检索结果-内蒙古大学图书馆

小型微型计算机系统 2021年第12期42卷 2626-2631页

作者：侯璎真翟俊海申瑞彩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

随着深度学习的发展,图像生成技术有了长足的进展,但大多数图像生成模型只能生成单一图像.针对这一问题,本文提出了一种耦合变分自编码器,它可以生成具有不同属性的人脸元组.现有的方法需要训练集的不同域中存在对应图像的元组,但是本... 详细信息

随着深度学习的发展,图像生成技术有了长足的进展,但大多数图像生成模型只能生成单一图像.针对这一问题,本文提出了一种耦合变分自编码器,它可以生成具有不同属性的人脸元组.现有的方法需要训练集的不同域中存在对应图像的元组,但是本文提出的方法不需要任何对应图像的元组,就可以生成具有不同属性的图像元组.本文的方法是在耦合生成对抗网络的灵感下提出的,与原有方法不同,它通过训练耦合变分自编码器模型来学习不同属性的特征表示,以生成对应图像元组.相比较原方法,它可以通过学习高级特征表示更精确的生成图像元组.此外,本文还用耦合变分自编码器实现了无监督人脸属性转换以及人脸的相互转换.将提出的方法应用于多个学习任务,包括生成不同属性的人脸元组、无监督的人脸属性转换以及图像相互转换.

关键词：深度学习变分自编码器元组高级特征属性转换

来源：评论

学校读者我要写书评

暂无评论

关于模糊数度量空间下基本定理的讨论

引用

模糊系统与数学 2019年第2期33卷 70-74页

作者：李洪亮裴慧丽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

本文针对Goerschel和Voxman意义度量下模糊数度量空间的七大基本定理进行了讨论,四个定理仍然成立。对不成立的定理,分别给出了使它们成立的充分条件,并给与了证明。

关键词：模糊数模糊数度量空间基本定理

来源：评论

学校读者我要写书评

暂无评论

迭代修正鲁棒极限学习机

引用

计算机应用 2023年第5期43卷 1342-1348页

作者：吕新伟鲁淑霞河北省机器学习与计算智能重点实验室(河北大学) 河北保定071002 河北大学数学与信息科学学院河北保定071002

极限学习机(ELM)的许多变体都致力于提高ELM对异常点的鲁棒性,而传统的鲁棒极限学习机(RELM)对异常点非常敏感,如何处理数据中的过多极端异常点变成构建RELM模型的棘手问题。对于残差较大的异常点,采用有界损失函数消除异常点对模型的污... 详细信息

极限学习机(ELM)的许多变体都致力于提高ELM对异常点的鲁棒性,而传统的鲁棒极限学习机(RELM)对异常点非常敏感,如何处理数据中的过多极端异常点变成构建RELM模型的棘手问题。对于残差较大的异常点,采用有界损失函数消除异常点对模型的污染;为了解决异常点过多的问题,采用迭代修正技术修改数据以降低由异常点过多带来的影响。结合这两种方法,提出迭代修正鲁棒极限学习机(IMRELM)。IMRELM通过迭代的方式求解,在每次的迭代中,通过对样本重加权减小异常点的影响,在不断修正的过程中避免算法出现欠拟合。在具有不同异常点水平的人工数据集和真实数据集上对比了IMRELM、ELM、加权极限学习机(WELM)、迭代重加权极限学习机(IRWELM)和迭代重加权正则化极限学习机(IRRELM)。在异常点占比为80%的人工数据集上,IRRELM的均方误差(MSE)为2.45044,而IMRELM的MSE为0.00079。实验结果表明,IMRELM在具有过多极端异常点的数据上具有良好的预测精度和鲁棒性。

关键词：鲁棒极限学习机重加权迭代修正异常点回归

来源：评论

学校读者我要写书评

暂无评论

MapReduce和Spark两种框架下的大数据极限学习机比较研究

引用

小型微型计算机系统 2020年第7期41卷 1381-1388页

作者：宋丹丹翟俊海李艳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

对MapReduce和Spark两种框架下的大数据极限学习机进行了比较研究.具体地,从程序运行时间、任务的同步次数、分类器的泛化性能和需要读写的文件数目4个方面进行了比较.得出了如下结论:1)在程序运行时间上,基于Spark的大数据极限学习机... 详细信息

对MapReduce和Spark两种框架下的大数据极限学习机进行了比较研究.具体地,从程序运行时间、任务的同步次数、分类器的泛化性能和需要读写的文件数目4个方面进行了比较.得出了如下结论:1)在程序运行时间上,基于Spark的大数据极限学习机明显优于MapReduce的大数据极限学习机,通过理论分析以及对比不同平台的并行指标speed Up和sizeUp证明了这一结论,而且随着隐含层节点个数的增多,这一优势越发明显;2)在任务的同步次数上,基于MapReduce大数据极限学习机的性能优于基于Spark大数据极限学习机;3)在分类器的泛化性能上,基于MapReduce的大数据极限学习机与基于Spark大数据极限学习机并无本质的差别;4)在需要读写的文件数目上,基于MapReduce的大数据极限学习机需要读写的文件数目与M ap任务个数有关,而基于Spark的大数据极限学习机需要读写的文件数目与分区数有关.这些结论对从事相关研究的人员,特别是从事大数据机器学习研究的人员具有较高的参考价值.

