检索结果-内蒙古大学图书馆

绿色矿业与旅游产业深度融合发展路径探究:以河北承德地区绿色矿业发展示范区建设为例

承德石油高等专科学校学报 2024年第6期26卷 75-79,83页

作者：王晶张红静刘春艳王鑫张玉富河北石油职业技术大学石油工程系河北承德067000 河北大学数学与信息科学学院河北保定071002 河北省机器学习与计算智能重点实验室河北保定071002 北京华油惠通油气技术开发有限公司北京102601

充分利用河北承德地区绿色矿业发展示范区与国家历史文化名城两大优势,立足绿色矿业与绿色旅游产业国家发展规划,以承德矿山生态文化与绿色旅游产业融合为试验田,开展矿产资源环境建设与生态旅游产业发展研究。首次提出矿业与旅游产业... 详细信息

充分利用河北承德地区绿色矿业发展示范区与国家历史文化名城两大优势,立足绿色矿业与绿色旅游产业国家发展规划,以承德矿山生态文化与绿色旅游产业融合为试验田,开展矿产资源环境建设与生态旅游产业发展研究。首次提出矿业与旅游产业三层次融合关系:基础保障融合、建设理念融合、产业链融合。依据矿山生态文化旅游产业链建设的三个阶段:前期阶段、发展阶段、成熟阶段,积极探索三条产业融合路径:基础保障与生态修复路径、建设理念与发展建设路径、产业链融合与产业提升路径。通过对承德地区特色产业(绿色矿业、绿色旅游产业)开展产业深度融合发展研究,开拓了“1+X”产业链融合发展新思路与新途径。旨在吸引广大专家学者关注承德地区产业深度融合的现状、问题与未来发展方向,加快承德地区生态文明、生态经济建设,助力京津冀协同发展。

关键词：矿产资源绿色旅游生态建设产业融合发展路径

来源：评论

学校读者我要写书评

暂无评论

基于深度特征表示的Softmax聚类算法

引用

南京大学学报（自然科学版） 2020年第4期56卷 533-540页

作者：陈俊芬赵佳成韩洁翟俊海河北省机器学习与计算智能重点实验室河北大学数学与信息科学学院保定071002

图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码... 详细信息

图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(ASCAE‐Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用Softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback‐Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.

关键词：无监督学习特征表示卷积自编码器图像聚类 Softmax 分类器

来源：评论

学校读者我要写书评

暂无评论

基于MapReduce和Spark的大规模压缩模糊K-近邻算法

引用

计算机工程 2020年第11期46卷 139-147页

作者：王谟瀚翟俊海齐家兴河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算智能重点实验室河北保定071002

压缩模糊K-近邻(CFKNN)算法仅适用于中小数据环境,且其样例选择采用静态机制,导致算法不能对阈值进行动态调整从而选出最优样例。为此,对CFKNN算法进行改进,将其扩展到大规模数据环境,提出分别基于MapReduce和Spark的2种大规模压缩模糊K... 详细信息

压缩模糊K-近邻(CFKNN)算法仅适用于中小数据环境,且其样例选择采用静态机制,导致算法不能对阈值进行动态调整从而选出最优样例。为此,对CFKNN算法进行改进,将其扩展到大规模数据环境,提出分别基于MapReduce和Spark的2种大规模压缩模糊K-近邻算法。在样例选择阈值设置方面,引入动态机制,使得所选样例更具代表性。在具有7个数据节点的大数据平台上进行实验,结果表明,与CFKNN算法相比,所提2种算法具有更高的分类精度和加速比。2个平台相比,MapReduce产生的中间文件数目多于Spark,而Spark在运行时间和同步次数上优于MapReduce。

关键词： MapReduce平台 Spark平台模糊K-近邻样例选择动态机制

来源：评论

学校读者我要写书评

暂无评论

复杂高维数据的密度峰值快速搜索聚类算法

引用

计算机科学 2020年第3期47卷 79-86页

作者：陈俊芬张明赵佳成河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室

机器学习的无监督聚类算法已被广泛应用于各种目标识别任务。基于密度峰值的快速搜索聚类算法(DPC)能快速有效地确定聚类中心点和类个数,但在处理复杂分布形状的数据和高维图像数据时仍存在聚类中心点不容易确定、类数偏少等问题。为了... 详细信息

