检索结果-内蒙古大学图书馆

海南师范大学学报(自然科学版) 2025年第1期38卷 54-63页

作者：杨雨欣毛军军黄慧鑫庞星宇安徽大学大数据与统计学院安徽合肥230601 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601

由于决策环境的日益复杂,专家和属性的偏好信息在决策过程中至关重要。因此为了更加客观地识别信息,提出了一种基于T-球形模糊熵和交叉熵的偏好提取方法并将其用于多属性群决策问题中。首先针对模糊熵不满足现实意义以及交叉熵不满足非... 详细信息

由于决策环境的日益复杂,专家和属性的偏好信息在决策过程中至关重要。因此为了更加客观地识别信息,提出了一种基于T-球形模糊熵和交叉熵的偏好提取方法并将其用于多属性群决策问题中。首先针对模糊熵不满足现实意义以及交叉熵不满足非负性的问题,提出了新的T-球形模糊熵和交叉熵,用以客观准确地确定专家和属性的偏好信息,并证明了其相关性质;其次,针对以往有些研究中定义的距离函数不满足三角不等式的缺点,提出了基于新T-球形模糊交叉熵的距离函数,并将其与新提出的T-球形模糊熵和交叉熵用于TOPSIS方法对方案进行排序;最后通过一个计算机辅助工程(CAE)仿真软件的选择实例说明了所提方法的可行性和有效性,为解决T-球形模糊环境下的多属性群决策问题提供了一种新的思路。

关键词： T-球形模糊熵 T-球形模糊交叉熵改进的距离函数偏好提取多属性群决策

来源：评论

学校读者我要写书评

暂无评论

标签引导的图神经网络小样本图像分类方法

引用

小型微型计算机系统 2024年

作者：赵宇魏巍岳琴王锋山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

小样本学习旨在通过有限数量的标记样本来训练分类器，以增强模型的泛化能力。现有方法主要依赖于样本特征作为图节点进行消息传递，并对样本间的关系进行隐式建模。然而，这种方法容易导致特征相似但类别不同的样本之间发生混淆，同时... 详细信息

小样本学习旨在通过有限数量的标记样本来训练分类器，以增强模型的泛化能力。现有方法主要依赖于样本特征作为图节点进行消息传递，并对样本间的关系进行隐式建模。然而，这种方法容易导致特征相似但类别不同的样本之间发生混淆，同时未能充分探索样本间潜在的复杂关系。针对这一问题，本文提出了一种标签引导的图神经网络小样本图像分类方法。该方法通过结合类原型和类标签信息作为图节点构建原型图神经网络，利用样本标签信息引导的相似性网络生成的邻接矩阵构建样本关系图神经网络，并采用一致性损失函数实现了两个图神经网络之间的相互指导与优化。在mini -ImageNet和tieredImageNet数据集上的实验验证表明，所提出的方法在小样本图像分类任务中的性能优于其它现有代表性方法。

关键词：小样本学习图像分类图神经网络标签信息

来源：评论

学校读者我要写书评

暂无评论

基于T-球形模糊Z-number的扩展TODIM方法及应用

引用

武汉理工大学学报(信息与管理工程版) 2025年第1期47卷 65-72页

作者：程玮玲毛军军张胜安徽大学大数据与统计学院安徽合肥230601 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601

Z-number作为一种表达不确定信息的方法,其核心在于处理信息的模糊性和概率不确定性。然而,当前关于Z-number的研究相对有限,许多研究未能充分揭示其性质。T-球形模糊Z-number为表示数据的随机性和模糊性提供了新的视角。首先,引入了T-... 详细信息

Z-number作为一种表达不确定信息的方法,其核心在于处理信息的模糊性和概率不确定性。然而,当前关于Z-number的研究相对有限,许多研究未能充分揭示其性质。T-球形模糊Z-number为表示数据的随机性和模糊性提供了新的视角。首先,引入了T-球形模糊Z-number,利用T-球形模糊数和相应可靠性度量的组合表示数据信息,可以很好地体现决策数据的模糊性和适用性。其次,提出了T-球形模糊Z-number的运算法则和聚合算子,并基于所提出的聚合算子和TODIM方法,提出了两种算法来处理T-球形模糊Z-number形式的不确定信息。最后,以安徽省4个城市数字经济的评估问题为实例进行对比分析,论证了所提出算法的实用性和有效性。

关键词： T-球形模糊 Z-number TODIM 多属性决策数字经济评估

来源：评论

学校读者我要写书评

暂无评论

基于证据理论的多粒度决策背景最优粒度选取方法

引用

山西大学学报(自然科学版) 2024年第4期47卷 737-750页

作者：王太滨李德玉翟岩慧山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

多粒度形式概念分析是数据挖掘与知识发现的重要工具。本文研究了覆盖多粒度下多粒度决策背景最优属性粒度组合选取方法。首先，基于覆盖属性粒化方法定义多粒度形式背景和多粒度决策形式背景，并且定义多粒度形式背景中的粗糙近似和信... 详细信息

