检索结果-内蒙古大学图书馆

计算机应用 2024年

作者：王翔陈志祥毛国君福建理工大学计算机科学与数学学院福建省大数据挖掘与应用技术重点实验室(福建理工大学)

为解决现有时间序列模型未能充分融合局部和全局依赖的问题，提出一种融合局部和全局相关性的多变量时间序列预测方法 PatchLG(Patch-integrated Local-Global Correlation Method)。该方法基于3个关键部分：1）将时间序列划分为多个子... 详细信息

为解决现有时间序列模型未能充分融合局部和全局依赖的问题，提出一种融合局部和全局相关性的多变量时间序列预测方法 PatchLG(Patch-integrated Local-Global Correlation Method)。该方法基于3个关键部分：1）将时间序列划分为多个子序列（Patch），保持时间序列的局部性同时使模型更易于提取全局依赖；2）使用深度可分离卷积和自注意力机制建模局部和全局相关性;3）将时间序列分解为趋势项与季节项两个部分同时进行预测，并将预测结果组合起来得到最终预测结果。在7个基准数据集上的实验结果表明，PatchLG相较于最优基线方法 PatchTST在均方误差(MSE)和平均绝对误差(MAE)两个指标上平均提升3.0%和2.9%，同时具有较低的实际运行时间和内存消耗，验证了PatchLG在时间序列预测的有效性。

关键词：时间序列多变量时间序列预测深度可分离卷积自注意力机制局部与全局依赖

来源：评论

学校读者我要写书评

暂无评论

基于分组卷积的通道重洗注意力机制

引用

计算机应用 2025年第4期45卷 1069-1076页

作者：张李伟梁泉胡禹涛朱乔乐福建理工大学计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室(福建理工大学) 福州350118

注意力机制的引入使得主干网能够学习更具区分性的特征表示。然而,为了控制注意力的复杂度,传统的注意力机制采用的通道降维或减少通道数而增加批量大小的策略会导致过度减少通道数和损失重要特征信息的问题。为解决这一问题,提出通道... 详细信息

注意力机制的引入使得主干网能够学习更具区分性的特征表示。然而,为了控制注意力的复杂度,传统的注意力机制采用的通道降维或减少通道数而增加批量大小的策略会导致过度减少通道数和损失重要特征信息的问题。为解决这一问题,提出通道重洗注意力(CSA)模块。首先,利用分组卷积学习注意力权重,以控制CSA的复杂度;其次,通过传统通道重洗和深层通道重洗(DCS)方法,增强不同组间的通道特征信息交流;再次,使用逆通道重洗恢复注意力权重的顺序;最后,将恢复后的注意力权重与原始特征图相乘,以获得更具表达能力的特征图。实验结果表明,在CIFAR-100数据集上,与添加CA(Coordinate Attention)的ResNet50相比,添加CSA的ResNet50的参数量降低了2.3%,Top-1准确率提升了0.57个百分点;与添加EMA(Efficient Multi-scale Attention)的ResNet50相比,添加CSA的ResNet50的计算量降低了18.4%,Top-1准确率提升了0.27个百分点。在COCO2017数据集上,添加CSA的YOLOv5s比添加CA和EMA的YOLOv5s在平均精度均值(mAP@50)上分别提升了0.5和0.2个百分点。可见,CSA达到了参数量和计算量的平衡,并能够同时提升图像分类任务的准确率和目标检测任务的定位能力。

关键词：注意力机制分组卷积通道重洗图像分类目标检测

来源：评论

学校读者我要写书评

暂无评论

基于计算物流和群集智能的多集装箱码头泊位分配

引用

计算机工程与应用 2023年第16期59卷 262-284页

作者：李斌唐志斌福建理工大学机械与汽车工程学院福州350118 福建理工大学、福建省大数据挖掘与应用重点实验室福州350118 福建理工大学交通运输学院福州350118

以港口运营方统一整合多集装箱码头作业空间资源为背景,探讨了考虑泊位水深约束和出口集装箱可转港作业的多码头动态连续泊位分配问题(multi-terminal dynamic and continuous berth allocation problem,MDC-BAP)。基于计算物流将MDC-BA... 详细信息

