检索结果-内蒙古大学图书馆

计算机工程与应用 2025年

作者：陈俊芬冯武山郝旭阳谢博鋆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

针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题，提出了一种新颖的生成式人体姿态估计方法（Generative Human Pose Estimation，GenPose）。该模型使用多尺度信息融合和条件生成模块解决... 详细信息

针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题，提出了一种新颖的生成式人体姿态估计方法（Generative Human Pose Estimation，GenPose）。该模型使用多尺度信息融合和条件生成模块解决了严重遮挡问题。多尺度模块从尺度和通道上细粒度融合图像特征，能捕捉到更多肢体细节，从而推理出遮挡关键点的特征信息。条件生成模块通过建模遮挡场景与姿态间的对应关系，根据标记编码器特征动态调整生成姿态，在保证可见点准确率的同时，在一定程度上减少了遮挡对非遮挡的干扰，提升了对遮挡姿态的生成效果。在公开的COCO和MPII数据集上，同以往方法相比，有了更好的结果，同时在CrowdPose、OCHuman以及SyncOCC数据集上验证了泛化能力。该模型在一定程度上能够解决严重遮挡下的姿态估计问题，提高了预测姿态的合理性，取得了更加优异的效果。

关键词：人体姿态估计不可见关键点严重遮挡注意力机制变分编码器

来源：评论

学校读者我要写书评

暂无评论

基于凸化集的具有均衡约束的非光滑半无限规划对偶理论研究

引用

应用数学 2025年第2期38卷 565-573页

作者：范红莲苏珂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

本文研究具有均衡约束的非光滑半无限规划问题的对偶性质,利用凸化集,对具有均衡约束的非光滑半无限规划问题提出其混合对偶模型.与传统对偶理论中的凸性不同,本文考虑了在凸算子下的∂*-凸和∂*-不变凸假设,并分别建立了具有均衡约束的... 详细信息

本文研究具有均衡约束的非光滑半无限规划问题的对偶性质,利用凸化集,对具有均衡约束的非光滑半无限规划问题提出其混合对偶模型.与传统对偶理论中的凸性不同,本文考虑了在凸算子下的∂*-凸和∂*-不变凸假设,并分别建立了具有均衡约束的非光滑半无限规划问题与其混合对偶问题之间的强弱对偶定理.

关键词：半无限规划均衡约束凸化集对偶

来源：评论

学校读者我要写书评

暂无评论

基于层次模型的非平衡风速预报订正

引用

河北大学学报(自然科学版) 2025年第03期 317-326页

作者：曹阳翟俊海韩玲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省信息工程学校信息网络教研部

针对风速预报订正中的数据非平衡问题，提出了一种基于分类/回归层次结构的订正模型.该模型的核心思想是采用分治策略，逐步解决风速数据中的非平衡问题.在分类层中，使用了重加权策略来初步解决数据中的非平衡问题.在回归层中，提出了... 详细信息

针对风速预报订正中的数据非平衡问题，提出了一种基于分类/回归层次结构的订正模型.该模型的核心思想是采用分治策略，逐步解决风速数据中的非平衡问题.在分类层中，使用了重加权策略来初步解决数据中的非平衡问题.在回归层中，提出了一种分组扩展的训练策略，有效纠正了受非平衡影响而被错误分类的样本，从而进一步解决数据非平衡问题.此外，还基于贪心策略设计了一种概率加权方法，目的是对有把握的样本输出更加准确的预测.该模型在山东沿海14个地区的风速数据集上进行了验证，并与相关方法进行了比较.订正后的风速预报整体和极端风速事件的平均绝对误差分别降低了34.4%和69.0%,表明该模型在提高极端风速事件预测能力的同时，也保持了对稳定事件的预测性能.

关键词：风速预报订正层次模型数据非平衡极端风速预测

来源：评论

学校读者我要写书评

暂无评论

基于随机森林的哈希检索算法

引用

计算机科学与探索 2019年第7期13卷 1174-1183页

作者：花强郭欣欣张峰董春茹河北大学河北省机器学习与计算智能重点实验室

从海量数据中进行近似数据的检索是数据挖掘领域许多应用的关键。尤其近年来,数据的规模出现爆炸式增长,数据检索需面对海量数据和“维度灾难”的叠加考验,这使得传统最近邻算法效率降低,而近似最近邻算法发挥了越来越重要的作用。其中... 详细信息