多粒度形式概念分析是数据挖掘与知识发现的重要工具。本文研究了覆盖多粒度下多粒度决策背景最优属性粒度组合选取方法。首先，基于覆盖属性粒化方法定义多粒度形式背景和多粒度决策形式背景，并且定义多粒度形式背景中的粗糙近似和信任结构。其次，基于粒协调性研究粒协调多粒度决策背景的最优属性粒度组合选取方法，并且证明最优属性粒度组合可以由证据理论中的信任函数刻画。最后，基于粗糙集理论和证据理论统一给出粒协调多粒度决策背景的最优属性粒度组合选取方法。

关键词：形式概念分析多粒度最优粒度选取证据理论粗糙集

来源：评论

学校读者我要写书评

暂无评论

基于D-ResNeXt骨干网络的小样本图像分类算法

引用

山西大学学报(自然科学版) 2024年第4期47卷 761-766页

作者：杨红菊翟艳峰山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

小样本图像分类目前是人工智能领域中非常重要的方向之一，其中基于度量学习的方法具有简洁高效的特点。针对目前图像分类中特征提取阶段所使用的骨干网络问题，现有工作大多使用传统残差网络，受数据集的影响，对类内差异大的图片特征... 详细信息

小样本图像分类目前是人工智能领域中非常重要的方向之一，其中基于度量学习的方法具有简洁高效的特点。针对目前图像分类中特征提取阶段所使用的骨干网络问题，现有工作大多使用传统残差网络，受数据集的影响，对类内差异大的图片特征提取效果不佳。ResNeXt为传统残差网络ResNet的升级版本，优化了在特征提取阶段准确度不高，误差较大的问题。根据其网络特点，本文设计出一种适用于小样本模型的网络变体，运用其变体作为骨干网络，提高其特征提取能力，同时结合两种注意力模块，进一步提升对图像类内相似性以及类间差异性的识别效果，减少无关因素影响，有效提升整体分类精度。

关键词：小样本学习图像分类注意力机制度量学习残差网络

来源：评论

学校读者我要写书评

暂无评论

基于节点特征增强的信息溯源模型

引用

复杂系统与复杂性科学 2023年

作者：霍宣蓉肖玉芝韩佳新黄涛胡泽宇青海师范大学计算机学院青海师范大学青海省藏文信息处理与机器翻译重点实验室青海师范大学藏文信息处理教育部重点实验室

针对网络谣言溯源难度大，以信息载体模型和用户特征深度挖掘为切入点，提出了一种节点特征增强的溯源模型，旨在利用深度学习方法获取信息节点的高阶多尺度特征（高阶邻居、邻居状态、不同状态连接结构），并结合SEIR传播机制将节点状... 详细信息

针对网络谣言溯源难度大，以信息载体模型和用户特征深度挖掘为切入点，提出了一种节点特征增强的溯源模型，旨在利用深度学习方法获取信息节点的高阶多尺度特征（高阶邻居、邻居状态、不同状态连接结构），并结合SEIR传播机制将节点状态学习为信息源（I态）与非信息源（S、E、R态）。首先，利用多种节点中心性指标扩充并丰富节点特征；其次，使用抗噪增强模块对扩充后的节点特征进行重构，并动态学习节点自身及其一阶邻居的特征；再次，使用度量学习方法调整节点特征空间，使得相同状态节点之间的距离缩小，以便区分节点的类别和特性；最后，将节点多维度特征融合并分类，最终确定信息源。实验结果表明，模型在模拟生成网络和实际网络上的信息溯源均取得相对较好的效果。

关键词：节点特征增强信息溯源 SEIR模型感染子图度量学习

来源：评论

学校读者我要写书评

暂无评论

基于图粗化的层次图池化方法研究

引用

小型微型计算机系统 2023年第3期44卷 483-489页

作者：陈洁薛远远曹京晶赵姝张燕平计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601 安徽省信息材料与智能传感重点实验室合肥230601 科学技术部科技人才交流开发服务中心北京100045

图神经网络(Graph Neural Networks, GNNs)已被证明能有效对图结构数据进行建模,池化机制在使用GNN模型提取图层次特征过程中至关重要,近年来已经引起了越来越多研究者们的关注.现有基于聚类的层次图池化方法要么需要增加额外的神经网... 详细信息

图神经网络(Graph Neural Networks, GNNs)已被证明能有效对图结构数据进行建模,池化机制在使用GNN模型提取图层次特征过程中至关重要,近年来已经引起了越来越多研究者们的关注.现有基于聚类的层次图池化方法要么需要增加额外的神经网络层以实现特征图的粗化;要么不能从全局角度捕获节点在图中的重要性大小.针对以上问题,本文提出一种基于图粗化的层次图池化方法(Hierarchical Graph Pooling Based on Graph Coarsening, HGP-GC),用于学习图的层次特征表示.该方法主要包括图结构粗化和图属性粗化两个部分.利用结构粗化实现特征图尺寸的缩减;利用属性粗化突显图中重要节点对图级表示的关键作用.通过将HGP-GC池化策略与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了HGP-GC的有效性.

