检索结果-内蒙古大学图书馆

计算机科学与探索 2021年第4期15卷 754-765页

作者：王雲霞曹付元凌兆龙山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 安徽大学计算机科学与技术学院合肥230601

局部因果结构学习是发现和学习给定一个目标变量的直接原因和直接结果而无需学习一个完整因果网络的过程。目前已有算法通常由两个步骤完成:步骤1使用约束类算法利用独立性测试学习目标变量的马尔科夫毯(MB)或父子节点集(PC),但是该步... 详细信息

局部因果结构学习是发现和学习给定一个目标变量的直接原因和直接结果而无需学习一个完整因果网络的过程。目前已有算法通常由两个步骤完成:步骤1使用约束类算法利用独立性测试学习目标变量的马尔科夫毯(MB)或父子节点集(PC),但是该步骤由于受到有限的数据样本量等因素影响使得独立性测试存在一定的错误性,而导致该步骤精度通常不是很高;步骤2利用V结构及Meek规则来进行边的定向,但是该步骤由于极其依赖于V结构的发现且同样受到有限样本的影响,使得算法精度相对不是很高。基于上述问题,提出利用打分和限制相结合的混合方式来缓减有限样本问题且提高算法精度。步骤1通过在基于限制的算法中加入打分思想来提高数据有效性,进而提出SIAPC算法;步骤2通过利用PC算法得到的定向结果和对部分数据集打分得到的定向结果的交集来确定边的方向,以此来降低对V结构的依赖性且缓减有限样本问题,之后使用独立性测试修正边的定向结果来进一步提高算法精度,进而提出HLCS算法。在标准贝叶斯网络上,实验验证了该算法相对于已有算法在精度方面具有更好的性能且能够有效缓减数据效率问题。

关键词：贝叶斯网络局部因果结构学习马尔科夫毯(MB) V结构

来源：评论

学校读者我要写书评

暂无评论

基于马尔科夫模型的回归研究及其应用

引用

计算机技术与发展 2022年第4期32卷 8-14,38页

作者：何成刚丁宏强陈思宝罗斌王家鑫安徽大学计算机科学与技术学院安徽合肥230031 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230039 美国德州大学阿灵顿分校计算机科学与工程系美国阿灵顿TX76019

在国内外回归分析方法的研究中,神经网络、支持向量机等传统方法被广泛使用,但是由于其计算量太大而且对计算模型和数据的准确性要求很高,在实际的应用中局限性强。为了解决这些难题,对Markov理论和相关模型进行了深入的研究。首先将多... 详细信息

在国内外回归分析方法的研究中,神经网络、支持向量机等传统方法被广泛使用,但是由于其计算量太大而且对计算模型和数据的准确性要求很高,在实际的应用中局限性强。为了解决这些难题,对Markov理论和相关模型进行了深入的研究。首先将多元回归和Markov模型进行结合,提出了基于多元回归的Markov模型,解决了转移矩阵难以确定的问题,并将其应用于国民收入预测中,减少了运算复杂度并且解决了实际应用中的局限性,提高了模型的鲁棒性。同时将Markov模型和Regime Switching Model进行结合,提出了基于Markov-switch的回归算法,使用状态转移矩阵来处理数据,实验结果表明该算法可以有效地提高预测效率和大幅度减少运算时间,并且在UCI数据集上进行验证和传统方法相比,标准差减少72.72%、相关系数提高2%、运行时间减少了50%。

关键词： Markov模型多元回归 Markov-switch回归算法减少运算量缩短运算时间

来源：评论

学校读者我要写书评

暂无评论

背景与前景融合的RGB-D图像显著性检测

引用

计算机科学与探索 2020年第7期14卷 1232-1242页

作者：赵强王爱平刘政怡安徽大学计算智能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 安徽大学信息保障技术协同创新中心合肥230601

RGB-D图像显著性检测是指在传统的2D图像中附加深度信息从而提取显著对象,但是现有的显著性检测模型,大多数只关注显著物体本身,却忽略了背景信息。因此,提出了一个新颖的显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区... 详细信息

RGB-D图像显著性检测是指在传统的2D图像中附加深度信息从而提取显著对象,但是现有的显著性检测模型,大多数只关注显著物体本身,却忽略了背景信息。因此,提出了一个新颖的显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区域。首先,通过图像边界信息的背景测量机制来去除前景噪声并从边界超像素中选择背景种子,从而计算出基于背景的显著图;其次,将输入的图像构造成图,并将深度信息引入到图形结构中,利用颜色、深度、位置等线索获取前景种子,从而计算出基于前景的显著图;最后,将背景图和前景图融合获得初始显著图,再加以元胞优化,迭代传播后得到最终的显著图。在三个RGB-D图像显著性检测数据集LFSD、NJU-400、NJU-2000上进行对比实验,实验结果表明,该方法具备有效性,同时也提高了检测准确率。

