检索结果-内蒙古大学图书馆

计算机工程与应用 2010年第21期46卷 165-167页

作者：杨红菊韩建栋曹付元山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室太原030006

首先将图像分解为8个位平面,选择前4个重要位平面,求出其灰度码表示,根据每个灰度码位平面的颜色直方图,计算均值、标准偏差、偏斜度、能量、熵;综合这些特征构成名为位平面直方图特征向量的组合特征,进行图像检索。实验中采用Tonimoto... 详细信息

首先将图像分解为8个位平面,选择前4个重要位平面,求出其灰度码表示,根据每个灰度码位平面的颜色直方图,计算均值、标准偏差、偏斜度、能量、熵;综合这些特征构成名为位平面直方图特征向量的组合特征,进行图像检索。实验中采用Tonimoto相似度量函数计算图像间的相似度。该方法计算速度快,避免了图像量化造成的误检。实验结果显示了该方法的检索性能。

关键词：图像检索位平面位平面直方图特征向量直方图特征灰度码

来源：评论

学校读者我要写书评

暂无评论

一种基于稀疏度和距离的初始类中心选择算法

引用

山西大学学报(自然科学版) 2015年第1期38卷 73-78页

作者：曹付元武鹏鹏山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室

结合谱聚类算法中的自适应尺度和最大最小距离算法的思想,提出了一种基于稀疏度和距离的初始类中心选择算法,并将提出的初始类中心选择算法应用于k-means和Fuzzy k-means算法的初始类中心选择,在UCI和真实数据上的实验结果表明提出的算... 详细信息

结合谱聚类算法中的自适应尺度和最大最小距离算法的思想,提出了一种基于稀疏度和距离的初始类中心选择算法,并将提出的初始类中心选择算法应用于k-means和Fuzzy k-means算法的初始类中心选择,在UCI和真实数据上的实验结果表明提出的算法是有效和可行的。

关键词：初始类中心稀疏度最大最小距离算法 k-means聚类

来源：评论

学校读者我要写书评

暂无评论

面向非平衡多分类问题的二次合成QSMOTE方法

引用

南京大学学报（自然科学版） 2019年第1期55卷 1-13页

作者：韩明鸣郭虎升王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室山西大学太原030006

近年来非平衡多分类数据的学习问题在机器学习和数据挖掘领域备受关注,上采样技术成为解决数据不平衡问题的主要方法,然而已有的上采样技术仍有很多的不足,例如新合成的少数类样本仍可能分布在对应少数类样本的原始区域内,不能有效改善... 详细信息

近年来非平衡多分类数据的学习问题在机器学习和数据挖掘领域备受关注,上采样技术成为解决数据不平衡问题的主要方法,然而已有的上采样技术仍有很多的不足,例如新合成的少数类样本仍可能分布在对应少数类样本的原始区域内,不能有效改善数据分布的不平衡情况.此外,若原始样本中不同类别样本分布存在重叠,则新合成的样本会更容易偏离到其他类样本分布中,从而造成过泛化现象,影响少数类样本的分类精度.为解决上述问题,提出一种二次合成的上采样方法(Quadratic Synthetic Minority Over-sampling Technique,QSMOTE).首先通过少数类样本的支持度选择包含重要信息的样本来进行第一次合成,然后通过分析指定少数类样本质心的邻域内样本分布情况来调整第二次样本合成范围,并最终进行第二次合成.在UCI和MNIST数据集上的实验结果表明,QSMOTE不仅可以改善数据分布的不平衡问题,而且可以尽可能地减少过泛化现象,特别是对少数类样本的分类准确率有大幅提升.

关键词：多类非平衡问题过泛化重叠合成少数类上采样技术(SMOTE)

来源：评论

学校读者我要写书评

暂无评论

结合Hybrid Attention机制和BiLSTM-CRF的汉语否定语义表示及标注

引用

计算机工程与应用 2023年第9期59卷 167-175页

作者：李晋荣吕国英李茹柴清华王超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 山西大学外国语学院太原030006

阅读理解中否定是一种复杂的语言现象,其往往会反转情感或态度的极性。因此,正确分析否定语义对语篇理解具有重要意义。现有否定语义分析方法存在两个问题:第一,研究的否定词较少达不到应用目的;第二,目前汉语否定语义标注只是标注整个... 详细信息

