检索结果-内蒙古大学图书馆

计算机科学 2015年第7期42卷 276-279,313页

作者：郑新李培峰朱巧明苏州大学计算机科学与技术学院苏州215006 江苏省计算机信息处理技术重点实验室苏州215006

事件时序关系的研究在问答系统、信息抽取和文本自动摘要等自然语言处理领域起着重要的作用。首先借鉴英文的标注方法,将中文事件的时序关系分为4类,并给出了具体的标注方法。然后给出了一个中文时序关系的分类方法。最后,在标注语料库... 详细信息

事件时序关系的研究在问答系统、信息抽取和文本自动摘要等自然语言处理领域起着重要的作用。首先借鉴英文的标注方法,将中文事件的时序关系分为4类,并给出了具体的标注方法。然后给出了一个中文时序关系的分类方法。最后,在标注语料库上测试了中文事件时序关系分类的性能,结果表明该方法优于规则方法。

关键词：事件时序关系语料库

来源：评论

学校读者我要写书评

暂无评论

BMBQA:融合MCNN和BiGRU的蛋白质模型质量评估算法

引用

小型微型计算机系统 2022年第7期43卷 1419-1425页

作者：聂良鹏权丽君吴庭芳孙晓雨何如吉吕强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

蛋白质模型质量评估是指对计算手段预测出的蛋白质结构进行评分,以选择尽可能接近天然结构的蛋白质模型,这对在蛋白质结构预测中挑选最优的蛋白质模型和在生物医学研究中恰当使用它们起到至关重要的作用.随着3D蛋白质数据的不断增长,基... 详细信息

蛋白质模型质量评估是指对计算手段预测出的蛋白质结构进行评分,以选择尽可能接近天然结构的蛋白质模型,这对在蛋白质结构预测中挑选最优的蛋白质模型和在生物医学研究中恰当使用它们起到至关重要的作用.随着3D蛋白质数据的不断增长,基于深度学习的蛋白质模型质量评估方法得到了快速发展,但该领域只探索了深度学习方向较浅层的应用.本文为了探索更精确的质量评估方法,提出了一个基于多尺度卷积(MCNN)和双向门控循环神经网络(BiGRU)的深度模型,预测蛋白质模型的GDT_TS(Global Distance Test_Total Score)分数,并将这一方法命名为BMBQA(Quality Assessment Base on MCNN-BiGRU).其中,多尺度卷积神经网络用来提取蛋白质模型中浅层的细节信息以及深层的抽象信息,双向门控循环神经网络用来提取每个残基的长程相互作用信息,通过数据增强来提高深度模型在目标蛋白质中挑选最优蛋白质模型的性能.本文利用CASP13中的数据集与现有的先进方法进行比较,实验结果表明本文方法在4个经典的评价指标中均具有很强的竞争力.

关键词：蛋白质模型质量评估多尺度卷积神经网络双向门控循环神经网络 GDT_TS 数据增强 CASP13

来源：评论

学校读者我要写书评

暂无评论

基于语义特征向量的DNA与转录因子结合特异性预测

引用

计算机应用与软件 2022年第2期39卷 38-43,112页

作者：孙晓雨权丽君梅杰黄立群吕强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

基因表达的生物系统受到DNA和转录因子(Transcription Factor,TF)相互作用的调控,但是对于DNA和TF的结合机制,人们仍然不够了解。为此,提出一个结合深度学习和SVC的模型预测TF与DNA序列结合特异性,并将这一方法命名为semanticSVC。在ENC... 详细信息

基因表达的生物系统受到DNA和转录因子(Transcription Factor,TF)相互作用的调控,但是对于DNA和TF的结合机制,人们仍然不够了解。为此,提出一个结合深度学习和SVC的模型预测TF与DNA序列结合特异性,并将这一方法命名为semanticSVC。在ENCODE项目中的多个TF实验数据集的集合上进行深度学习模型训练,从而挖掘出跨越多个TF的全局语义特征。基于这些语义特征通过浅层学习模型SVC快速对目标任务构建预测模型,进行预测结果的可视化分析。与现有方法相比,该方法在预测结合特异性方面取得了更优的性能。

关键词： DNA特异性转录因子深度学习 SVC t-SNE降维特征向量可视化单点突变

来源：评论

学校读者我要写书评

暂无评论

抗遮挡自适应的粒子滤波算法

引用

系统仿真学报 2018年第9期30卷 3552-3557页

作者：李菊曹明伟余烨夏瑜周立凡常熟理工学院计算机科学与工程学院江苏常熟215500 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 合肥工业大学VCC实验室安徽合肥230009