关键词： RGB-D图像显著性检测前景和背景显著图像融合迭代传播

来源：评论

学校读者我要写书评

暂无评论

基于双重最相关注意力网络的协同过滤推荐算法

引用

计算机应用 2020年第12期40卷 3445-3450页

作者：张文龙钱付兰陈洁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

基于项目的协同过滤从用户的历史交互项目中学习用户偏好,根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的,并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的,导... 详细信息

基于项目的协同过滤从用户的历史交互项目中学习用户偏好,根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的,并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的,导致这些推荐方法的准确性受限。针对上述问题,提出了一种基于双重最相关注意力网络的协同过滤推荐算法,该算法包含两层注意力网络。首先,使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目;然后,使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度;最后,通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好,从而更好地进行下一步推荐工作。在MovieLens和Pinterest两个真实数据集上进行实验,实验结果表明,所提算法在推荐命中率上与基准模型基于深度学习的项目协同过滤(DeepICF)算法相比分别提升了2.3个百分点和1.5个百分点,验证了该算法在为用户进行个性化推荐上的有效性。

关键词：推荐系统协同过滤深度学习隐式反馈注意力机制

来源：评论

学校读者我要写书评

暂无评论

邻域多粒度粗糙集知识更新增量算法

引用

小型微型计算机系统 2020年第5期41卷 908-918页

作者：徐怡孙伟康王泉安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学计算机科学与技术学院合肥230601

邻域多粒度粗糙集由邻域关系族组成,能够有效地处理连续的数值型数据,所以有广泛的应用前景.但在实际应用中,论域的变化会导致多粒度环境下粒度划分的变化,进而导致原始知识的变化,如本文中邻域多粒度粗糙集的正域、负域和边界域的变化... 详细信息

邻域多粒度粗糙集由邻域关系族组成,能够有效地处理连续的数值型数据,所以有广泛的应用前景.但在实际应用中,论域的变化会导致多粒度环境下粒度划分的变化,进而导致原始知识的变化,如本文中邻域多粒度粗糙集的正域、负域和边界域的变化.为了解决这一问题,本文提出了一种基于矩阵的增量式知识更新方法.首先,我们给出了邻域多粒度粗糙集模型的矩阵表示方法.在此基础上,提出了正域、负域和边界域的增量更新算法.通过使用该方法,减少了知识更新的时间复杂度,提高了算法的效率,通过具体的数据集和实验验证了该算法的有效性.

关键词：邻域多粒度知识更新矩阵增量方法

来源：评论

学校读者我要写书评

暂无评论

基于优化可辨识矩阵和改进差别信息树的属性约简算法

引用

计算机科学 2020年第3期47卷 73-78页

作者：徐怡唐静昕安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学计算机科学与技术学院合肥230601

运用可辨识矩阵表示信息系统中所有对象的区分信息,为研究属性约简提供了新方向。然而,传统的可辨识矩阵在构造结束后才利用核属性消除冗余元素项,忽略了核属性在矩阵构建过程中的作用。针对这一问题,文中做了以下研究:1)优化可辨识矩... 详细信息

运用可辨识矩阵表示信息系统中所有对象的区分信息,为研究属性约简提供了新方向。然而,传统的可辨识矩阵在构造结束后才利用核属性消除冗余元素项,忽略了核属性在矩阵构建过程中的作用。针对这一问题,文中做了以下研究:1)优化可辨识矩阵的构造方式,在计算任意两个对象的区分信息之前,先判断核属性上的取值是否相等,如果不相等,则直接将对应元素项记为Φ,忽略对其他条件属性的判断;2)提出属性加权重要度的概念,综合考虑每个条件属性占可辨识矩阵中非空元素项的比率(称为宏观重要度)与每个属性对区分对象的贡献程度(称为微观重要度),并通过例子说明了该度量方法的合理性;3)针对优化后的矩阵仍然存在大量冗余元素和空集这一缺陷,结合差别信息树的概念提出基于优化可辨识矩阵和属性加权重要度的差别信息树。按照属性加权重要度对优化可辨识矩阵中所有非空元素项进行排序,使得重要度高的属性被更多的节点共享;且在构建过程中将不包含核属性的元素项映射到树中的一条路径上,而包含核属性的元素项则被直接忽略。最后,提出基于优化可辨识矩阵和改进差别信息树的约简算法HSDI-tree。在UCI的5个数据集上分别比较了HSDI-tree算法与CDI-tree,DI-tree和IDI-tree算法的约简结果和节点个数,实验结果表明HSDI-tree算法能有效找到最小属性约简且空间压缩能力更好。