从海量数据中进行近似数据的检索是数据挖掘领域许多应用的关键。尤其近年来,数据的规模出现爆炸式增长,数据检索需面对海量数据和“维度灾难”的叠加考验,这使得传统最近邻算法效率降低,而近似最近邻算法发挥了越来越重要的作用。其中哈希算法以其在存储空间和计算时间上的优势受到了广泛关注。提出了一种基于随机森林的哈希算法。该算法通过构建随机森林,将原始空间的样本映射为海明空间的二进制哈希码,并在哈希空间上定义了顺序敏感的海明距离,以最大程度保持数据在原空间的近邻关系不变。由于随机森林中不同决策树所使用的特征空间和学习过程是独立的,可以以增量的方式灵活地确定哈希码的长度。此外基于随机森林的哈希编码算法天然适合并行部署,从而可以大大提高算法速度。最后,在MNIST和CIFAR-10数据集对所提算法进行了实验验证,结果表明了算法的有效性和出色性能。

关键词：近似近邻检索(ANNS) 哈希编码随机森林顺序敏感的海明距离

来源：评论

学校读者我要写书评

暂无评论

基于近邻熵的主动学习算法

引用

模式识别与人工智能 2011年第1期24卷 97-102页

作者：王珍钰王熙照河北大学数学与计算机学院河北省机器学习与计算智能重点实验室保定071002

在主动学习中,采用近邻熵(Neighborhood Entropy)作为样例的挑选标准,熵值最大的样例体现基于近邻分类规则,最无法确定该样例的类标.而标注不确定性高的样例可用尽量少的样例获得较高的分类性能.文中提出一种基于近邻熵的主动学习算法.... 详细信息

在主动学习中,采用近邻熵(Neighborhood Entropy)作为样例的挑选标准,熵值最大的样例体现基于近邻分类规则,最无法确定该样例的类标.而标注不确定性高的样例可用尽量少的样例获得较高的分类性能.文中提出一种基于近邻熵的主动学习算法.该算法首先计算未标注样例的近邻样例类别熵,然后挑选熵值最大样例的进行标注.实验表明,基于近邻熵挑选样例进行标注,较基于最大距离(Maximal Distance)挑选和随机样例挑选可获得更高的分类性能.

关键词：主动学习最近邻最大熵样例选择

来源：评论

学校读者我要写书评

暂无评论

基于样例选取的属性约简算法

引用

计算机研究与发展 2012年第11期49卷 2305-2310页

作者：王熙照王婷婷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计算机学院河北保定071002

计算属性约简是粗糙集框架下归纳学习的关键部分.基于差别矩阵的属性约简算法是常用的属性约简算法之一.给定一个信息系统,利用该算法可以求出信息系统的所有属性约简.但是该算法需要的存储空间大,执行时间长,特别是对于大型数据库,差... 详细信息

计算属性约简是粗糙集框架下归纳学习的关键部分.基于差别矩阵的属性约简算法是常用的属性约简算法之一.给定一个信息系统,利用该算法可以求出信息系统的所有属性约简.但是该算法需要的存储空间大,执行时间长,特别是对于大型数据库,差别矩阵的存储成为其应用的瓶颈.针对这一问题,提出了一种基于样例选取的属性约简算法,算法分为3步:首先从样例集中挑选出重要的样例;然后用选出的样例构造差别矩阵;最后计算信息系统的所有约简.实验结果显示,当处理大型数据库时,新算法能有效地减少存储空间和执行时间.

关键词：信息系统样例选取粗糙集差别矩阵属性约简

来源：评论

学校读者我要写书评

暂无评论

基于不平衡学习的分类器博弈模型及其在中国象棋中的应用

引用

计算机研究与发展 2011年第5期48卷 841-847页

作者：苏攀王熙照李艳河北大学数学与计算机学院河北省机器学习与计算智能重点实验室河北保定071002

计算机博弈是人工智能领域中的热点研究课题.传统计算机博弈模型使用极大极小搜索与评估函数相结合的方式,棋力高低依赖于搜索的深度.在计算性能较低的平台上,搜索深度加深会延长反应时间.因此,提出了一种应用不平衡学习技术使用专家谱... 详细信息

计算机博弈是人工智能领域中的热点研究课题.传统计算机博弈模型使用极大极小搜索与评估函数相结合的方式,棋力高低依赖于搜索的深度.在计算性能较低的平台上,搜索深度加深会延长反应时间.因此,提出了一种应用不平衡学习技术使用专家谱训练分类器的机器博弈解决方案,反应时间只相当于一层搜索,且更能体现学习的特性.使用3种经典的不平衡学习方法训练神经网络,并对结果进行了比较.验证了使用分类器模拟中国象棋策略的可能性,以及不平衡学习技术在该策略建模过程中起到的关键作用.