阅读理解中否定是一种复杂的语言现象,其往往会反转情感或态度的极性。因此,正确分析否定语义对语篇理解具有重要意义。现有否定语义分析方法存在两个问题:第一,研究的否定词较少达不到应用目的;第二,目前汉语否定语义标注只是标注整个句子,这无法明确否定语义。针对该问题提出基于汉语框架语义知识库(Chinese FrameNet)进行否定语义角色标注方法。在框架语义学理论指导下结合汉语否定语义特征对已由FrameNet继承的否定框架重新构建;为了解决捕捉长距离信息以及句法特征问题,提出一种基于Hybrid Attention机制的BiLSTMCRF语义角色标注模型,其中,Hybrid Attention机制层将局部注意与全局注意结合准确表示句子中的否定语义,BiLSTM网络层自动学习并提取语句上下文信息,CRF层预测最优否定语义角色标签。经过比对验证,该模型能够有效提取出含有否定语义信息,在否定语义框架数据集上F1值达到89.82%。

关键词：汉语框架语义知识库语义角色标注否定框架双向长短期记忆网络混合注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于模块性的检测簇结构的图聚类算法研究

引用

小型微型计算机系统 2016年第7期37卷 1618-1623页

作者：郑文萍王丹王杰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

从大规模的复杂网络中挖掘重要的簇结构已经成为当今研究的热点之一.对复杂网络中基于密度和模块性的图聚类算法中的边权重定义、种子选择与扩展等问题进行了研究,提出一种检测复杂网络中稠密簇结构的局部模块性图聚类算法LM C.算法首... 详细信息

从大规模的复杂网络中挖掘重要的簇结构已经成为当今研究的热点之一.对复杂网络中基于密度和模块性的图聚类算法中的边权重定义、种子选择与扩展等问题进行了研究,提出一种检测复杂网络中稠密簇结构的局部模块性图聚类算法LM C.算法首先对网络中的边权重和子图的模块性进行定义,然后选择权重最大的边作为聚类"种子边",最后对种子边进行扩展进而得到新簇.采用计算机构造数据和蛋白质作用网络数据对基于局部模块性的图聚类算法LMC进行实验.结果表明,算法LMC相较于其它聚类算法在检测复杂网络中相对稠密的簇结构的性能较好.

关键词：复杂网络模块性网络簇结构图聚类

来源：评论

学校读者我要写书评

暂无评论

一种新的支持向量机主动学习策略

引用

南京大学学报（自然科学版） 2012年第2期48卷 182-189页

作者：白龙飞王文剑郭虎升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

本文提出一种新的支持向量机(support vector machine,SVM)主动学习策略,称为Dix_SVMactive.通过定义新的数据置信度度量来挑选最有价值样本进行人工标注,并在每次迭代中对训练集的平衡度进行调整,以获得更好的泛化能力.在UCI标准数据... 详细信息

本文提出一种新的支持向量机(support vector machine,SVM)主动学习策略,称为Dix_SVMactive.通过定义新的数据置信度度量来挑选最有价值样本进行人工标注,并在每次迭代中对训练集的平衡度进行调整,以获得更好的泛化能力.在UCI标准数据集上的测试结果表明,与基于随机选样的SVMactive和传统SVMactive(Tong SVMactive)方法相比,本文算法不仅可以提高分类精度,而且能减少人工标注的工作量.

关键词：支持向量机主动学习置信度

来源：评论

学校读者我要写书评

暂无评论

面向电影评论的标签方面情感联合模型

引用

计算机科学与探索 2018年第2期12卷 300-307页

作者：李大宇王佳文治王素格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

随着互联网的蓬勃发展,越来越多的人喜欢在微博和论坛上对商品进行评论,致使网络上存在着大量评论数据。为了同时挖掘评论数据中所谈论的方面以及评论者对这个方面的观点,用于指导消费者的消费和生产厂家对商品的改进,面向电影评论数据... 详细信息