关键词：粗糙集属性重要度可辨识矩阵属性约简差别信息树

来源：评论

学校读者我要写书评

暂无评论

基于权重分布的多粒度粗糙集模型

引用

模糊系统与数学 2020年第6期34卷 55-67页

作者：徐怡李宝峰李策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230039 安徽大学计算机科学与技术学院安徽合肥230601

基于加权粒度的多粒度粗糙集模型仅考虑知识粒度权重的简单累加,而不考虑知识粒度权重的分布情况,不符合实际问题的求解需要。为解决该问题,本文从知识粒度的权重分布角度出发提出了基于权重分布的多粒度粗糙集模型,定义了基于权重组合... 详细信息

基于加权粒度的多粒度粗糙集模型仅考虑知识粒度权重的简单累加,而不考虑知识粒度权重的分布情况,不符合实际问题的求解需要。为解决该问题,本文从知识粒度的权重分布角度出发提出了基于权重分布的多粒度粗糙集模型,定义了基于权重组合分布和基于权重平均分布的两种多粒度粗糙集模型并给出了相关性质,最后通过实例和仿真实验验证了本文所提模型的有效性。

关键词：粗糙集多粒度加权粒度权重分布知识粒度

来源：评论

学校读者我要写书评

暂无评论

属性动态更新的一种三支决策模型

引用

小型微型计算机系统 2020年第11期41卷 2268-2273页

作者：徐怡孙小军安徽大学计算机智能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

在实际环境中,经常需要划分出一批对象,而对象的属性可能是动态变化的,针对这种属性动态更新的条件下选出一定数量对象的问题,提出一种属性动态更新的三支决策模型.首先针对属性动态更新的特点,建立属性关联度和重要度,然后针对更新的属... 详细信息

在实际环境中,经常需要划分出一批对象,而对象的属性可能是动态变化的,针对这种属性动态更新的条件下选出一定数量对象的问题,提出一种属性动态更新的三支决策模型.首先针对属性动态更新的特点,建立属性关联度和重要度,然后针对更新的属性,提出一种属性比的定义来构造三支决策的评估函数,同时对更新后的属性的值排序,提出一种基于基尼系数计算对象偏差的方法来动态计算三支决策的阈值.根据计算的阈值和对象的评估函数,属性动态更新的三支决策模型被建立,能在属性更新后动态划分对象.进一步对于模型可能出现两种异常划分问题,给出了相应的解决方法,最后通过在改造的四个数据集上实验仿真,结果表明在属性动态更新情况下能有效划分对象,模型是可行的和有效的.

关键词：三支决策排序属性值自适应阈值基尼系数动态更新

来源：评论

学校读者我要写书评

暂无评论

基于邻域粗糙互信息熵的非单调性属性约简

引用

控制与决策 2019年第2期34卷 353-361页

作者：姚晟徐风吴照玉陈菊汪杰王维安徽大学计算智能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

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基... 详细信息

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基于此给出邻域粗糙联合熵、邻域粗糙条件熵和邻域粗糙互信息熵等概念.邻域粗糙互信息熵是评估属性集相关性的一种重要的方法,具有非单调性变化的特性,对此,提出一种基于邻域粗糙互信息熵的非单调性属性约简算法.实验分析表明,所提出算法不仅比目前已有的单调性属性约简算法具有更优越的属性约简结果,而且具有更高的约简效率.

关键词：邻域粗糙集邻域粗糙熵邻域粗糙条件熵邻域粗糙互信息熵非单调性属性约简

来源：评论

学校读者我要写书评

暂无评论

联合嵌入式多标签分类算法

引用

自动化学报 2019年第10期45卷 1969-1982页

作者：刘慧婷冷新杨王利利赵鹏安徽大学计算智能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

现有的一些多标签分类算法,因多标签数据含有高维的特征或标签信息而变得不可行.为了解决这一问题,提出基于去噪自编码器和矩阵分解的联合嵌入多标签分类算法Deep AE-MF.该算法包括两部分:特征嵌入部分使用去噪自编码器对特征空间学习... 详细信息

现有的一些多标签分类算法,因多标签数据含有高维的特征或标签信息而变得不可行.为了解决这一问题,提出基于去噪自编码器和矩阵分解的联合嵌入多标签分类算法Deep AE-MF.该算法包括两部分:特征嵌入部分使用去噪自编码器对特征空间学习得到非线性表示,标签嵌入部分则是利用矩阵分解直接学习到标签空间对应的潜在表示与解码矩阵.Deep AE-MF将特征嵌入和标签嵌入的两个阶段进行联合,共同学习一个潜在空间用于模型预测,进而得到一个有效的多标签分类模型.为了进一步提升模型性能,在Deep AE-MF方法中对标签间的负相关信息加以利用.通过在不同数据集上进行实验证明了提出Deep AE-MF方法的有效性和鲁棒性.

关键词：多标签分类矩阵分解去噪自编码器标签嵌入

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：