以港口运营方统一整合多集装箱码头作业空间资源为背景,探讨了考虑泊位水深约束和出口集装箱可转港作业的多码头动态连续泊位分配问题(multi-terminal dynamic and continuous berth allocation problem,MDC-BAP)。基于计算物流将MDC-BAP抽象为异构多背包问题进行运筹建模,建立了同时考虑港航双方作业总成本最小化的混合整数规划模型,进而设计了一类融合计算物流和群集智能的二阶段改进帝国竞争算法(two-stage improved imperialist competitive algorithm,TSI-ICA)对模型进行求解。采用三种计划周期12个大规模MDC-BAP算例执行数值实验,比较了多种改进帝国竞争算法和多种启发式规则在MDC-BAP模型上的综合求解性能,TSI-ICA设计的“元启发式算法+启发式规则”框架在大规模算例上的表现明显优于“启发式规则+启发式规则”的资源分配模式,并从运作成本和运营韧性两方面阐明了多码头协同生产优于单码头独立作业模式,从而为多集装箱码头泊位协同分配提供了较好的智能决策支持解决方案。

关键词：多集装箱码头泊位分配问题联合生产运营异构多背包问题计算物流帝国竞争算法排队论

来源：评论

学校读者我要写书评

暂无评论

一种对抗性的权重注意力机制Seq2Seq模型估算SOC

引用

电工技术学报 2023年

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建省大数据挖掘与应用技术重点实验室

锂电池荷电状态（SOC）准确估算是新能源技术发展中的一项关键技术问题，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，本文提出一种对抗性的权重注意力序列到序列(AWAS)模型，... 详细信息

锂电池荷电状态（SOC）准确估算是新能源技术发展中的一项关键技术问题，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，本文提出一种对抗性的权重注意力序列到序列(AWAS)模型，用于估算SOC，其中权重注意力机制(Weighed Attention)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(Gated Recurrent Units，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，然后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，随后由GRU进行解码，最后与生成对抗网络(Generative Adversarial Network ，GAN)中的鉴别器(Discriminator）联合，提高模型估算能力。通过多步SOC估算任务的测试实验，本文提出的模型估算SOC的均方根误差以及平均绝对百分比误差分别达到0.169 5%和0.209 6%；同时，在不同数据集的单步估算任务测试验中，平均绝对误差和均方根误差达到0.141 2%和0.109 4%；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

面向资源约束项目调度的二阶段帝国竞争算法

引用

计算机科学与探索 2023年第11期17卷 2620-2639页

作者：李斌黄起彬福建理工大学机械与汽车工程学院福州350118 福建理工大学福建省大数据挖掘与应用技术重点实验室福州350118 福建理工大学交通运输学院福州350118

资源约束项目调度问题是一类经典的组合优化难题,有着广泛的工程应用背景。自20世纪60年代起,该问题的优化方法层出不穷,但大多数智能优化算法在该问题空间中搜索表现一般。针对这一挑战,提出了一种二阶段演化帝国竞争算法(TSE-ICA)。首... 详细信息

资源约束项目调度问题是一类经典的组合优化难题,有着广泛的工程应用背景。自20世纪60年代起,该问题的优化方法层出不穷,但大多数智能优化算法在该问题空间中搜索表现一般。针对这一挑战,提出了一种二阶段演化帝国竞争算法(TSE-ICA)。首先,基于由关键路径法得到的组块提取策略,提出两种分别用于种群多样性开发和高效收敛的同化算子,通过在不同阶段选择合适的同化算子实现二阶段演化框架的构建。其次,基于组块的改进革命机制包含插入和乱序两种邻域搜索策略,帝国竞争机制则通过收集不同帝国的收敛信息实现参数的自适应调整;最后,利用记忆库引导种群进化,提高算法的收敛速率。TSE-ICA的最佳参数设置由Taguchi法的实验设计方法确定。数值实验面向典型实例库PSPLIB中的3个实例集J30、J60和J120对TSE-ICA执行了性能测试,并基于两种评价标准与17种先进的元启发式算法进行性能对比。实验结果显示,TSE-ICA具有较好的优化性能和收敛效率,初步验证了所提改进机制的有效性和所提算法的问题适用性。

