检索结果-内蒙古大学图书馆

山东大学学报（理学版） 2021年第8期56卷 61-66页

作者：白瑞蒲刘培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071002

主要研究实数域F上典型Nambu 3-李代数T=Σ_(l∈z≥1) Fy sin(lx)􀱇Σ_(r∈z≥0) Fz cos(rx)的权为1和权为0的齐性Rota-Baxter算子θ的结构,其中θ满足存在两个整数集到F的可加映射α和β,使得θ(y sin(lx))=α(l)y sin(lx),θ(... 详细信息

主要研究实数域F上典型Nambu 3-李代数T=Σ_(l∈z≥1) Fy sin(lx)􀱇Σ_(r∈z≥0) Fz cos(rx)的权为1和权为0的齐性Rota-Baxter算子θ的结构,其中θ满足存在两个整数集到F的可加映射α和β,使得θ(y sin(lx))=α(l)y sin(lx),θ(z cos(rx))=β(r)z cos(rx)。证明了T上存在10种权为1的齐性Rota-Baxter算子,存在4种权为0的齐性Rota-Baxter算子,并给出了每种算子的具体表达式。

关键词： 3-李代数 Rota-Baxter算子齐性Rota-Baxter算子

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

关于Sugeno测度的收敛理论

引用

数学的实践与认识 2019年第4期49卷 201-209页

作者：张春琴李纯果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河北保定071002

研究了Sugeno测度空间上收敛概念之间的关系这一问题.首先介绍Sugeno测度的定义和一些主要的性质;其次提出一些新的关于gλ-随机变量的收敛概念;最后讨论这些收敛概念之间的关系.所得结论推广了经典的收敛理论,扩大了收敛理论的研究范... 详细信息

研究了Sugeno测度空间上收敛概念之间的关系这一问题.首先介绍Sugeno测度的定义和一些主要的性质;其次提出一些新的关于gλ-随机变量的收敛概念;最后讨论这些收敛概念之间的关系.所得结论推广了经典的收敛理论,扩大了收敛理论的研究范围和应用领域.

关键词： Sugeno测度收敛理论收敛概念 gλ-随机变量

来源：评论

学校读者我要写书评

暂无评论

多生成器生成对抗网络

引用

河北大学学报（自然科学版） 2021年第6期41卷 734-744页

作者：申瑞彩翟俊海侯璎真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

生成对抗网络(Generative adversarial networks,GAN)广泛应用于各种领域,尤其在图像生成方面.该模型由生成网络与判别网络2部分组成,在无监督的训练方式下,2个网络相互竞争相互提高.然而,GAN在训练时经常出现模式崩溃问题,进而导致模... 详细信息

生成对抗网络(Generative adversarial networks,GAN)广泛应用于各种领域,尤其在图像生成方面.该模型由生成网络与判别网络2部分组成,在无监督的训练方式下,2个网络相互竞争相互提高.然而,GAN在训练时经常出现模式崩溃问题,进而导致模型收敛较慢,生成样本多样性较差.为解决这一问题,在深度卷积神经网络的基础上提出了一种多生成器生成对抗网络模型.该模型包含多个生成网络,每个生成网络均使用残差网络进行搭建,同时在生成网络间引入协作机制,以加快模型获取信息并减少参数量,最后将各生成网络的特征图进行融合得到最终图像输入到判别网络中.GAN在训练过程中还会出现梯度消失、训练不稳定问题.为避免出现这些问题,将Wasserstein距离和梯度惩罚引入模型的损失函数.通过在多个数据集上与多种相关方法进行实验比较,结果表明提出的模型在缓解模式崩溃问题、加快模型收敛速度以及减少参数量上均明显优于其他几种方法.

