检索结果-内蒙古大学图书馆

系统仿真学报 2005年第5期17卷 1087-1091页

作者：唐彬李龙澍李伟刘政怡杨增光安徽大学智能计算与信号处理教育部重点实验室

在分析了Jenolek属性约简算法和已有的对其改进算法的基础上,提出了一类新的改进方法.主要是利用辅助空间保存属性信息,并且利用排序操作、决策表预处理、寻找核属性集、属性扩展等技术,在保持Jenolek算法性能不变的情况下在时间复杂度... 详细信息

在分析了Jenolek属性约简算法和已有的对其改进算法的基础上,提出了一类新的改进方法.主要是利用辅助空间保存属性信息,并且利用排序操作、决策表预处理、寻找核属性集、属性扩展等技术,在保持Jenolek算法性能不变的情况下在时间复杂度方面比已有的方法获得了更大的改进。

关键词：粗糙集近似度属性约简排序

来源：评论

学校读者我要写书评

暂无评论

融合样本选择的深度图半监督分类

引用

陕西科技大学学报 2025年第03期 210-216页

作者：李顺勇文楠赵兴旺山西大学数学与统计学院山西大学复杂系统与数据科学教育部重点实验室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

传统的监督学习需要大量的标记样本进行模型训练，这使得传统监督模型很难应用于一些缺乏标记样本的任务中.为了解决这一问题，提出了一种融合样本选择的深度图半监督分类模型(SSC＿FSSDM).模型分为两部分：图结构聚类和半监督分类.在... 详细信息

传统的监督学习需要大量的标记样本进行模型训练，这使得传统监督模型很难应用于一些缺乏标记样本的任务中.为了解决这一问题，提出了一种融合样本选择的深度图半监督分类模型(SSC＿FSSDM).模型分为两部分：图结构聚类和半监督分类.在图结构聚类中，利用拉普拉斯秩约束将未标记的样本表示为优质的图结构，已标记数据的类别信息作为先验信息对图结构进行聚类以获得未标记样本的伪标签，采用样本选择机制从伪标签中选择出可靠的样本，减少了噪声样本对模型性能的影响.在半监督分类中，可靠样本及其伪标签作为深度学习的输入进行分类，预测出原始数据中未标记样本的标签.将SSC＿FSSDM模型应用于3个数据集测试性能，各项指标表明，SSC＿FSSDM模型性能优于其他半监督分类模型.

关键词：样本选择图结构拉普拉斯聚类半监督

来源：评论

学校读者我要写书评

暂无评论

柱状结构中多层各向异性吸波材料的电磁分析

引用

电子学报 2000年第12期28卷 128-130,127页

作者：吴先良安徽大学计算机智能与信号处理教育部重点实验室合肥230039

通过对圆柱状结构中多层各向异性薄层吸波材料的电磁分析—柱体由金属柱芯和包围其外的多层各向同性介质材料组成 ,在各层之间和外表面涂覆各向异性薄层 .考虑各薄层的输入阻抗 ,得出曲面结构内部及表面涂覆各向异性吸波材料散射场 .根... 详细信息

通过对圆柱状结构中多层各向异性薄层吸波材料的电磁分析—柱体由金属柱芯和包围其外的多层各向同性介质材料组成 ,在各层之间和外表面涂覆各向异性薄层 .考虑各薄层的输入阻抗 ,得出曲面结构内部及表面涂覆各向异性吸波材料散射场 .根据级联矩阵和算法 ,在一定波段上进行RCS (RadarCrossSection)减缩 ,获令人满意的计算结果 .

关键词：电波散射柱状结构隐射技术各向异性吸波材料

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的时序信号异常检测方法

引用

西北大学学报(自然科学版) 2025年第2期55卷 343-354页

作者：王婕婷张泽珑李飞江钱宇华山西大学大数据科学与产业研究院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

高维时序数据异常检测是指从多元时间序列中识别出偏离整体模式或偏离预期行为的样本点的过程。在高维时序数据中,传感器间潜在的关联关系对于预测或检测任务的性能具有较大影响。图神经网络是一种基于节点的近邻关系学习节点表征的深... 详细信息

