检索结果-内蒙古大学图书馆

福建电脑 2024年第6期40卷 1-7页

作者：肖榕福州大学计算机与大数据学院福州350100

医学影像分割中极为常见的域偏移问题会导致深度网络应用于新目标域时遭遇性能下降。为此,本文提出了一个单源域泛化训练框架ContraSDG。该框架基于对比学习,使用单源域训练数据。通过消除深度网络对风格信息的依赖,使其专注于语义信息... 详细信息

医学影像分割中极为常见的域偏移问题会导致深度网络应用于新目标域时遭遇性能下降。为此,本文提出了一个单源域泛化训练框架ContraSDG。该框架基于对比学习,使用单源域训练数据。通过消除深度网络对风格信息的依赖,使其专注于语义信息的学习,从而学习出鲁棒的特征表示,达到提升泛化能力的目的。实验结果表明,对于医学影像跨域分割任务,本文方法能够较大幅度地提高分割性能。

关键词：医学影像分割域偏移单源域泛化

来源：评论

学校读者我要写书评

暂无评论

基于熵的平衡子空间K-means算法

引用

计算机系统应用 2022年第12期31卷 266-272页

作者：康泰榕何振峰福州大学计算机与大数据学院福州350108

在许多数据挖掘的实际应用中要求每一个类别的实例数量相对平衡.而独立子空间聚类的熵加权K-means算法(EWKM)会产生不均衡的划分,聚类质量很差.本文定义了一种兼顾平衡划分与特征分布的多目标熵,然后应用该熵改进了EWKM算法的目标函数,... 详细信息

在许多数据挖掘的实际应用中要求每一个类别的实例数量相对平衡.而独立子空间聚类的熵加权K-means算法(EWKM)会产生不均衡的划分,聚类质量很差.本文定义了一种兼顾平衡划分与特征分布的多目标熵,然后应用该熵改进了EWKM算法的目标函数,同利用迭代方法和交替方向乘子法设计其求解流程,并提出基于熵的平衡子空间K-means算法(EBSKM).最后,在UCI、UCR等公开数据集进行聚类实验,结果表明所提算法在准确率和平衡性方面都优于同类算法.

关键词：子空间聚类平衡聚类特征加权 K-means

来源：评论

学校读者我要写书评

暂无评论

基于集束搜索的可解释阈值树构造

引用

计算机系统应用 2023年第11期32卷 247-252页

作者：李钰群何振峰福州大学计算机与大数据学院福州350108

传统的聚类算法能够将数据集划分成不同的簇,但是这些簇通常都是难以解释的.IMM(iterative mistake minimization)是一种常见的可解释聚类算法,通过单个特征来构造阈值树,每个簇都可以用根节点到叶子节点路径上的特征-阈值对进行解释.然... 详细信息

传统的聚类算法能够将数据集划分成不同的簇,但是这些簇通常都是难以解释的.IMM(iterative mistake minimization)是一种常见的可解释聚类算法,通过单个特征来构造阈值树,每个簇都可以用根节点到叶子节点路径上的特征-阈值对进行解释.然而,阈值树在每一轮划分数据时仅考虑错误最少的特征-阈值对,这种贪心的方法容易导致局部最优解.针对这一问题,本文引入了集束搜索,通过在阈值树的每一轮划分过程当中保留预定数量的状态来减缓局部最优,进而提高阈值树提供的聚类划分与初始聚类划分的一致性.最后,通过实验验证了该算法的有效性.

关键词：可解释聚类集束搜索阈值树 K-means

来源：评论

学校读者我要写书评

暂无评论

结合动态自适应调制和结构关系学习的细粒度图像分类

引用

计算机系统应用 2024年第8期33卷 166-175页

作者：王衍根陈飞陈权福州大学计算机与大数据学院福州350108

由于细粒度图像类间差异小,类内差异大的特点,因此细粒度图像分类任务关键在于寻找类别间细微差异.最近,基于Vision Transformer的网络大多侧重挖掘图像最显著判别区域特征.这存在两个问题:首先,网络忽略从其他判别区域挖掘分类线索,容... 详细信息

由于细粒度图像类间差异小,类内差异大的特点,因此细粒度图像分类任务关键在于寻找类别间细微差异.最近,基于Vision Transformer的网络大多侧重挖掘图像最显著判别区域特征.这存在两个问题:首先,网络忽略从其他判别区域挖掘分类线索,容易混淆相似类别;其次,忽略了图像的结构关系,导致提取的类别特征不准确.为解决上述问题,本文提出动态自适应调制和结构关系学习两个模块,通过动态自适应调制模块迫使网络寻找多个判别区域,再利用结构关系学习模块构建判别区域间结构关系;最后利用图卷积网络融合语义信息和结构信息得出预测分类结果.所提出的方法在CUB-200-2011数据集和NA-Birds数据集上测试准确率分别达到92.9%和93.0%,优于现有最先进网络.