关键词：资源约束项目调度问题帝国竞争算法二阶段演化框架同化关键路径法 Taguchi法组块记忆库

来源：评论

学校读者我要写书评

暂无评论

融合强关联依赖和简洁语法的方面级情感分析模型

引用

计算机应用 2024年第6期44卷 1786-1795页

作者：柯添赐刘建华孙水华郑智雄蔡子杰福建理工大学计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室(福建理工大学) 福州350118

针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通... 详细信息

针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通过该列表加强方面词与对应情感的相关性;其次,构建融合POS和依赖关系的联合列表,通过该联合列表去除已优化的依赖树无效单词与标点符号的冗余信息;再次,将优化后的依赖树与图注意力网络(GAT)结合建模提取上下文特征;最后,与依赖关系类型的特征信息进行交互学习并融合特征,增强特征表示,最终使分类器能高效预测每个方面词的情感极性。将所提模型在4个公开数据集上进行实验分析,与DMF-GAT-BERT(Dynamic Multichannel Fusion mechanism based on the GAT and BERT(Bidirectional Encoder Representations from Transformers))模型相比,所提模型的准确率分别提高了1.48、1.81、0.09和0.44个百分点。实验结果表明,所提模型能够有效增强方面词与情感词的联系,使方面词情感极性的预测更准确。

关键词：方面级情感分析依赖关系词性语法依赖树图注意力网络

来源：评论

学校读者我要写书评

暂无评论

交通场景中基于双向感知和几何聚合的小目标检测

引用

陕西科技大学学报 2024年

作者：戴宇晨刘石坚邹峥福建理工大学福建省大数据挖掘与应用技术重点实验室福建师范大学计算机与网络空间安全学院

交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别，本文着重于提升小目标检测的性能。本文设计了全新的多模态特征编码方案：基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法... 详细信息

交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别，本文着重于提升小目标检测的性能。本文设计了全新的多模态特征编码方案：基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法。另外，本文模块均针对两阶段模型的前期特征强化，提前规避细节错误；本文模块独立性强，可扩展到所有两阶段模型中。实验对比使用KITTI数据集的两阶段3D检测模型，结果显示本文方法在不同遮挡难度中，行人类对象和骑行类对象的准确率可分别实现3%和5%的显著提升。并且对比KITTI数据集行人类3D检测SOTA，本文方法在基本同步的时间延迟下，在其整体准确率提升的同时，小目标对象检测的准确率更高。

关键词： 3D目标检测点-体素感受野融合几何聚合小目标检测

来源：评论

学校读者我要写书评

暂无评论

基于透镜反向学习和差分进化的帝国竞争改进算法

引用

计算机工程 2024年

作者：李斌潘智成福建理工大学机械与汽车工程学院福建理工大学福建省大数据挖掘与应用技术重点实验室福建理工大学计算机科学与数学学院

针对帝国竞争算法(ICA)收敛过快导致求解高维复杂问题容易陷入局部最优以及全局寻优能力不足等问题，提出了一种改进帝国竞争算法(LODE-IICA)。首先，引入透镜反向学习差分进化机制，周期性为算法种群提供新的进化方式和平衡各个帝国势... 详细信息

针对帝国竞争算法(ICA)收敛过快导致求解高维复杂问题容易陷入局部最优以及全局寻优能力不足等问题，提出了一种改进帝国竞争算法(LODE-IICA)。首先，引入透镜反向学习差分进化机制，周期性为算法种群提供新的进化方式和平衡各个帝国势力，帮助算法种群跳出局部最优；其次，将精英保留策略植入到算法演化当中，重新分配殖民地维持种群多样性；最后，引入动态同化系数，协调算法在不同阶段探索，提高算法的稳定性。仿真实验中，采用标准函数测试集、CEC2017测试集及CEC2020测试集检验LODE-IICA在多个维度下对不同类型函数的寻优能力。选取分别在标准函数测试集、CEC2017测试集和CEC2020测试集中具有代表性的15种改进算法与LODE-IICA进行实验结果比较。结果显示LODE-IICA引入的机制在大多数情况下有效地提高算法性能，同时具备较好的收敛速度和寻优能力。