关键词：生成对抗网络残差网络集成学习模式崩溃 Wasserstein距离

来源：评论

学校读者我要写书评

暂无评论

基于最大相关熵的KPCA异常检测方法

引用

计算机科学 2022年第8期49卷 267-272页

作者：李其烨邢红杰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

异常检测是机器学习中一个重要的研究内容,目前已存在大量的异常检测方法。作为一种常用的核方法,核主成分分析(Kernel Principal Component Analysis,KPCA)已被成功地用于解决异常检测问题。然而,传统的KPCA异常检测方法对噪声非常敏感... 详细信息

异常检测是机器学习中一个重要的研究内容,目前已存在大量的异常检测方法。作为一种常用的核方法,核主成分分析(Kernel Principal Component Analysis,KPCA)已被成功地用于解决异常检测问题。然而,传统的KPCA异常检测方法对噪声非常敏感,若训练样本中存在噪声,则会降低KPCA异常检测方法的检测性能。为了提高KPCA异常检测方法的抗噪声能力,提出了一种基于最大相关熵(Maximum Correntropy Criterion,MCC)的KPCA异常检测方法。利用信息理论学习中的相关熵代替KPCA异常检测方法中基于l_(2)范数的度量,通过调节相关熵函数中的宽度参数,可以有效抑制噪声带来的不利影响;利用半二次优化技术对所提方法的优化问题进行求解,仅需较少的迭代次数即可取得局部最优解。此外,给出了所提方法的算法描述,并分析了算法的计算复杂度。在16个UCI基准数据集上的实验结果表明,与其他4种相关方法相比,所提方法取得了更优的抗噪声能力和泛化性能。

关键词：核主成分分析相关熵半二次优化异常检测信息理论学习

来源：评论

学校读者我要写书评

暂无评论

优势关系下基于浓缩布尔矩阵的属性约简方法

引用

计算机科学 2018年第10期45卷 229-234页

作者：李艳郭娜娜吴婷婷湛燕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

在优势关系粗糙集方法(DRSA)的框架下,针对不协调的目标信息系统求属性约简。基于优势矩阵的方法是最常用的一类约简方法,但矩阵中不是所有的元素都有效。浓缩优势矩阵只保留对求约简有用的最小属性集,因而可以明显降低约简过程中的计... 详细信息

在优势关系粗糙集方法(DRSA)的框架下,针对不协调的目标信息系统求属性约简。基于优势矩阵的方法是最常用的一类约简方法,但矩阵中不是所有的元素都有效。浓缩优势矩阵只保留对求约简有用的最小属性集,因而可以明显降低约简过程中的计算量。进一步地,浓缩布尔矩阵通过布尔代数的形式有效地弥补了优势矩阵生成效率低的缺点。文中将等价关系上的浓缩布尔矩阵属性约简方法扩展到优势关系上,针对优势矩阵提出了浓缩布尔矩阵的概念,建立了相应的高效约简方法,使效率得到明显提高。最后采用9组UCI数据进行实验,结果验证了所提方法的有效性。

关键词：粗糙集属性约简优势关系浓缩优势矩阵浓缩布尔矩阵

来源：评论

学校读者我要写书评

暂无评论

基于Depth-wise卷积和视觉Transformer的图像分类模型

引用

计算机科学 2024年第2期51卷 196-204页

作者：张峰黄仕鑫花强董春茹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

图像分类作为一种常见的视觉识别任务,有着广阔的应用场景。在处理图像分类问题时,传统的方法通常使用卷积神经网络,然而,卷积网络的感受野有限,难以建模图像的全局关系表示,导致分类精度低,难以处理复杂多样的图像数据。为了对全局关... 详细信息

图像分类作为一种常见的视觉识别任务,有着广阔的应用场景。在处理图像分类问题时,传统的方法通常使用卷积神经网络,然而,卷积网络的感受野有限,难以建模图像的全局关系表示,导致分类精度低,难以处理复杂多样的图像数据。为了对全局关系进行建模,一些研究者将Transformer应用于图像分类任务,但为了满足Transformer的序列化和并行化要求,需要将图像分割成大小相等、互不重叠的图像块,破坏了相邻图像数据块之间的局部信息。此外,由于Transformer具有较少的先验知识,模型往往需要在大规模数据集上进行预训练,因此计算复杂度较高。为了同时建模图像相邻块之间的局部信息并充分利用图像的全局信息,提出了一种基于Depth-wise卷积的视觉Transformer(Efficient Pyramid Vision Transformer,EPVT)模型。EPVT模型可以实现以较低的计算成本提取相邻图像块之间的局部和全局信息。EPVT模型主要包含3个关键组件:局部感知模块(Local Perceptron Module,LPM)、空间信息融合模块(Spatial Information Fusion,SIF)和“+卷积前馈神经网络(Convolution Feed-forward Network,CFFN)。LPM模块用于捕获图像的局部相关性;SIF模块用于融合相邻图像块之间的局部信息,并利用不同图像块之间的远距离依赖关系,提升模型的特征表达能力,使模型学习到输出特征在不同维度下的语义信息;CFFN模块用于编码位置信息和重塑张量。在图像分类数据集ImageNet-1K上,所提模型优于现有的同等规模的视觉Transformer分类模型,取得了82.6%的分类准确度,证明了该模型在大规模数据集上具有竞争力。