关键词：图神经网络图池化层次图表示学习节点重要性图分类

来源：评论

学校读者我要写书评

暂无评论

基于Cai-伪残差与变量独立性的因果定向方法

引用

郑州大学学报(理学版) 2024年

作者：牛瑞琪原泽鹏翟岩慧赵延新李德玉山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室(山西大学)

针对基于约束的因果关系发现方法中的马尔科夫等价类问题及函数因果模型对噪声的非高斯性假设问题,使用Cai-伪残差的三个定理,提出了Cai-伪残差因果定向算法。首先,假设变量之间关系线性且不限制噪声类型,在此条件下,对于贝叶斯网络的... 详细信息

针对基于约束的因果关系发现方法中的马尔科夫等价类问题及函数因果模型对噪声的非高斯性假设问题,使用Cai-伪残差的三个定理,提出了Cai-伪残差因果定向算法。首先,假设变量之间关系线性且不限制噪声类型,在此条件下,对于贝叶斯网络的三种结构,Cai-伪残差与变量间的独立性表现出不同的结果。其次,利用基于约束的方法构建马尔科夫等价类之后,通过不同结果进一步发现并区分三种结构,对马尔科夫等价类中部分未定向的边进一步定向。最后,在不同因果网络构成的线性高斯数据集和线性非高斯数据集上分别进行了实验,结果表明,所提算法不仅显著减少了马尔科夫等价类中无向边的数量,同时也有效地提高了因果关系定向的准确性。

关键词：因果定向贝叶斯网络马尔科夫等价类伪残差独立性检验

来源：评论

学校读者我要写书评

暂无评论

基于双补全的不完整多视图度量学习

引用

计算机应用 2024年

作者：曲鹏欢魏巍闫京王锋山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

在实际应用中，多视图度量学习成为处理多视图数据的有效方法。然而，多视图数据的不完整性给多视图度量学习带来了巨大挑战。尽管已有一些方法试图解决不完整多视图问题，但它们仍存在以下不足：1）现有方法大多依赖于已有样本的k近邻... 详细信息

在实际应用中，多视图度量学习成为处理多视图数据的有效方法。然而，多视图数据的不完整性给多视图度量学习带来了巨大挑战。尽管已有一些方法试图解决不完整多视图问题，但它们仍存在以下不足：1）现有方法大多依赖于已有样本的k近邻来补全缺失数据，容易忽视样本或视图的独特特征；2）它们仅利用现有样本表示来计算近邻，无法充分表达样本间的近邻关系。为此，提出基于双补全的不完整多视图度量学习方法（DIMVML）。该方法首先利用深度自编码器提取各视图的潜在特征，再结合样本的分布信息和视图间的差异信息来补全缺失样本；其次，根据补全样本的质量进行融合，以获得更高质量的补全结果；最后，通过损失函数优化视图内和视图间的关系。在聚类实验中，本文方法在HandWritten、Caltech101-7、Leaves和YouTubeFace10数据集上的准确率和F值均优于九种先进方法；在分类实验中，本文方法在CUB、ORL和HandWritten数据集上的准确率显著超过其他多视图方法。

关键词：不完整多视图度量学习表示学习差异性一致性

来源：评论

学校读者我要写书评

暂无评论

多尺度信息系统下基于证据理论的三支多属性决策建模

引用

小型微型计算机系统 2024年

作者：李瑞张超李德玉山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

多尺度信息系统为智能决策提供多个粒度层次的数据信息．本文旨在克服单尺度信息系统的局限，改进三支决策的主观性缺陷，并解决D-S证据理论在处理高度冲突证据时的矛盾问题，进而探索三支多属性决策方法．首先，提出基于熵权法的多尺... 详细信息

多尺度信息系统为智能决策提供多个粒度层次的数据信息．本文旨在克服单尺度信息系统的局限，改进三支决策的主观性缺陷，并解决D-S证据理论在处理高度冲突证据时的矛盾问题，进而探索三支多属性决策方法．首先，提出基于熵权法的多尺度信息系统融合模型，以综合考虑各尺度的重要性．其次，将灰色关联度融入TOPSIS法，获取备选方案的评价值，并作为三支决策的条件概率．然后，利用D-S证据理论和信息散度融合三支决策的多组阈值，以获得最终决策结果．最后，通过高中教育综合评估数据集验证该方法在人才评价中的可行性与有效性．本文模型丰富了多尺度信息系统、三支决策、证据理论和信息散度的理论，并有效降低了多属性决策的风险．

关键词：粒计算多尺度信息系统三支决策 D-S证据理论信息散度

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：