针对局部遮挡对粒子滤波跟踪算法的影响,提出了抗遮挡自适应的粒子滤波算法。该算法采用矩形作为跟踪窗,在重要性重采样之后,引入K均值聚类(KM聚类)算法,将空间特征与权重分布近似的粒子进行聚类,得到粒子子群,并通过粒子子群估计目标... 详细信息

针对局部遮挡对粒子滤波跟踪算法的影响,提出了抗遮挡自适应的粒子滤波算法。该算法采用矩形作为跟踪窗,在重要性重采样之后,引入K均值聚类(KM聚类)算法,将空间特征与权重分布近似的粒子进行聚类,得到粒子子群,并通过粒子子群估计目标的最终状态。当目标外形变化超过5%时,说明存在遮挡或同色干扰现象,则跟踪窗保持上一帧尺寸不变,否则跟踪窗随着运动目标尺度变化而自适应变化。实验结果表明该算法对局部遮挡和运动目标尺度变化具有较强的鲁棒性。

关键词：抗遮挡 K均值聚类粒子滤波运动目标跟踪

来源：评论

学校读者我要写书评

暂无评论

基于蛋白质进化配对的残基间距离约束挖掘方法

引用

计算机科学 2015年第7期42卷 262-264,299页

作者：王彩霞吕强李海鸥罗升苏州大学计算机科学与技术学院苏州215006 江苏省计算机信息处理技术重点实验室苏州215006

蛋白质的进化配对是指在进化过程中残基对之间形成的相对稳定的相互作用。基于已被发现的进化配对,采用机器学习的分类技术,将其转换成残基对之间的距离约束,从而将一种定性的残基对之间的相互作用挖掘为定量的距离约束,这为蛋白质的结... 详细信息

蛋白质的进化配对是指在进化过程中残基对之间形成的相对稳定的相互作用。基于已被发现的进化配对,采用机器学习的分类技术,将其转换成残基对之间的距离约束,从而将一种定性的残基对之间的相互作用挖掘为定量的距离约束,这为蛋白质的结构预测提供了新的指导。

关键词：进化配对距离约束支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于机器视觉的激光雕刻缺陷检测实践教学设计

引用

实验室研究与探索 2022年第8期41卷 230-235页

作者：杨哲卜子渝刘纯平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

根据苏州大学新工科专业建设的要求,结合智能制造中视觉缺陷检测的应用场景,对计算机类专业的机器视觉综合实践课程进行了教学设计。设计的课程体系融合了图像处理、自动控制、模式识别等内容,包括系统搭建、系统集成、图像处理和视觉... 详细信息

根据苏州大学新工科专业建设的要求,结合智能制造中视觉缺陷检测的应用场景,对计算机类专业的机器视觉综合实践课程进行了教学设计。设计的课程体系融合了图像处理、自动控制、模式识别等内容,包括系统搭建、系统集成、图像处理和视觉检测等实践环节,强化了综合性、系统性和创新性的教学要求,增强了学生的参与度和体验感,提高了学生综合应用基础理论知识解决实际问题的能力,促进了本科实践教学课程的建设。

关键词：机器视觉激光雕刻缺陷检测实践教学教学改革

来源：评论

学校读者我要写书评

暂无评论

一个基于语义的中文事件论元抽取方法

引用

计算机科学 2015年第2期42卷 237-240页

作者：黄媛李培峰朱巧明苏州大学计算机科学与技术学院苏州215006 江苏省计算机信息处理技术重点实验室苏州215006

中文是一种话题结构的语言,其表达方式比较灵活,但句法结构不如英文严谨,导致了事件中论元与触发词的关系较松散。现有的论元抽取方法多数是基于浅层语义的句法结构特征,从而造成了论元抽取性能低下。为了解决这个问题,提出了基于语义... 详细信息

中文是一种话题结构的语言,其表达方式比较灵活,但句法结构不如英文严谨,导致了事件中论元与触发词的关系较松散。现有的论元抽取方法多数是基于浅层语义的句法结构特征,从而造成了论元抽取性能低下。为了解决这个问题,提出了基于语义的中文事件论元抽取方法。该方法利用角色、实体和触发词的语义,弥补了论元抽取中单纯采用句法特征的缺陷。在ACE2005中文语料上的测试结果表明,该方法与基准系统相比具有更高的性能。

关键词：论元抽取角色语义论元语义

来源：评论

学校读者我要写书评

暂无评论

语义集成中的不确定性本体映射模型

引用

计算机工程与应用 2009年第28期45卷 140-144页

作者：黄黎方巍崔志明江苏省计算机信息处理技术重点实验室江苏苏州215006 苏州大学智能信息处理及应用研究所江苏苏州215006

语义Web的高速发展使其具有动态性和异构性特征,解决语义信息的异构性问题成为实现信息集成的关键。本体作为一种语义Web的知识表示形式,增强了Web的语义信息。因此,为了解决语义异构性,实现数据间的互操作,必须建立异构本体间的映射关... 详细信息