高维时序数据异常检测是指从多元时间序列中识别出偏离整体模式或偏离预期行为的样本点的过程。在高维时序数据中,传感器间潜在的关联关系对于预测或检测任务的性能具有较大影响。图神经网络是一种基于节点的近邻关系学习节点表征的深度模型,能够有效建模传感器间的复杂关联。然而,现有基于图神经网络的异常检测方法大多依赖于单一的相似度度量来捕捉传感器间的关系,不能很好地学习传感器间的依赖关系。此外,在阈值选择时,现有方法使用正常数据中的最大异常得分作为切割阈值,限制了异常事件发生时的检测能力,从而造成较低的召回率。综上,提出了一种基于图神经网络的时序信号异常检测方法,根据传感器的特有特征使用多种相似度度量集成进行图结构学习;其次,将图结构学习方法与图神经网络相结合得到异常得分;最后,通过区间搜索法最优化F-measure指标寻找最优异常切割阈值。在两个真实传感器数据集上进行的实验表明,该方法比基准对比方法取得了较高的F 1值和召回率。

关键词：时序异常检测图结构学习注意力机制相似度计算区间搜索法

来源：评论

学校读者我要写书评

暂无评论

基于离散傅里叶变换和块时间递归并行格型结构的离散Gabor分析窗求解

引用

电子学报 2012年第9期40卷 1839-1843页

作者：周健王华彬陶亮赵力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230031 东南大学水声信号处理教育部重点实验室江苏南京210096

提出了一种快速求解离散Gabor变换分析窗的方法.首先选择一个合适的基函数,同给定的综合窗函数构造一个可逆的块循环矩阵,然后根据块循环矩阵特点,利用快速离散傅里叶变换求解块循环矩阵的逆,最后采用基于块时间递归的并行格型结构来求... 详细信息

提出了一种快速求解离散Gabor变换分析窗的方法.首先选择一个合适的基函数,同给定的综合窗函数构造一个可逆的块循环矩阵,然后根据块循环矩阵特点,利用快速离散傅里叶变换求解块循环矩阵的逆,最后采用基于块时间递归的并行格型结构来求解分析窗.本文证明了此算法获得的窗函数与给定的综合窗满足双正交关系.实验结果表明,本文算法能快速求解分析窗,相比基于最小范数求解方法,本文提出的算法明显降低了分析窗的计算复杂度.

关键词： Gabor分析窗块循环矩阵块时间递归并行格型结构

来源：评论

学校读者我要写书评

暂无评论

提高耳语音可懂度的非对称压缩语音增强方法

引用

声学学报 2014年第4期39卷 501-508页

作者：周健郑文明王青云赵力安徽大学计算智能与信号处理教育部重点实验室合肥230031 东南大学水声信号处理教育部重点实验室南京210096 东南大学儿童发展与学习科学教育部重点实验室南京210096

提出两种基于非对称代价函数的耳语音增强算法,将语音增强过程中的放大失真和压缩失真区分对待。Modified ItakuraSaito(MIS)算法对放大失真给予更多的惩罚,而Kullback-Leibler(KL)算法则对压缩失真给予更多的惩罚。实验结果表明,在低于... 详细信息

提出两种基于非对称代价函数的耳语音增强算法,将语音增强过程中的放大失真和压缩失真区分对待。Modified ItakuraSaito(MIS)算法对放大失真给予更多的惩罚,而Kullback-Leibler(KL)算法则对压缩失真给予更多的惩罚。实验结果表明,在低于—6 dB的低信噪比情况中,经MIS算法增强后的耳语音的可懂度相比传统算法有显著提高;而KL算法则获得了同最小均方误差语音增强算法近似的可懂度提高效果,证实了耳语音中的放大失真和压缩失真对于耳语音可懂度的影响并不相同,低信噪比时较大的压缩失真有助于提高耳语音可懂度,而高信噪比时的压缩失真对耳语音可懂度影响较小。

关键词：耳语音可懂度语音增强非对称放大失真代价函数噪声谱信噪比高斯噪声最小均方误差

来源：评论

学校读者我要写书评

暂无评论

针对煤岩体稳定性预测的声发射分形特征研究

引用

电子器件 2025年第1期48卷 218-222页

作者：李晶杨勇南京审计大学计算机学院江苏南京211815 徐州工业职业技术学院信息工程学院江苏徐州221140 东南大学水声信号处理教育部重点实验室江苏南京210096

根据煤岩体失稳产生的声发射(AE)信号的混沌特性,提出了一种对信号波形分形(WFD)的分析方法,推导了波形分形维数的计算公式,采用混合蛙跳算法(WFD-SFLA)对公式参数进行优化。结合两种典型破裂模式下声发射实验数据,探讨了波形分形维数... 详细信息

根据煤岩体失稳产生的声发射(AE)信号的混沌特性,提出了一种对信号波形分形(WFD)的分析方法,推导了波形分形维数的计算公式,采用混合蛙跳算法(WFD-SFLA)对公式参数进行优化。结合两种典型破裂模式下声发射实验数据,探讨了波形分形维数与短时释放能量的指数关系,采用支持向量机训练44种特征向量,建立煤岩稳定性评价模型。理论分析和实验结果表明:该声发射信号的分形特征实现了对岩体破裂过程的全面详细描述,明显提高了煤岩稳定性预测的精确度和降低了复杂度。