机器学习的无监督聚类算法已被广泛应用于各种目标识别任务。基于密度峰值的快速搜索聚类算法(DPC)能快速有效地确定聚类中心点和类个数,但在处理复杂分布形状的数据和高维图像数据时仍存在聚类中心点不容易确定、类数偏少等问题。为了提高其处理复杂高维数据的鲁棒性,文中提出了一种基于学习特征表示的密度峰值快速搜索聚类算法(AE-MDPC)。该算法采用无监督的自动编码器(AutoEncoder)学出数据的最优特征表示,结合能刻画数据全局一致性的流形相似性,提高了同类数据间的紧致性和不同类数据间的分离性,促使潜在类中心点的密度值成为局部最大。在4个人工数据集和4个真实图像数据集上将AE-MDPC与经典的K-means,DBSCAN,DPC算法以及结合了PCA的DPC算法进行比较。实验结果表明,在外部评价指标聚类精度、内部评价指标调整互信息和调整兰德指数上,AE-MDPC的聚类性能优于对比算法,而且提供了更好的可视化性能。总之,基于特征表示学习且结合流形距离的AE-MDPC算法能有效地处理复杂流形数据和高维图像数据。

关键词：聚类密度峰值 DPC算法特征表示流形距离

来源：评论

学校读者我要写书评

暂无评论

多哈希表投票样例选择算法

引用

山西大学学报(自然科学版) 2020年第4期43卷 713-718页

作者：黄雅婕翟俊海周翔申瑞彩侯璎真河北大学数学与信息科学学院河北大学河北省机器学习与计算智能重点实验室

随着数据的海量型增长,如何提高数据处理的效率已经对现有的数据挖掘算法提出了挑战。样例选择是指从初始数据中,依据既定规则选出能够代表初始数据的样例,从而有效地减少后续工作的数据量。局部敏感哈希方法是一种近似近邻查找算法,利... 详细信息

随着数据的海量型增长,如何提高数据处理的效率已经对现有的数据挖掘算法提出了挑战。样例选择是指从初始数据中,依据既定规则选出能够代表初始数据的样例,从而有效地减少后续工作的数据量。局部敏感哈希方法是一种近似近邻查找算法,利用同类型数据间距离近,发生哈希碰撞概率高的特点查找近似近邻,但该方法是基于概率的随机映射方法,精确度不高。为了解决这个问题,本文提出一种多哈希表投票样例选择算法,通过基于P-stable分布的局部敏感哈希技术将数据映射到欧式空间,设计多个随机哈希函数,利用生成的多个独立的哈希表投票选择出最终的样例。实验结果显示本文提出的算法在压缩比方面较基于P-Stable分布的局部敏感哈希方法平均提高了47%。

关键词：样例选择局部敏感哈希欧氏距离相似度估计投票

来源：评论

学校读者我要写书评

暂无评论

对合导子构造的3-李双代数与3-Pre-李代数

引用

数学学报（中文版） 2020年第2期63卷 123-136页

作者：白瑞蒲侯帅亢闯闯河北大学数学与信息科学学院河北省机器学习与智能计算重点实验室保定071002 吉林大学数学科学学院长春130012 南开大学数学科学学院天津300071

研究具有对合导子的3-李代数的结构,证明了具有对合导子的m-维3-李代数A存在相容的3-Pre-李代数,且在2m-维半直积3-李代数Aad*A*上存在局部上循环3-李双代数结构.利用对合导子构造了3-李代数Aad*A*上的3-李Yang-Baxter方程的解和一类3-P... 详细信息

研究具有对合导子的3-李代数的结构,证明了具有对合导子的m-维3-李代数A存在相容的3-Pre-李代数,且在2m-维半直积3-李代数Aad*A*上存在局部上循环3-李双代数结构.利用对合导子构造了3-李代数Aad*A*上的3-李Yang-Baxter方程的解和一类3-Pre-李代数,并构造了8-维和10-维局部上循环3-李双代数.

关键词： 3-李代数对合导子局部上循环3-李双代数 3-李Yang-Baxter方程

来源：评论

学校读者我要写书评

暂无评论

一种求解极大极小问题的灵活非单调滤子方法

引用

河北大学学报（自然科学版） 2020年第6期40卷 561-568页

作者：苏珂林雨萌李小川河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

求解极大极小问题的灵活非单调滤子方法与传统的滤子方法相比,对于试探步的可接受性,该方法具有更大的灵活性,而且与单调型方法相比,计算量更小.此外,还利用一个自适应参数来调整接受准则,从而在一定程度上避免了Maratos效应.在合理的... 详细信息

求解极大极小问题的灵活非单调滤子方法与传统的滤子方法相比,对于试探步的可接受性,该方法具有更大的灵活性,而且与单调型方法相比,计算量更小.此外,还利用一个自适应参数来调整接受准则,从而在一定程度上避免了Maratos效应.在合理的假设下,该算法具有全局收敛性,并且通过数值实验验证了该方法的有效性.