关键词：大数据机器学习极限学习机并行计算任务同步

来源：评论

学校读者我要写书评

暂无评论

基于随机森林和投票机制的大数据样例选择算法

引用

计算机应用 2021年第1期41卷 74-80页

作者：周翔翟俊海黄雅婕申瑞彩侯璎真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(河北大学) 河北保定071002

针对大数据样例选择问题,提出了一种基于随机森林(RF)和投票机制的大数据样例选择算法。首先,将大数据集划分成两个子集,要求第一个子集是大型的,第二个子集是中小型的。然后,将第一个大型子集划分成q个规模较小的子集,并将这些子集部署... 详细信息

针对大数据样例选择问题,提出了一种基于随机森林(RF)和投票机制的大数据样例选择算法。首先,将大数据集划分成两个子集,要求第一个子集是大型的,第二个子集是中小型的。然后,将第一个大型子集划分成q个规模较小的子集,并将这些子集部署到q个云计算节点,并将第二个中小型子集广播到q个云计算节点。接下来,在各个节点用本地数据子集训练随机森林,并用随机森林从第二个中小型子集中选择样例,之后合并在各个节点选择的样例以得到这一次所选样例的子集。重复上述过程p次,得到p个样例子集。最后,用这p个子集进行投票,得到最终选择的样例子集。在Hadoop和Spark两种大数据平台上实现了提出的算法,比较了两种大数据平台的实现机制。此外,在6个大数据集上将所提算法与压缩最近邻(CNN)算法和约简最近邻(RNN)算法进行了比较,实验结果显示数据集的规模越大时,与这两个算法相比,提出的算法测试精度更高且时间消耗更短。证明了提出的算法在大数据处理上具有良好的泛化能力和较高的运行效率,可以有效地解决大数据的样例选择问题。

关键词：大数据样例选择决策树随机森林投票机制

来源：评论

学校读者我要写书评

暂无评论

大数据环境下的投票特征选择算法

引用

小型微型计算机系统 2022年第5期43卷 936-942页

作者：周翔翟俊海黄雅婕申瑞彩侯璎真河北大学数学与信息科学学院河北保定071000 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071000

随着数据的爆炸式增长,大数据问题越来越受到关注,然而由于大数据具有维度较高、数据复杂且变化迅速的特性,导致传统的机器学习算法不再适用,故解决大数据特征选择问题迫在眉睫.本文基于投票机制和决策树算法提出了大数据环境下的投票... 详细信息

随着数据的爆炸式增长,大数据问题越来越受到关注,然而由于大数据具有维度较高、数据复杂且变化迅速的特性,导致传统的机器学习算法不再适用,故解决大数据特征选择问题迫在眉睫.本文基于投票机制和决策树算法提出了大数据环境下的投票特征选择算法.具体步骤为,随机划分大数据集U为L个子集,将划分后的L个子集发送到L个map节点,在每个map节点上使用决策树算法进行特征选择.在reduce节点,用每个map节点选择出来的特征进行投票,将得票数大于阙值的特征选择出来.将提出的算法在Hadoop和Spark两个开源大数据平台进行了实验,发现两个大数据平台的运行机制有诸多异同.此外,将提出的大数据投票特征选择算法和单变量特征选择算法与基于遗传算法的特征选择算法在5个高维数据集上进行了实验比对.经过对实验结果的分析,发现提出的算法相较于两个相关算法分类精度和执行效率都有更优的表现.证明了提出的算法优于这两个算法,可以有效地解决高维数据的特征选择问题.