关键词：分形维数声发射失稳破裂岩体稳定性

来源：评论

学校读者我要写书评

暂无评论

持续记忆的流图神经网络

引用

小型微型计算机系统 2025年第4期46卷 818-824页

作者：郭虎升孙玉杰王文剑山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

流图的节点和边以流的形式持续产生,导致整个图结构随着时间推移而不断演化.图神经网络作为图嵌入技术的一种,在捕获流图的动态信息以及快速适应流图持续演化等方面仍然面临着巨大的挑战.为解决这些问题,本文提出了持续记忆的流图神经网... 详细信息

流图的节点和边以流的形式持续产生,导致整个图结构随着时间推移而不断演化.图神经网络作为图嵌入技术的一种,在捕获流图的动态信息以及快速适应流图持续演化等方面仍然面临着巨大的挑战.为解决这些问题,本文提出了持续记忆的流图神经网络(CMSGNN).该模型能够根据流图持续的演化充分学习历史信息,通过增量学习的方式更新已记忆的历史信息,并且能够自适应地调整模型以适应流图的变化程度,以获得更符合当前信息的流图嵌入.该模型将历史信息与当前信息相结合使得模型能够获得更准确的流图嵌入,从而提高下游任务的准确率.实验结果表明,本文提出的CMSGNN在现实生活中的多个数据集上执行多个任务上均有更好的性能.

关键词：流图图神经网络历史信息增量更新当前信息自适应聚合

来源：评论

学校读者我要写书评

暂无评论

基于辛Runge-Kutta-Nystrom方法的雷达散射截面计算

引用

物理学报 2007年第4期56卷 2115-2118页

作者：李民权陶小俊赵瑾吴先良安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学光电信息获取与控制教育部重点实验室合肥230039

从基本的差分概念和Maxwell方程出发,引入电磁场方程的Hamilton函数.提出一种基于Runge-Kutta-Nystrom辛算法的高阶时域有限差分方法,该方法保持了系统的相空间体积不变和总能量不变,并导出了迭代公式.在此基础上计算了一种金属圆柱的... 详细信息

从基本的差分概念和Maxwell方程出发,引入电磁场方程的Hamilton函数.提出一种基于Runge-Kutta-Nystrom辛算法的高阶时域有限差分方法,该方法保持了系统的相空间体积不变和总能量不变,并导出了迭代公式.在此基础上计算了一种金属圆柱的雷达散射截面.计算结果表明该方法的正确性及快速、精确的特性.

关键词：雷达散射截面高阶算法辛Runge—Kutta-Nystrom方法时域有限差分

来源：评论

学校读者我要写书评

暂无评论

一种基于特征融合的耳语音向正常音的转换方法

引用

南京航空航天大学学报 2020年第5期52卷 777-782页

作者：庞聪连海伦周健王华彬陶亮安徽大学计算智能与信号处理教育部重点实验室合肥230039

使用耳语音的频谱包络来预估正常音的基频特征,这类算法在对正常音基频预测的准确性上存在一定不足,在合成语音自然度方面存在着明显欠缺,有时会出现音调失常等问题。本文提出一种声学特征融合的方法,通过双向长短期记忆(Bi‑long short‑... 详细信息

使用耳语音的频谱包络来预估正常音的基频特征,这类算法在对正常音基频预测的准确性上存在一定不足,在合成语音自然度方面存在着明显欠缺,有时会出现音调失常等问题。本文提出一种声学特征融合的方法,通过双向长短期记忆(Bi‑long short‑term memory,BLSTM)深度网络来逐帧预测正常音基频。首先,使用STRAIGHT模型和相关代码,分别对耳语音和正常音语料进行预处理,提取耳语音的梅尔倒谱系数(Mel‑scale frequency cepstral coefficient,MFCC)、韵律及谱包络特征,正常音的基频与谱包络特征。然后使用BLSTM深度网络,分别建立耳语音和正常音谱包络特征之间映射关系,以及耳语音MFCC、韵律及谱包络特征对正常音基频F0的映射关系。最后根据耳语音的MFCC、韵律及谱包络特征获得对应的正常音基频和谱包络,使用STRAIGHT模型合成正常音。实验结果表明,相较于仅使用谱包络估计基频,采用此种方法引入语音韵律和MFCC的融合特征是对基频特征的良好补充,解决了音调失常的现象,转换后的语音在韵律上更加接近正常发音。

关键词：语音转换特征融合韵律模型 STRAIGHT模型双向长短期记忆

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：