随着互联网的蓬勃发展,越来越多的人喜欢在微博和论坛上对商品进行评论,致使网络上存在着大量评论数据。为了同时挖掘评论数据中所谈论的方面以及评论者对这个方面的观点,用于指导消费者的消费和生产厂家对商品的改进,面向电影评论数据提出了一个标签方面情感联合模型。该模型可以同时挖掘出电影评论数据中所评论的方面以及对这个方面的情感,并且假设情感分布依赖于方面分布,词是采样的最小单位。通过将传统基于词典的方法和模型联合使用,在COAE2016任务2的电影评论数据集上进行测试,实验结果表明,此方法取得了较好的结果。

关键词： COAE2016 词典标签方面情感联合模型电影评论

来源：评论

学校读者我要写书评

暂无评论

一种回归SVM选择性集成方法

引用

计算机科学 2008年第4期35卷 178-180页

作者：张妤王文剑康向平山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室太原030006

泛化能力是机器学习关心的一个根本问题,采用集成学习技术可以有效地提高泛化能力。本文提出了一种将支持向量机(Support Vector Machine,SVM)进行选择性集成回归的方法。通过引入三个阈值,可以选择合适的子SVM,从而进一步提高了整个集... 详细信息

泛化能力是机器学习关心的一个根本问题,采用集成学习技术可以有效地提高泛化能力。本文提出了一种将支持向量机(Support Vector Machine,SVM)进行选择性集成回归的方法。通过引入三个阈值,可以选择合适的子SVM,从而进一步提高了整个集成学习的效率。实验结果表明,本文提出的选择性集成方法可以在一定程度上解决SVM的模型选择问题和大规模数据集的学习问题,与传统的集成方法Bagging相比具有更高的泛化能力。

关键词：支持向量机集成学习回归 Bagging

来源：评论

学校读者我要写书评

暂无评论

一种基于带核随机子空间的聚类集成算法

引用

南京大学学报（自然科学版） 2017年第6期53卷 1033-1042页

作者：严丽宇魏巍郭鑫垚崔军彪山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室太原030006

随机子空间聚类集成通过属性随机采样产生属性子空间,并将子空间上的基聚类结果进行集成得到最终聚类结果.在这一过程中,子空间产生的随机性虽然为聚类集成提供了很大的差异度,但是无法保证基聚类结果的有效性,这是因为随机产生的子空... 详细信息

随机子空间聚类集成通过属性随机采样产生属性子空间,并将子空间上的基聚类结果进行集成得到最终聚类结果.在这一过程中,子空间产生的随机性虽然为聚类集成提供了很大的差异度,但是无法保证基聚类结果的有效性,这是因为随机产生的子空间有可能只包含极少的重要属性.针对这一不足,提出了一种带核随机子空间生成策略:首先依据粗糙集理论中的互补互信息选出对于刻画数据集整体信息至关重要的属性子集,作为每个属性子空间的"核心",再从剩余属性集中随机选择一定数量的属性与核心属性共同构成聚类子空间.这种策略在兼顾子空间之间差异性的同时也提高了每个属性子空间对数据整体信息的刻画能力,从而得到更好的聚类集成结果.在大量UCI数据集上的实验证实了所提方法的合理性和有效性.

关键词：子空间聚类聚类集成粗糙集互补互信息

来源：评论

学校读者我要写书评

暂无评论

一种支持向量机集成的核选择方法

引用

计算机工程与应用 2009年第27期45卷 31-33,55页

作者：王敏王文剑山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室太原030006

核选择问题是支持向量机(Support Vector Machine,SVM)建模中的一个关键问题,虽然支持向量机具有良好的泛化性能,但其性能受核函数的影响比较明显,而对于一个给定问题,选择合适的核函数及参数通常很困难。提出一种基于SVM集成的核选择方... 详细信息

核选择问题是支持向量机(Support Vector Machine,SVM)建模中的一个关键问题,虽然支持向量机具有良好的泛化性能,但其性能受核函数的影响比较明显,而对于一个给定问题,选择合适的核函数及参数通常很困难。提出一种基于SVM集成的核选择方法,利用不同的核函数构造子SVM学习器,然后对子学习器的预测结果集成。提出的核选择方法将SVM集成学习与核选择同时进行,不仅避免了单个SVM的核选择对泛化能力的影响,而且可以获得良好的泛化能力。在UCI标准数据集上的结果说明了提出的方法的有效性。

关键词：支持向量机集成学习核选择异质SVM 同质SVM

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：