关键词：大数据特征选择决策树机器学习投票机制

来源：评论

学校读者我要写书评

暂无评论

邻域欠采样的AdaBoostv算法

引用

小型微型计算机系统 2023年第1期44卷 97-102页

作者：张振莲鲁淑霞翟俊海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

针对类别非平衡情况下的类重叠问题,引入了两种基于邻域的欠采样方法:共同近邻搜索欠采样和递归搜索欠采样,其主要思想是通过消除重叠区域中的负类样本来缓解类别非平衡问题,学习算法采用AdaBoost v算法,通过最大化样本的最小间隔(最优... 详细信息

针对类别非平衡情况下的类重叠问题,引入了两种基于邻域的欠采样方法:共同近邻搜索欠采样和递归搜索欠采样,其主要思想是通过消除重叠区域中的负类样本来缓解类别非平衡问题,学习算法采用AdaBoost v算法,通过最大化样本的最小间隔(最优间隔)来提高分类器的分类能力.为了进一步解决非平衡数据分类问题,AdaBoost v算法的基分类器采用加权最优间隔分布机模型,对模型中的间隔均值项和铰链损失项加权,权值是依据数据的非平衡比给出的,并利用带有方差减小的随机梯度下降方法对优化模型进行求解,以提高算法的收敛速度.对比实验表明,提出的算法在非平衡数据分类问题上具有明显的优势.

关键词：欠采样 AdaBoost v 最优间隔分布机类重叠问题权值

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类问题的基于间隔放大损失的支持向量机

引用

重庆邮电大学学报（自然科学版） 2023年第1期35卷 70-78页

作者：王众鲁淑霞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(河北大学) 河北保定071002

针对不平衡数据分类问题,提出了一种带有间隔感知标签分布损失函数的支持向量机,称为基于间隔放大损失的支持向量机(support vector machine with margin magnification loss,MM-SVM)。考虑各类样本的分布情况以及数据不平衡比,设计了... 详细信息

针对不平衡数据分类问题,提出了一种带有间隔感知标签分布损失函数的支持向量机,称为基于间隔放大损失的支持向量机(support vector machine with margin magnification loss,MM-SVM)。考虑各类样本的分布情况以及数据不平衡比,设计了一种间隔放大损失函数,最小化基于间隔的泛化误差界;将间隔放大损失函数应用于SVM模型中,增强了少数类样本对分类超平面的影响,实现对少数类样本的准确分类。在Keel和UCI数据库上的实验表明,MM-SVM在不平衡数据分类精度和时间效率上均优于其他5种对比方法,实现了对不平衡数据的有效分类。

关键词：非平衡间隔鲁棒性支持向量机(SVM)

来源：评论

学校读者我要写书评

暂无评论

基于HBase和SimHash的大数据K-近邻算法

引用

山东大学学报（工学版） 2018年第3期48卷 54-59页

作者：王婷婷翟俊海张明阳郝璞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 河北大学数学与信息科学学院河北保定071002

针对大数据K-近邻(K-nearest neighbors,K-NN)计算复杂度高的问题,提出一种基于HBase和Sim Hash的大数据K-近邻分类算法。利用Sim Hash算法将大数据集从原空间映射到Hamming空间,得到哈希签名值集合;将样例的行键与值的二元对存储到HBas... 详细信息

针对大数据K-近邻(K-nearest neighbors,K-NN)计算复杂度高的问题,提出一种基于HBase和Sim Hash的大数据K-近邻分类算法。利用Sim Hash算法将大数据集从原空间映射到Hamming空间,得到哈希签名值集合;将样例的行键与值的二元对存储到HBase数据库中,行健(rowkey)为样例的哈希签名值,值(value)为样例的类别;对于测试样例,以其哈希签名值作为健rowkey,从HBase数据库中获取所有样例的value,通过对这些values进行多数投票,即可以得到测试样例的类别。与基于MapReduce的K-NN和基于Spark的K-NN在运行时间和测试精度两方面进行试验比较。试验结果显示,在保持分类能力的前提下,提出的算法的运行时间远远低于其他两种方法。

关键词：大数据 K-近邻分类算法 HBase SimHash

来源：评论

学校读者我要写书评

暂无评论

基于相关熵和距离方差的支持向量数据描述选择性集成

引用

计算机科学 2016年第5期43卷 252-256,264页

作者：邢红杰魏勇乐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保定071002 河北大学计算机科学与技术学院保定071002

提出基于信息理论学习中相关熵和距离方差的支持向量数据描述选择性集成。利用相关熵代替均方误差来度量集成的紧致性,构造出更为紧致的分类边界;利用距离方差集成度量集成中基分类器间的差异性,以提高集成模型的差异性;在目标函数中增... 详细信息

提出基于信息理论学习中相关熵和距离方差的支持向量数据描述选择性集成。利用相关熵代替均方误差来度量集成的紧致性,构造出更为紧致的分类边界;利用距离方差集成度量集成中基分类器间的差异性,以提高集成模型的差异性;在目标函数中增加基于L_1范数的正则化项,实现选择性集成。此外,利用半二次优化技术对所提选择性集成模型进行求解。与单个支持向量数据描述、基于Bagging的支持向量数据描述集成以及基于AdaBoost的支持向量数据描述集成相比,所提方法取得了更优的分类性能。

关键词：单类分类支持向量数据描述相关熵选择性集成

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：