背景下,将所提方法应用于国家绿色矿山试点企业的选取上,验证了所提方法的有效性和可行性。

关键词：概率语言型Z-number 偏好 GOWPA算子最大熵多准则群决策

来源：评论

学校读者我要写书评

暂无评论

分形维数—CONVLSTM模型在合肥市流感发病人数预测中的应用

引用

公共卫生与预防医学 2025年第1期36卷 8-12页

作者：张胜毛军军程玮玲安徽大学大数据与统计学院安徽合肥230601 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601

目的根据合肥市流行性感冒(流感)与气象因素以及PM_(2.5)变量之间的数据进行多变量建模预测,以期为多变量建模预测研究方法提供新思路。方法将PM_(2.5)数据转化为分形维数数据后与气象数据作为特征引入到ConvLSTM模型中,与传统的ARIMAX... 详细信息

目的根据合肥市流行性感冒(流感)与气象因素以及PM_(2.5)变量之间的数据进行多变量建模预测,以期为多变量建模预测研究方法提供新思路。方法将PM_(2.5)数据转化为分形维数数据后与气象数据作为特征引入到ConvLSTM模型中,与传统的ARIMAX模型以及多变量LSTM模型进行比较分析。结果ARIMAX模型测试集MAE=95.75,RMSE=176.72,IA=0.40;多变量LSTM测试集MAE=22.18,RMSE=43.06,IA=0.97;分形参数-ConvLSTM模型测试集MAE=17.37,RMSE=32.25,IA=0.99。结论分形维数捕捉了PM_(2.5)浓度的复杂性和自相似性,为模型提供了更丰富的特征信息,分形维数-ConvLSTM模型在预测准确性上优于传统的ARIMAX模型和多变量LSTM模型,可以用于流感发病人数的预测。

关键词：流感分形维数 ConvLSTM PM_(2.5) LSTM

来源：评论

学校读者我要写书评

暂无评论

超密集网络中基于判别函数的聚类算法

引用

北京邮电大学学报 2022年第2期45卷 104-109页

作者：康玲王翊胡艳军蒋芳李莉萍安徽大学计算智能与信号处理教育部重点实验室合肥230601 中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室上海200050

超密集网络可以通过虚拟小区间的协作来提升用户体验,但由于小区的重叠覆盖使得用户间存在较复杂的干扰问题。因此,提出了一种基于判别函数的聚类算法来缓解强干扰带来吞吐量下降的问题。首先,利用用户间干扰信道的余弦相似度定义用户... 详细信息

超密集网络可以通过虚拟小区间的协作来提升用户体验,但由于小区的重叠覆盖使得用户间存在较复杂的干扰问题。因此,提出了一种基于判别函数的聚类算法来缓解强干扰带来吞吐量下降的问题。首先,利用用户间干扰信道的余弦相似度定义用户间的干扰网络;然后,基于干扰网络选出簇头并划分用户,同时为了解决虚拟小区下的模糊用户归属簇问题,以簇间干扰权重之和最大,簇内干扰权重之和最小为原则设计判别函数,对用户进行模糊归类。仿真结果表明,在不增加复杂度的同时,所提算法比其他方法的系统吞吐量提升了10%~30%,对于边缘用户具有一定优势。

关键词：超密集网络干扰网络判别函数模糊用户

来源：评论

学校读者我要写书评

暂无评论

基于多关系网络的话题意见领袖挖掘

引用

数据采集与处理 2022年第3期37卷 576-585页

作者：段震倪云鹏陈洁张燕平赵姝计算与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601 安徽省信息材料与智能传感重点实验室合肥230601

社交网络中的意见领袖在信息传播过程中起着重要的作用。传统的意见领袖挖掘仅基于网络结构,没有考虑特定话题或者事件下的作用,且目前基于话题的意见领袖挖掘仅基于单一的网络结构,并没有考虑到节点间的多种交互关系。本文提出一种基... 详细信息

社交网络中的意见领袖在信息传播过程中起着重要的作用。传统的意见领袖挖掘仅基于网络结构,没有考虑特定话题或者事件下的作用,且目前基于话题的意见领袖挖掘仅基于单一的网络结构,并没有考虑到节点间的多种交互关系。本文提出一种基于多关系网络的话题意见领袖挖掘方法(Multi-relational networks,MRTRank),融合话题因素和节点间多种交互关系,通过一种属性网络表示学习算法,得到不同节点在多关系网络上的相似性,形成节点的转移概率矩阵,最终通过PageRank算法得到top-k个意见领袖。在真实Twitter数据集上的实验结果验证了本文提出的方法优于传统的意见领袖挖掘算法。

关键词：意见领袖两级传播社交网络 PageRank 属性网络表示学习

来源：评论

学校读者我要写书评

暂无评论

基于层次保留的知识图谱嵌入链路预测方法

引用

计算机科学与探索 2023年第9期17卷 2174-2183页

作者：钱付兰王文学郑文杰陈洁赵姝安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室合肥230601 信息材料和智能感知安徽省实验室合肥230601 南京理工大学计算机科学与工程学院南京210094