关键词：灵活滤子方法极大极小问题非单调信赖域全局收敛

来源：评论

学校读者我要写书评

暂无评论

一种改进的求解极大极小问题的非单调滤子法

引用

应用数学 2020年第2期33卷 358-372页

作者：苏珂王晨李小川河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

本文提出一种求解极小极大问题的非单调信赖域滤子法.该算法基于滤子技术,放松了试验点的可接受准则,与已有的求解极大极小问题的序列二次规划牛顿法(SQP)相比,我们的方法具有更大的灵活性.在适当的条件下,建立了全局收敛性.最后进行了... 详细信息

本文提出一种求解极小极大问题的非单调信赖域滤子法.该算法基于滤子技术,放松了试验点的可接受准则,与已有的求解极大极小问题的序列二次规划牛顿法(SQP)相比,我们的方法具有更大的灵活性.在适当的条件下,建立了全局收敛性.最后进行了数值实验.

关键词：滤子法极大极小问题非单调信赖域全局收敛性

来源：评论

学校读者我要写书评

暂无评论

3-李代数的3种理想

引用

东北师大学报（自然科学版） 2021年第2期53卷 1-3页

作者：白瑞蒲周檬赵勇涛河北大学数学与信息科学学院河北保定071002 河北省机器学习与智能计算重点实验室河北保定071000 河北软件职业技术学院软件技术系河北保定071000

在3-李代数中定义了Perfect理想、Near Perfect理想和Upper Bounded理想.研究了3种理想的结构、3-李代数的导序列长度、下降中心列长度以及上升中心列长度与3种理想之间的关系.具体给出了特征为零的代数闭域上4维和5维3李代数的最大Perf... 详细信息

在3-李代数中定义了Perfect理想、Near Perfect理想和Upper Bounded理想.研究了3种理想的结构、3-李代数的导序列长度、下降中心列长度以及上升中心列长度与3种理想之间的关系.具体给出了特征为零的代数闭域上4维和5维3李代数的最大Perfect理想P(L)、最大Near Perfect理想NP(L)及最小的Upper Bounded理想UB(L).

关键词： 3-李代数 Perfect理想 Near Perfect理想 Upper Bounded理想

来源：评论

学校读者我要写书评

暂无评论

一种基于Q-学习算法的增量分类模型

引用

计算机科学 2020年第8期47卷 171-177页

作者：刘凌云钱辉邢红杰董春茹张峰河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

大数据时代的数据信息呈现持续性、爆炸性的增长,为机器学习算法带来了大量监督样本。然而,这对信息通常不是一次性获得的,且获得的数据标记是不准确的,这对传统的分类模型提出了挑战,而增量学习是一种重要的解决方法。但在增量学习中,... 详细信息

大数据时代的数据信息呈现持续性、爆炸性的增长,为机器学习算法带来了大量监督样本。然而,这对信息通常不是一次性获得的,且获得的数据标记是不准确的,这对传统的分类模型提出了挑战,而增量学习是一种重要的解决方法。但在增量学习中,样本的标记顺序将严重影响分类器的性能,特别是在分类器分类能力较弱的情况下,传统的增量学习方法容易过早地将噪声数据添加到训练集上,从而影响分类器的精度。为解决这个问题,文中提出一种基于Q-学习算法的增量分类模型。该模型利用强化学习中经典的Q-学习算法来合理选择样本增量序列,削弱噪声数据的负面影响,并实现在学习过程中自主标记样本。同时,为了解决当新增未标记样本集规模较大时,Q-学习中的状态空间与动作空间增大带来的计算复杂度和存储空间呈指数增长的问题,文中进一步给出了批量增量分类模型,有效降低了模型的计算复杂度并节约了存储空间。基于Q-学习算法的增量分类模型融合了增量学习及强化学习的思想,具有分类精度高、实时性强等优点。最后,在3个UCI数据集上进行实验来验证所提模型的有效性,结果表明该模型通过选择新增训练集合的确有助于提升分类器的精度,且由不同增量序列训练得到的分类器精度也有较大差异。基于Q-学习算法的增量分类模型可以利用已有的少量监督信息进行初始训练,通过自主标记样本构造增量训练集,并通过自监督的方式提高分类器的精度。因此,基于Q-学习算法的增量分类模型可被用于解决监督信息缺乏的问题,具有一定的应用价值。

关键词：增量学习 Q-学习在线学习分类强化学习

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：