检索结果-内蒙古大学图书馆

计算机科学 2022年第11期49卷 284-292页

作者：卞庆荣程宝雷樊建席潘志勇苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

蜻蜓网络(Dragonfly network)是由Kim等提出的一种适用于高性能计算系统的拓扑结构。在蜻蜓网络中,网络被组织成两级架构,计算节点与交换机连接,交换机被分为成多个组。在每一组内部的每个交换机之间互相有一条边相连,任意两组之间有一... 详细信息

蜻蜓网络(Dragonfly network)是由Kim等提出的一种适用于高性能计算系统的拓扑结构。在蜻蜓网络中,网络被组织成两级架构,计算节点与交换机连接,交换机被分为成多个组。在每一组内部的每个交换机之间互相有一条边相连,任意两组之间有一条边相连接。完全独立生成树在信息的可靠传输、信息的并行传输和安全分发以及并行故障服务器诊断算法中具有非常重要的应用。在实际应用中,随着网络规模的不断增大,信息传输的效率以及安全性等要求越来越高。因此,研究网络的完全独立生成树具有重要意义。目前,有许多关于网络中完全独立生成树的研究,但是缺乏蜻蜓网络上的完全独立生成树的研究成果。文中提出了蜻蜓网络全局链路分别以相对链接、绝对链接以及循环链接下的完全独立生成树划分的构造算法,并在此划分的基础上给出了完全独立生成树边集合的构造算法,并对以上算法的正确性进行了证明。最后分析了算法的时间复杂度。

关键词：蜻蜓网络拓扑完全独立生成树算法

来源：评论

学校读者我要写书评

暂无评论

基于最大熵模型的中文指代消解系统实现

引用

计算机应用研究 2009年第8期26卷 2948-2951,2955页

作者：胡乃全孔芳王海东周国栋朱巧明苏州大学计算机科学与技术学院江苏省计算机信息处理技术重点实验室江苏苏州215006

实现了一个基于最大熵的中文指代消解系统。通过预处理获得相关信息,抽取出12特征,采用最大熵算法训练生成分类器。在ACE05 bnews中文测试语料上的指代消解实验结果表明,本系统是一个中文指代消解研究的较好平台。

关键词：自然语言处理指代消解最大熵

来源：评论

学校读者我要写书评

暂无评论

一个适用于手持设备的多层汉字输入法模型

引用

中文信息学报 2006年第6期20卷 104-108页

作者：朱晓旭李培峰朱巧明刁红军苏州大学计算机科学与技术学院江苏省计算机信息处理技术重点实验室江苏苏州215006

随着以PDA和智能手机为代表的手持设备快速发展,汉字输入法选择余地小的缺点已经成为影响其普及的障碍之一。究其原因是手持设备中的操作系统和物理设备类型多,而开发的汉字输入法在不同手持设备中不通用,造成开发效率低。本文介绍了一... 详细信息

随着以PDA和智能手机为代表的手持设备快速发展,汉字输入法选择余地小的缺点已经成为影响其普及的障碍之一。究其原因是手持设备中的操作系统和物理设备类型多,而开发的汉字输入法在不同手持设备中不通用,造成开发效率低。本文介绍了一个适用于手持设备的多层的通用汉字输入法模型,详细描述了模型中每一层的功能和特点,讲解了如何基于该模型实现一个输入法,并概要论述了本模型的优点。

关键词：计算机应用中文信息处理手持设备汉字输入法

来源：评论

学校读者我要写书评

暂无评论

基于不确定性权重的保守Q学习离线强化学习算法

引用

计算机科学 2024年第9期51卷 265-272页

作者：王天久刘全乌兰苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

离线强化学习(Offline RL)中,智能体不与环境交互而是从一个固定的数据集中获得数据进行学习,这是强化学习领域研究的一个热点。目前多数离线强化学习算法对策略训练过程进行保守正则化处理,训练策略倾向于选择存在于数据集中的动作,从... 详细信息