知识图谱嵌入(KGE)是预测知识图谱(KGs)中缺失链接的重要工具,它将知识图谱中的实体和关系嵌入到连续低维空间中,并尽可能地保留原数据中隐含的各种信息。近年来,一些知识图谱嵌入方法利用极坐标系对知识图谱中普遍存在的语义层次结构... 详细信息

知识图谱嵌入(KGE)是预测知识图谱(KGs)中缺失链接的重要工具,它将知识图谱中的实体和关系嵌入到连续低维空间中,并尽可能地保留原数据中隐含的各种信息。近年来,一些知识图谱嵌入方法利用极坐标系对知识图谱中普遍存在的语义层次结构进行建模,提升了链路预测任务的性能。然而,这些方法在建模关系时,使用了简单的标度变换并过度关注于实体的层次差,这在一定程度上限制了模型的拟合力。为了应对上述问题,提出了基于层次保留的知识图谱嵌入方法(RHKE),它在建模知识图谱中的关系时考虑了实体本身的层次。具体来说,提出了混合变换,它包含一个倍率项和一个偏差项,当实体层次较低或较高时,标度变换主要受偏差项或倍率项影响。此外,由于变换后模型丢失了实体原本的层次,RHKE使用层次修正项,它将头尾实体的原本层次用不同比例组合后作为关系的附加信息。在多个公开数据集上的实验结果显示,RHKE在链路预测上的性能优于现有的语义层次模型。

关键词：知识图谱嵌入(KGE) 链路预测语义层次极坐标系

来源：评论

学校读者我要写书评

暂无评论

基于同步压缩小波变换和CNN的滚动轴承故障诊断

引用

传感器与微系统 2022年第6期41卷 130-133页

作者：唐纪凯卢一相柏壮壮高清维安徽大学电气工程与自动化学院安徽合肥230601 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601

以智能诊断为出发点,提出一种基于同步压缩小波变换(SWT)和卷积神经网络(CNN)的诊断方法。首先,对振动信号进行SWT获得时频图,随机划分为训练和测试集;然后,利用CNN强大的特征提取能力提取时频图特征;最后,利用SoftMax层进行故障模式的... 详细信息

以智能诊断为出发点,提出一种基于同步压缩小波变换(SWT)和卷积神经网络(CNN)的诊断方法。首先,对振动信号进行SWT获得时频图,随机划分为训练和测试集;然后,利用CNN强大的特征提取能力提取时频图特征;最后,利用SoftMax层进行故障模式的自动诊断。实验结果表明:该方法在滚动轴承的故障诊断中具有较高的可靠性。

关键词：滚动轴承故障诊断同步压缩小波变换卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

LEO卫星通信中的两阶段伪码捕获算法

引用

安徽大学学报（自然科学版） 2023年第2期47卷 37-43页

作者：王翊李婷婷蒋芳邓毓胡艳军安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601 安徽省物联网频谱感知与测试工程技术研究中心安徽合肥230601

针对低轨卫星通信中高动态和低信噪比引起的捕获概率低、频偏估计误差大的问题,提出两阶段伪码捕获算法.仿真分析结果表明:在低信噪比场景下,相对于PMF-FFT(partial matched filter-fast Fourier transform)伪码捕获算法,两阶段伪码捕... 详细信息

针对低轨卫星通信中高动态和低信噪比引起的捕获概率低、频偏估计误差大的问题,提出两阶段伪码捕获算法.仿真分析结果表明:在低信噪比场景下,相对于PMF-FFT(partial matched filter-fast Fourier transform)伪码捕获算法,两阶段伪码捕获算法有更强的抗噪声性能、更高的捕获概率;相对于PMF-FFT和差分PMF-FFT伪码捕获算法,两阶段伪码捕获算法有最高的频偏估计精度.

关键词：卫星通信 PMF-FFT 两阶段伪码捕获算法差分非相干积累二分搜索

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络交互的用户属性偏好建模的推荐模型

引用

计算机应用 2022年第2期42卷 404-411页

作者：潘仁志钱付兰赵姝张燕平安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室(安徽大学) 合肥230601 信息材料和智能感知安徽省实验室(安徽大学) 合肥230601

潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何... 详细信息

潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC)。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。

关键词：潜在因子模型用户偏好用户属性偏好卷积神经网络特征交互注意力机制

来源：评论

学校读者我要写书评

暂无评论

结合图卷积的深层神经网络用于文本分类

引用

计算机工程与应用 2022年第7期58卷 206-212页

作者：郑诚陈杰董春阳安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室合肥230601

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,... 详细信息

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,图卷积网络面临着文本上下文语义信息和局部特征信息表示不充分的问题。提出一种新的模型,利用双向长短时记忆网络(Bi_LSTM)和卷积神经网络(CNN)混合提取文本的上下文语义信息和局部特征信息去丰富图卷积网络(GCN)的文本表示,从而弥补图卷积网络的不足,同时使用图池化层筛选出重要节点帮助卷积神经网络捕获文本深层局部特征信息,使得模型能更好的表示文本信息。通过在3个英文数据集上的实验结果表明,该模型相比于基线模型有较好的分类效果。

关键词：文本分类神经网络图卷积网络(GCN)

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：