随着新兴产业的快速发展,社会经济中各类复杂决策问题不断涌现,复杂决策问题的有效求解离不开推进体现科学化与民主化的群决策。图像模糊集作为直觉模糊集的推广形式,在实际应用中能够高效处理信息不一致的问题。本文针对图像模糊三支群决策问题,由于传统损失函数受决策者主观因素的影响进而在构造阈值时各有不同,探索了面向三支群决策的多粒度图像模糊概率粗糙集模型与方法。首先,本文将图像模糊的概念与三支群决策模型相结合,提出可调多粒度图像模糊概率粗糙集模型。然后,计算属性权重和专家权重时运用离差最大法。鉴于VIKOR(多准则妥协解排序)法能够同时考虑群体效用最大化和个体遗憾最小化并融入决策者主观偏好,利用VIKOR法进行多粒度图像模糊粗糙隶属度的最优粒度选择,进而建立图像模糊三支群决策方法。最后,通过一个UCI(University of California Irvine)数据库中的实例证实本文所构建方法的可行性。
概念漂移是动态流数据挖掘中一类常见的问题,但混杂噪声或训练样本规模过小而产生的伪概念漂移会引起与真实概念漂移相似的结果,即模型在线测试性能的不稳定波动,导致二者容易混淆,发生概念漂移的误报.针对流数据中真伪概念漂移的混淆问题,提出一种基于在线性能测试的概念漂移检测方法(concept drift detection method based on online performance test,简称CDPT).该方法将最新获得的数据集进行均匀分组,在每组子数据集上分别进行在线学习,同时记录每组子数据集训练测试得到的分类精度向量,并计算相邻学习时间单元之间的精度落差,依据测试精度下降阈值得到有效波动位点.然后采用交叉检验的方式整合不同分组中的有效波动位点,以消除流数据在线学习过程中由于训练样本过小导致模型不稳定造成的检测干扰,根据精度波动一致性得到一致波动位点.最后,通过跟踪在线学习分类准确率,得到一致波动位点邻域参照点的测试精度变化,比较一致波动位点邻域参照点对应的模型测试精度下降幅度及收敛情况,以有效检测一致波动位点当中真实的概念漂移位点.实验结果表明,该方法能够有效辨识流数据在线学习过程中发生的真实概念漂移,并能有效避免训练样本过小或者流数据中噪声对检测结果的负面影响,同时提高模型的泛化性能.
为了在移动环境中找到响应时间最短的组合服务,设计了一种可计算的移动模型,根据此模型过滤掉响应时间较长的组合服务,提出了移动组合服务中组件服务的选择方法。通过前馈神经网络建立组合服务与其响应时间之间的回归模型,利用基于神经网络的服务组合(neural network-based service composition,NNSC)算法选择出响应时间最短的组合服务。仿真实验结果表明,与一些启发式算法相比,NNSC算法可以找到响应时间更短的组合服务。
多模态讽刺检测是在多模态场景下识别用户的讽刺言语。现有的多模态讽刺识别方法大多对编码之后的特征直接融合，并未关注图像和文本的深层特征以及图像和文本之间的交互。针对上述问题，本文提出基于图文交互和深层特征融合的多模态讽刺检测框架。首先，使用具有长文本能力的对比语言-图像预训练模型（Contrastive Language-Image Pre-training model with Long text capability,Long-CLIP），对图像和文本进行编码，获得图像和文本的特征表示，进一步引入跨模态注意力机制，建立图像和文本特征之间的交互表示；其次，利用多个卷积神经网络从不同角度分别获得图像和文本的深层特征表示，并利用Key＿less Attention机制融合图像和文本的深层特征；最后，通过多层感知机实现多模态讽刺检测。在公开的数据集MMSD2.0上进行实验，实验结果表明所提出的方法与现有的最先进的基线模型相比，Acc和F1分别提升0.33%和0.15%，表明了图文交互及深层特征可以提升多模态讽刺检测的性能。
暂无评论