关键词：不平衡学习计算机博弈中国象棋机器博奕分类器博弈模型人工神经网络

来源：评论

学校读者我要写书评

暂无评论

基于概念格层面的知识提取方法及应用

引用

华中科技大学学报（自然科学版） 2024年第11期52卷 37-42,92页

作者：毛华刘畅袁晓垒刘川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

为解决现有生成概念格算法只能直接输出概念,而不能同时输出每个知识层面及其同一知识层面所蕴含的知识之问题,提出一个将形式背景转化为概念格的知识分层(KL)算法.在宏观上,KL算法实现了将形式背景中的知识可视化;在微观上,KL算法将具... 详细信息

为解决现有生成概念格算法只能直接输出概念,而不能同时输出每个知识层面及其同一知识层面所蕴含的知识之问题,提出一个将形式背景转化为概念格的知识分层(KL)算法.在宏观上,KL算法实现了将形式背景中的知识可视化;在微观上,KL算法将具体的知识层面及各个知识层面所蕴含的知识一并输出.通过将KL算法与Nextclosure等其他生成概念格算法对比发现:在算法复杂度方面,当形式背景中对象集规模较大时,KL算法在处理数据的速度上明显快于Nextclosure等算法;当形式背景中属性集规模不大时,KL算法与Nextclosure等算法处理数据的速度基本相同;在是否生成Hasse图与知识层面方面,KL算法占有绝对的优势.研究结果表明:KL算法在同一形式背景下提供的结果内容更为丰富,有利于概念格理论应用的推广.

关键词：形式概念分析概念格知识层面 Hasse图知识分层算法

来源：评论

学校读者我要写书评

暂无评论

基于深度情感唤醒网络的多模态情感分析与情绪识别

引用

控制与决策 2022年第11期37卷 2984-2992页

作者：张峰李希城董春茹花强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

随着网络平台上各类图像、视频数据的快速增长,多模态情感分析与情绪识别已成为一个日益热门的研究领域.相比于单模态情感分析,多模态情感分析中的模态融合是一个亟待解决的关键问题.受到认知科学中情感唤起模型的启发,提出一种能够模... 详细信息

随着网络平台上各类图像、视频数据的快速增长,多模态情感分析与情绪识别已成为一个日益热门的研究领域.相比于单模态情感分析,多模态情感分析中的模态融合是一个亟待解决的关键问题.受到认知科学中情感唤起模型的启发,提出一种能够模拟人类处理多通道输入信息机制的深度情感唤醒网络(DEAN),该网络可实现多模态信息的有机融合,既能处理情绪的连贯性,又能避免融合机制的选择不当而带来的问题.DEAN网络主要由以下3部分组成:跨模态Transformer模块,用以模拟人类知觉分析系统的功能;多模态BiLSTM系统,用以模拟认知比较器;多模态门控模块,用以模拟情感唤起模型中的激活结构.在多模态情感分析与情绪识别的3个经典数据集上进行的比较实验结果表明,DEAN模型在各数据集上的性能均超越了目前最先进的情感分析模型.

关键词：多模态情感分析多模态情绪识别深度情感唤醒网络跨模态Transformer 多模态BiLSTM系统多模态门控机制

来源：评论

学校读者我要写书评

暂无评论

改进的基于排序熵的有序决策树算法

引用

模式识别与人工智能 2014年第2期27卷 134-140页

作者：陈建凯王熙照高相辉河北大学数学与计算机学院河北省机器学习与计算智能重点实验室保定071002

由于基于排序熵的有序决策树在扩展属性选取时,需计算每个条件属性的每个割点处的排序互信息,并通过对比这些排序互信息的大小来确定最大值(最大值对应的属性为扩展属性),计算复杂度较高.针对此问题,文中将割点分为平衡割点和非平衡割... 详细信息

由于基于排序熵的有序决策树在扩展属性选取时,需计算每个条件属性的每个割点处的排序互信息,并通过对比这些排序互信息的大小来确定最大值(最大值对应的属性为扩展属性),计算复杂度较高.针对此问题,文中将割点分为平衡割点和非平衡割点两部分,建立一个数学模型,从理论上证明排序互信息最大值不会在平衡割点处达到,而只能在非平衡割点处达到.这说明在计算排序互信息时只需遍历非平衡割点,而无需再计算平衡割点处的值,从而使决策树构建的计算效率得到较大程度提高.数值实验验证此结果.

关键词：有序分类有序决策树非平衡割点

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：