关键词：帝国竞争算法透镜反向学习差分进化精英保留同化系数 CEC2017 CEC2020

来源：评论

学校读者我要写书评

暂无评论

面向异构多背包问题的深度强化学习算法

引用

计算机工程 2024年

作者：李斌郭毅福建理工大学机械与汽车工程学院福建理工大学福建省大数据挖掘与应用技术重点实验室福建理工大学计算机科学与数学学院

从传统多背包问题与典型物流系统运作场景出发，抽象出异构多背包问题（HMKP），并制定改进深度确定性策略梯度（DDPG）算法对HMKP进行研究和求解。针对DDPG算法在解决0-1背包问题（KP）时容易陷入局部最优的缺点，采用动态随机机制（DR... 详细信息

从传统多背包问题与典型物流系统运作场景出发，抽象出异构多背包问题（HMKP），并制定改进深度确定性策略梯度（DDPG）算法对HMKP进行研究和求解。针对DDPG算法在解决0-1背包问题（KP）时容易陷入局部最优的缺点，采用动态随机机制（DRM）和动态惩罚机制（DPM）对DDPG算法进行改进，并嵌入改进Transformer模块来优化算法，提出基于改进Transformer模块的动态深度确定性策略梯度（TDP-DDPG）算法，并加入禁忌表防止重复搜索。TDP-DDPG算法在多个实验算例中展现了高效的搜索能力，在由低到高维度的测试集1、2以及更高维度的测试集3中所有39个算例都能找到最优值，在大规模测试集4的6个算例中有3个能找到最优值。实验表明，TDP-DDPG算法在融入改进策略后具备更强的寻优能力。在此基础上，设计基于TDP-DDPG算法的BPD-DDPG算法来解决复杂度更高的HMKP，且分别在多个经典0-1KP算例组合而成的高维度算例中进行分析评估。结果显示BPD-DDPG算法与Gurobi相比虽求解时间长，但在3个低规模算例中求解准确率比商业求解器Gurobi高。BPD-DDPG算法能在可接受时间范围内以低计算代价高效解决高维度、大规模的HMKP。

关键词：深度强化学习 0-1背包问题异构多背包问题 Transformer模块动态惩罚机制禁忌表

来源：评论

学校读者我要写书评

暂无评论

多特征交互的方面情感三元组提取

引用

计算机科学与探索 2024年第4期18卷 1057-1067页

作者：陈林颖刘建华郑智雄林杰徐戈孙水华福建理工大学计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室福州350118 闽江学院计算机与控制工程学院福州350108

方面情感三元组提取是方面级情感分析的子任务之一,旨在提取句子中的方面词、其对应的意见词和情感极性。先前研究集中于设计一种新范式以端到端的方式完成三元组提取任务。然而,这些方法忽略外部知识在模型中的作用,没有充分挖掘和利... 详细信息

方面情感三元组提取是方面级情感分析的子任务之一,旨在提取句子中的方面词、其对应的意见词和情感极性。先前研究集中于设计一种新范式以端到端的方式完成三元组提取任务。然而,这些方法忽略外部知识在模型中的作用,没有充分挖掘和利用语义信息、词性信息以及局部上下文信息。针对上述问题,提出了多特征交互的方面情感三元组提取(MFI-ASTE)模型。首先,该模型通过BERT预训练模型学习句子中的上下文语义特征信息,并使用自注意力机制加强语义特征;其次,使语义特征与所提取到的词性特征交互,二者相互学习,加强词性的组合能力与语义信息;再次,使用多个不同窗口的卷积神经网络提取每个单词的多重局部上下文特征并使用多分门控机制筛选这些多重局部特征;然后,采用双线性层融合提取到的三类外部知识特征;最后,利用双仿射注意力机制预测网格标记并通过特定的解码方案解码三元组。实验结果表明,该模型在四个数据集上的F1值比现有的主流模型分别提升了6.83%、5.60%、0.54%和1.22%。

关键词：方面情感三元组提取自注意力机制卷积神经网络网格标记方案双仿射注意力机制

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：