关键词：深度学习图像分类 Depth-wise卷积视觉Transformer 注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于全局和局部判别对抗自编码器的异常检测方法

引用

计算机科学 2021年第6期48卷 202-209页

作者：邢红杰郝忠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

生成式对抗神经网络(Generative Adversarial Nets, GAN)和对抗自编码器(Adversarial Autoencoder, AAE)被成功地应用于图像生成中。此外,对抗网络能够无监督地对样本中所包含的数据特征进行学习。然而,将传统的对抗网络应用于异常检测... 详细信息

生成式对抗神经网络(Generative Adversarial Nets, GAN)和对抗自编码器(Adversarial Autoencoder, AAE)被成功地应用于图像生成中。此外,对抗网络能够无监督地对样本中所包含的数据特征进行学习。然而,将传统的对抗网络应用于异常检测时取得的分类效果较差,有两个方面的原因:一是GAN属于生成式模型,但异常检测模型往往被归入判别式模型的范畴;二是现有的AAE以自编码器的中间向量作为判别输入,对数据的重构效果不够理想。基于此,提出了一种基于双判别器的AAE,并将其应用于解决异常检测问题。所提方法中的双判别器具有不同的判别能力,即局部判别能力和全局判别能力。在MNIST,Fashion-MNIST和CIFAR-10数据集上的实验结果表明,所提方法能够有效避免训练过程中出现模式崩溃的问题。此外,与相关方法进行对比,所提方法取得了更优的检测性能。

关键词：异常检测生成式对抗网络对抗自编码器模式崩溃

来源：评论

学校读者我要写书评

暂无评论

基于注意力的多尺度蒸馏异常检测

引用

计算机科学 2024年第S1期51卷 634-644页

作者：乔虹邢红杰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

基于知识蒸馏的异常检测方法中,教师网络远大于学生网络,使得所得特征表示在同一位置对应图像的感受野不同。为解决此问题,可使学生网络与教师网络结构相同。然而,学生与教师网络完全相同,使得在测试阶段,对于异常样本,教师网络与学生... 详细信息

基于知识蒸馏的异常检测方法中,教师网络远大于学生网络,使得所得特征表示在同一位置对应图像的感受野不同。为解决此问题,可使学生网络与教师网络结构相同。然而,学生与教师网络完全相同,使得在测试阶段,对于异常样本,教师网络与学生网络特征表示差异过小而影响异常检测的性能。为解决该问题,提出了基于高效通道注意力模块的多尺度知识蒸馏异常检测方法(ECA Based Multi-Scale Knowledge Distillation Anomaly Detection,ECA-MSKDAD),并结合数据增强操作提出了相对距离损失函数。使用经过预训练的网络作为教师网络,同时使用与教师网络结构相同的网络作为学生网络。在训练阶段,对训练样本采取数据增强操作以扩充训练集的规模,并在学生网络中引入高效通道注意力(Efficient Channel Attention,ECA)模块,以增加教师网络和学生网络之间的差异,增大异常数据的重构误差,进而提高模型的检测性能。此外,利用相对距离损失函数,将数据间关系从教师网络传递到学生网络,对学生网络的网络参数进行优化。在MVTec AD进行实验,与9种相关方法比较,所提方法在异常检测与异常定位上均取得更优的性能。

关键词：深度学习异常检测异常定位知识蒸馏注意力机制

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：