离线强化学习(Offline RL)中,智能体不与环境交互而是从一个固定的数据集中获得数据进行学习,这是强化学习领域研究的一个热点。目前多数离线强化学习算法对策略训练过程进行保守正则化处理,训练策略倾向于选择存在于数据集中的动作,从而解决离线强化学习中对数据集分布外(OOD)的状态-动作价值估值错误的问题。保守Q学习算法(CQL)通过值函数正则赋予分布外状态-动作较低的价值来避免该问题。然而,由于该算法正则化过于保守,数据集内的分布内状态-动作也被赋予了较低的价值,难以达到训练策略选择数据集中动作的目的,因此很难学习到最优策略。针对该问题,提出了一种基于不确定性权重的保守Q学习算法(UWCQL)。该方法引入不确定性计算,在保守Q学习算法的基础上添加不确定性权重,对不确定性高的动作给予更高的保守权重,使得策略能更合理地选择数据集分布内的状态-动作。将UWCQL算法应用于D4RL的MuJoCo数据集中进行了实验,实验结果表明,UWCQL算法具有更好的性能表现,从而验证了算法的有效性。

关键词：离线强化学习深度强化学习强化学习保守Q学习不确定性

来源：评论

学校读者我要写书评

暂无评论

活动轮廓模型的图像分割方法综述

引用

模式识别与人工智能 2013年第8期26卷 751-760页

作者：王相海方玲玲辽宁师范大学计算机与信息技术学院大连116029 苏州大学江苏省计算机信息处理技术重点实验室苏州215006 苏州大学计算机科学与技术学院苏州215006

基于活动轮廓模型的图像分割方法作为计算机视觉应用领域的一个研究热点而倍受关注.文中首先阐述活动轮廓模型的数学模型及其相关的数值实现方法.然后以参数活动模型和几何活动模型的发展为主线,对活动模型的发展进行综述,对其应用于图... 详细信息

基于活动轮廓模型的图像分割方法作为计算机视觉应用领域的一个研究热点而倍受关注.文中首先阐述活动轮廓模型的数学模型及其相关的数值实现方法.然后以参数活动模型和几何活动模型的发展为主线,对活动模型的发展进行综述,对其应用于图像分割的经典方法、优势和所存在的问题进行比较性研究.最后对活动轮廓模型的未来发展进行展望。

关键词：参数活动轮廓模型几何活动模型轮廓曲线演化水平集函数拓扑结构

来源：评论

学校读者我要写书评

暂无评论

基于信息交互增强的事件时序关系分类方法

引用

计算机科学 2020年第11期47卷 244-249页

作者：周新宇李培峰苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息处理技术重点实验室江苏苏州215006

事件时序关系分类任务是信息抽取领域的一个分支,由于其对多个自然语言处理任务具有很好的辅助作用,近年来得到了越来越多的关注。目前,已有的神经网络方法对事件间信息交互的考虑相对缺乏。针对这个问题,提出了一种通过参数共享来增强... 详细信息

事件时序关系分类任务是信息抽取领域的一个分支,由于其对多个自然语言处理任务具有很好的辅助作用,近年来得到了越来越多的关注。目前,已有的神经网络方法对事件间信息交互的考虑相对缺乏。针对这个问题,提出了一种通过参数共享来增强事件间信息交互的方法。该方法首先通过门控卷积神经网络(Gated Convolutional Neural Network,GCNN)学习句子的语义信息和上下文信息,并将其融入最短依存路径序列作为输入;然后使用双向长短期记忆网络(Bidirectional Long Short-Term Memory network,Bi-LSTM)对输入进行编码以获取其语义表示,并通过参数共享来增强事件之间的信息交互;最后将获得的语义表示输入全连接层,使用Softmax函数进行分类预测。TimeBank-Dense语料库上的实验结果表明,所提方法在分类精度上优于现有的大多数神经网络方法。

关键词：时序关系分类句子表示信息交互最短依存路径双向长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于余弦相似性的供应商选择方法

引用

山东大学学报（工学版） 2017年第1期47卷 1-6页

作者：张莉夏佩佩李凡长苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

提出一种基于余弦相似性的改进TOPSIS(technique for order preference by similarity to ideal solution)法并将其应用于解决供应商选择的问题。夹角余弦的距离度量方式隐含了传统TOPSIS法中属性权重,提高了决策的客观性。在供应商选... 详细信息

提出一种基于余弦相似性的改进TOPSIS(technique for order preference by similarity to ideal solution)法并将其应用于解决供应商选择的问题。夹角余弦的距离度量方式隐含了传统TOPSIS法中属性权重,提高了决策的客观性。在供应商选择的实例上证明了所提方法有较强的科学性和合理性。