语义Web的高速发展使其具有动态性和异构性特征,解决语义信息的异构性问题成为实现信息集成的关键。本体作为一种语义Web的知识表示形式,增强了Web的语义信息。因此,为了解决语义异构性,实现数据间的互操作,必须建立异构本体间的映射关系。然而,为庞大的异构本体建立完全精确的本体映射是不现实的,本体映射中存在一定的不确定性。提出了一种新型的本体映射框架——语义集成中的不确定性本体映射。从不同方面研究本体特征,集合了多种映射策略,并引入了各映射策略中不确定性匹配的解决方案。实验证明,该方法具有可靠的实验性能,并且具有很好的通用性和可扩展性。

关键词：语义Web 本体集成本体映射不确定性匹配

来源：评论

学校读者我要写书评

暂无评论

最大局部加权均值差异嵌入

引用

电子学报 2013年第8期41卷 1462-1468页

作者：皋军黄丽莉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 盐城工学院信息工程学院江苏盐城224001 安徽理工大学电气与信息工程学院安徽淮南232001

最大均值差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)作为一种基于最大均值差异(MaximumMean Discrepancy,MMD)度量的特征提取方法被成功地运用.然而通过分析得知,该方法在处理原始输入空间上的特征提取问题时一定程度上缺乏适... 详细信息

最大均值差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)作为一种基于最大均值差异(MaximumMean Discrepancy,MMD)度量的特征提取方法被成功地运用.然而通过分析得知,该方法在处理原始输入空间上的特征提取问题时一定程度上缺乏适应性.因此本文在MMD准则的基础上,并结合已经被广泛研究和探讨的局部学习方法,提出一个新的评价度量:最大局部加权均值差异(Maximum LocalWeightedMean Discrepancy,MLMD),该度量反映源域和目标域分布差异时能充分考虑两个区域内在的局部结构,同时还能通过局部分布差异去反映全局分布差异.本文还在此度量的基础上提出一种能实现迁移学习任务并具有一定局部学习能力的特征提取方法:最大局部加权均值差异嵌入(Maximum Local WeightedMean Discrepancy Embedding,MWME).该方法不但能完成传统意义上的特征提取,同时还能完成在两个分布存在差异但相关的两个区域上实现领域适应学习,从而表明该特征提取方法具有较好的鲁棒性和适应性.实验证明MLMD准则和MWME方法具有上述优势.

关键词：最大均值差异嵌入最大局部均值差异最大局部加权均值差异嵌入特征提取迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于多尺度多列卷积神经网络的密集人群计数模型

引用

计算机应用 2019年第12期39卷 3445-3449页

作者：陆金刚张莉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

针对尺度和视角变化导致的监控视频和图像中的人数估计性能差的问题,提出了一种基于多尺度多列卷积神经网络(MsMCNN)的密集人群计数模型。在使用MsMCNN进行特征提取之前,使用高斯滤波器对数据集进行处理得到图像的真实密度图,并且对数... 详细信息

针对尺度和视角变化导致的监控视频和图像中的人数估计性能差的问题,提出了一种基于多尺度多列卷积神经网络(MsMCNN)的密集人群计数模型。在使用MsMCNN进行特征提取之前,使用高斯滤波器对数据集进行处理得到图像的真实密度图,并且对数据集进行数据增强。MsMCNN以多列卷积神经网络的结构为主干,首先从具有多尺度的多个列中提取特征图;然后,用MsMCNN在同一列上连接具有相同分辨率的特征图,以生成图像的估计密度图;最后,对估计密度图进行积分来完成人群计数的任务。为了验证所提模型的有效性,在Shanghaitech数据集和UCFCC50数据集上进行了实验,与经典模型Crowdnet、多列卷积神经网络(MCNN)、级联多任务学习(CMTL)方法、尺度自适应卷积神经网络(SaCNN)相比,所提模型在Shanghaitech数据集PartA和UCFCC50数据集上平均绝对误差(MAE)分别至少减小了10.6和24.5,均方误差(MSE)分别至少减小了1.8和29.3;在Shanghaitech数据集PartB上也取得了较好的结果。MsMCNN更注重特征提取过程中的浅层特征的结合以及多尺度特征的结合,可以有效减少尺度和视角变化带来的精确度偏低的影响,提升人群计数的性能。

关键词：密集人群计数密度图卷积神经网络多尺度尺度和视角变化

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：