关键词：细粒度图像分类 Vision Transformer(ViT) 动态自适应调制结构关系学习图卷积网络

来源：评论

学校读者我要写书评

暂无评论

考虑绕障和拓扑结构的PCB布线算法研究

引用

福建电脑 2024年第7期40卷 1-8页

作者：袁豪郑淦文福州大学计算机与大数据学院福州350108

在印刷电路板设计中,电路板的性能和制造成本受到布线算法的效率和质量的影响。为提高布线的效率和质量,本文提出了一种基于R树进行障碍识别和改进A^(*)算法进行布线的PCB布线算法。算法首先使用R树存储整个PCB板的障碍物信息,然后使用... 详细信息

在印刷电路板设计中,电路板的性能和制造成本受到布线算法的效率和质量的影响。为提高布线的效率和质量,本文提出了一种基于R树进行障碍识别和改进A^(*)算法进行布线的PCB布线算法。算法首先使用R树存储整个PCB板的障碍物信息,然后使用改进的A^(*)算法兼顾周围线网的拓扑结构进行布线,并在布线过程中动态更新R树,以高效获取布线路径与现有线路或元件的空间关系。实验的结果表明,本文的布线算法布线效率较高,布通率达到100%,能满足工业电路设计中时序匹配、线间距和135度布线等基本要求,且走线具有统一的拓扑结构。

关键词： R树 A^(*)算法 PCB布线区域布线

来源：评论

学校读者我要写书评

暂无评论

结合可信度的k_(m)-means算法

引用

计算机系统应用 2022年第6期31卷 175-181页

作者：熊君竹何振峰福州大学计算机与大数据学院福州350108

以K-means为代表的聚类算法被广泛地应用在许多领域,但是K-means不能直接处理不完整数据集.k_(m)-means是一种处理不完整数据集的聚类算法,通过调整局部距离计算方式,减少不完整数据对聚类过程的影响.然而k_(m)-means初始化阶段选取的... 详细信息

以K-means为代表的聚类算法被广泛地应用在许多领域,但是K-means不能直接处理不完整数据集.k_(m)-means是一种处理不完整数据集的聚类算法,通过调整局部距离计算方式,减少不完整数据对聚类过程的影响.然而k_(m)-means初始化阶段选取的聚类中心存在较大的不可靠性,容易陷入局部最优解.针对此问题,本文引入可信度,提出了结合可信度的k_(m)-means聚类算法,通过可信度调整距离计算,增大初始化过程中选取聚类中心的可靠性,提高聚类算法的准确度.最后,通过UCI和UCR数据集验证算法的有效性.

关键词：不完整数据聚类中心可信度局部距离 K-means

来源：评论

学校读者我要写书评

暂无评论

基于对抗性的权重注意力机制序列到序列模型的锂离子电池SOC估计方法

引用

电工技术学报 2024年第19期39卷 6244-6256页

作者：陈治铭刘建华柯添赐陈可纬福建理工大学计算机科学与数学学院福州350018 福建省大数据挖掘与应用技术重点实验室福州350018

锂电池荷电状态(SOC)的准确估算是新能源技术发展中的一项关键技术,由于难以直接获取SOC准确数值,而面对此长序列预测问题,采用传统深度学习方法,其估算效果不佳。对此,该文提出一种对抗性的权重注意力序列到序列(AWAS)模型以估算SOC,... 详细信息

锂电池荷电状态(SOC)的准确估算是新能源技术发展中的一项关键技术,由于难以直接获取SOC准确数值,而面对此长序列预测问题,采用传统深度学习方法,其估算效果不佳。对此,该文提出一种对抗性的权重注意力序列到序列(AWAS)模型以估算SOC,其中权重注意力机制通过引入额外的线性变换增强了注意力机制提取长序列依赖的能力。该模型由门控循环单元(GRU)作为编码器和解码器的基本构建模块。首先利用编码器提取特征间的相关信息;其次将包含特征信息的隐藏向量交由权重注意力处理,以深化特征间的关联性学习;再次由GRU进行解码;最后与生成对抗网络(GAN)中的鉴别器联合,提高模型估算能力。通过多步SOC估算任务的测试实验,该文提出的模型估算SOC的方均根误差及平均绝对百分比误差分别达到0.1695%和0.2096%;同时,在不同数据集的单步估算任务测试中,平均绝对误差和方均根误差达到0.1412%和0.1094%;相比稀疏化Informer模型在平均绝对误差评估指标上降低了45.7%。