关键词： TOPSIS 余弦相似性供应商选择多属性决策欧氏距离

来源：评论

学校读者我要写书评

暂无评论

基于多级特征双向融合的小目标检测优化模型

引用

计算机应用 2024年第9期44卷 2871-2877页

作者：潘烨新杨哲苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息处理技术重点实验室(苏州大学) 江苏苏州215006

由于自身特征较小以及网络的深度造成特征丢失等客观原因,小目标的检测一直是目标检测领域的难点问题。针对以上问题,提出基于网络结构进行多次特征增强以优化小目标检测的模型。首先,替换主干网络中的空间金字塔池化(SPP)以优化梯度计... 详细信息

由于自身特征较小以及网络的深度造成特征丢失等客观原因,小目标的检测一直是目标检测领域的难点问题。针对以上问题,提出基于网络结构进行多次特征增强以优化小目标检测的模型。首先,替换主干网络中的空间金字塔池化(SPP)以优化梯度计算;其次,对网络颈部实行区分特征级别的多级双向融合,并对输出头添加自适应特征融合(AFF)模块,以实现多级的特征增强。实验结果表明,在COCO2017-val数据集上,当交并比(IoU)为0.5时,所提模型的平均精度均值达到61.4%,与目前较流行的YOLOv7模型相比提高了4.7个百分点,同时在单GPU上模型的检测帧率为78.2 frame/s,满足工业检测速度要求。

关键词：深度学习小目标目标检测计算机视觉特征融合

来源：评论

学校读者我要写书评

暂无评论

增广立方体上边独立生成树的并行构造

引用

计算机科学 2024年第9期51卷 346-356页

作者：李夏晶程宝雷樊建席王岩李晓瑞苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

近年来,围绕互连网络的研究工作越来越多。其中独立生成树(Independent Spanning Trees,ISTs)可以应用于信息的可靠传输、并行传输、安全分发以及故障服务器的并行诊断中,因此受到了许多研究者的关注。在一对多广播、可靠通信、多节点... 详细信息

近年来,围绕互连网络的研究工作越来越多。其中独立生成树(Independent Spanning Trees,ISTs)可以应用于信息的可靠传输、并行传输、安全分发以及故障服务器的并行诊断中,因此受到了许多研究者的关注。在一对多广播、可靠通信、多节点广播、容错广播、安全消息分发、IP快速重路由等网络通信中,边独立生成树(Edge-Independent Spanning Trees,EISTs)发挥着重要作用。n维增广立方体AQ_(n)是n维超立方体Q_(n)的节点对称变型,它具有超立方体及其变型所没有的一些可嵌入性质。然而,目前增广立方体上边独立生成树的构造方法都是串行构造的。文中首先提出了一种并行算法,用于构造以AQ_(n)中的任意节点为根的2n-1棵树。然后证明算法得到的2n-1棵树是高度为n的边独立生成树,算法的时间复杂度为O(N),其中N表示增广立方体中的节点数。最后通过模拟实验来验证了所提方法的准确性。

关键词：互连网络增广立方体边独立生成树并行算法高度

来源：评论

学校读者我要写书评

暂无评论

面向安卓手机App功能测试技术的方法

引用

计算机工程与设计 2018年第3期39卷 684-689页

作者：张明程宝雷査伟忠杨季文苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

针对安卓手机App功能测试工具中存在的测试不全面和测试用例复用性差等问题,提出在标准路径引导下基于控件遍历的App功能测试方法。由测试人员录制一条测试路径作为标准路径;自动获取被测界面中的控件,根据控件的逻辑顺序生成控件关系图... 详细信息

针对安卓手机App功能测试工具中存在的测试不全面和测试用例复用性差等问题,提出在标准路径引导下基于控件遍历的App功能测试方法。由测试人员录制一条测试路径作为标准路径;自动获取被测界面中的控件,根据控件的逻辑顺序生成控件关系图;采用基于深度优先搜索的测试用例生成方法对控件关系图进行遍历,生成测试用例。基于该测试用例进行功能测试,测试结果表明,该方法生成的测试用例提高了测试的覆盖率和脚本的复用性,简化了测试操作,验证了其可行性。

关键词：功能测试测试用例标准路径控件遍历深度优先搜索

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：