关键词：锂电池荷电状态序列到序列模型对抗生成网络稀疏化Informer 注意力

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的类别文本生成

引用

广西师范大学学报（自然科学版） 2022年第4期40卷 79-90页

作者：蔡丽坤吴运兵陈甘霖刘翀凌廖祥文福州大学计算机与大数据学院福建福州350108 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350108 福州大学数字福建金融大数据研究所福建福州350108

类别文本生成旨在让机器生成人类可理解的文本,并且赋予生成文本特定的类别属性。现有工作主要采用基于生成对抗网络的文本生成框架,往往直接采用卷积神经网络进行文本特征提取,缺乏对文本全局语义的关注;此外,简单地在生成网络中引入... 详细信息

类别文本生成旨在让机器生成人类可理解的文本,并且赋予生成文本特定的类别属性。现有工作主要采用基于生成对抗网络的文本生成框架,往往直接采用卷积神经网络进行文本特征提取,缺乏对文本全局语义的关注;此外,简单地在生成网络中引入注意力无法有效消除解码过程中的噪声。针对上述问题,本文提出一种将文本全局特征与局部特征联合建模的方法,通过将长短时记忆网络提取的全局语义信息与卷积神经网络提取的局部语义信息进行融合,增强生成过程中对文本全局语义信息的关注,并且引入双重注意力,进一步过滤掉序列生成中的无关信息。与基准模型相比,本文提出的方法分别在2个公开的真实数据集(Movie Review和Amazon Review)上取得了至少0.01和0.004的BLEU值的提升,表明了本文方法的有效性。

关键词：文本生成生成对抗网络双重注意力特征融合进化学习算法

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算环境下基于深度强化学习的服务卸载方法

引用

计算机集成制造系统 2022年第10期28卷 3304-3315页

作者：刘国志代飞莫启许小龙强振平王雷光西南林业大学大数据与智能工程学院云南昆明650224 云南大学软件学院云南昆明650091 南京信息工程大学计算机与软件学院江苏南京210044

为了在车辆边缘环境下高效地进行服务卸载,同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配,提出一种基于深度强化学习的服务卸载方法。首先提出车辆边缘环境下一种端—边—云协同的服务卸载架构,将服务卸载问题归约为... 详细信息

为了在车辆边缘环境下高效地进行服务卸载,同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配,提出一种基于深度强化学习的服务卸载方法。首先提出车辆边缘环境下一种端—边—云协同的服务卸载架构,将服务卸载问题归约为边缘服务器计算和通信资源约束下获得最小平均服务时延的优化问题;然后引入深度Q网络解决优化问题,在学习过程中引入贪婪算法、经验回放机制和双网络机制。通过实验表明,所提方法具有可行性,所提卸载方案性能良好。

关键词：服务卸载端—边—云架构深度Q网络深度强化学习边缘计算

来源：评论

学校读者我要写书评

暂无评论

RBFRadar:基于可编程数据平面检测价值突发流

引用

计算机科学 2024年第4期51卷 48-55页

作者：吴艳妮周政演陈翰泽张栋福州大学计算机与大数据学院福州350108 泉城省实验室济南250100 浙江大学计算机科学与技术学院杭州310013 福州大学至诚学院福州350002

在各种网络流量中,突发是一种常见且重要的流量模式。突发会增大网络时延并影响应用性能,因此对突发流的检测、分析和缓解对于提升网络性能和鲁棒性是有意义的。然而,当前基于逐次突发的检测方案存在显著的带宽开销和高用户负担问题。... 详细信息

在各种网络流量中,突发是一种常见且重要的流量模式。突发会增大网络时延并影响应用性能,因此对突发流的检测、分析和缓解对于提升网络性能和鲁棒性是有意义的。然而,当前基于逐次突发的检测方案存在显著的带宽开销和高用户负担问题。文中通过观察并分析多个场景下的突发流量特征,提出了价值突发流(Remarkable Burst Flow,RBF)检测,在降低带宽开销的同时,减少了传统突发检测中的密集手工劳动和专家经验要求,减轻了网络管理者的负担。RBFRadar是基于Sketch数据结构的框架,支持可编程数据平面上的RBF检测,在一段时间内观察流级别的突发性。该框架仅产生有限的内存占用和低时间复杂性,其原型可在PISA架构上实现。实验结果表明,在检测RBF的准确性方面,RBFRadar的F1分数是现有方案的5.6~23.4倍;在带宽开销方面,与基于逐次突发的检测方案相比,RBFRadar可降低84.62%~98.84%的带宽开销。

关键词：突发流检测 Sketch 网络测量可编程数据平面数据中心网络

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：