检索结果-内蒙古大学图书馆

计算机科学与探索 2023年第9期17卷 2174-2183页

作者：钱付兰王文学郑文杰陈洁赵姝安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室合肥230601 信息材料和智能感知安徽省实验室合肥230601 南京理工大学计算机科学与工程学院南京210094

知识图谱嵌入(KGE)是预测知识图谱(KGs)中缺失链接的重要工具,它将知识图谱中的实体和关系嵌入到连续低维空间中,并尽可能地保留原数据中隐含的各种信息。近年来,一些知识图谱嵌入方法利用极坐标系对知识图谱中普遍存在的语义层次结构... 详细信息

知识图谱嵌入(KGE)是预测知识图谱(KGs)中缺失链接的重要工具,它将知识图谱中的实体和关系嵌入到连续低维空间中,并尽可能地保留原数据中隐含的各种信息。近年来,一些知识图谱嵌入方法利用极坐标系对知识图谱中普遍存在的语义层次结构进行建模,提升了链路预测任务的性能。然而,这些方法在建模关系时,使用了简单的标度变换并过度关注于实体的层次差,这在一定程度上限制了模型的拟合力。为了应对上述问题,提出了基于层次保留的知识图谱嵌入方法(RHKE),它在建模知识图谱中的关系时考虑了实体本身的层次。具体来说,提出了混合变换,它包含一个倍率项和一个偏差项,当实体层次较低或较高时,标度变换主要受偏差项或倍率项影响。此外,由于变换后模型丢失了实体原本的层次,RHKE使用层次修正项,它将头尾实体的原本层次用不同比例组合后作为关系的附加信息。在多个公开数据集上的实验结果显示,RHKE在链路预测上的性能优于现有的语义层次模型。

关键词：知识图谱嵌入(KGE) 链路预测语义层次极坐标系

来源：评论

学校读者我要写书评

暂无评论

基于多关系网络的话题意见领袖挖掘

引用

数据采集与处理 2022年第3期37卷 576-585页

作者：段震倪云鹏陈洁张燕平赵姝计算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

社交网络中的意见领袖在信息传播过程中起着重要的作用。传统的意见领袖挖掘仅基于网络结构,没有考虑特定话题或者事件下的作用,且目前基于话题的意见领袖挖掘仅基于单一的网络结构,并没有考虑到节点间的多种交互关系。本文提出一种基... 详细信息

社交网络中的意见领袖在信息传播过程中起着重要的作用。传统的意见领袖挖掘仅基于网络结构,没有考虑特定话题或者事件下的作用,且目前基于话题的意见领袖挖掘仅基于单一的网络结构,并没有考虑到节点间的多种交互关系。本文提出一种基于多关系网络的话题意见领袖挖掘方法(Multi-relational networks,MRTRank),融合话题因素和节点间多种交互关系,通过一种属性网络表示学习算法,得到不同节点在多关系网络上的相似性,形成节点的转移概率矩阵,最终通过PageRank算法得到top-k个意见领袖。在真实Twitter数据集上的实验结果验证了本文提出的方法优于传统的意见领袖挖掘算法。

关键词：意见领袖两级传播社交网络 PageRank 属性网络表示学习

来源：评论

学校读者我要写书评

暂无评论

特征特定标记关联挖掘的类属属性学习

引用

计算机研究与发展 2021年第1期58卷 34-47页

作者：程玉胜张露露王一宾裴根生安庆师范大学计算机与信息学院安徽安庆246133 计算智能与信号处理教育部重点实验室(安徽大学) 合肥230601

在多标记分类中,某个标记可能只由其自身的某些特有属性决定,这些特定属性称之为类属属性.利用类属属性进行多标记分类,可以有效避免某些无用特征影响构建分类模型的性能.然而类属属性算法仅从标记角度去提取重要特征,而忽略了从特征角... 详细信息

在多标记分类中,某个标记可能只由其自身的某些特有属性决定,这些特定属性称之为类属属性.利用类属属性进行多标记分类,可以有效避免某些无用特征影响构建分类模型的性能.然而类属属性算法仅从标记角度去提取重要特征,而忽略了从特征角度去提取重要标记.事实上,如果能从特征角度提前关注某些标记,更容易获取这些标记的特有属性.基于此,提出了一种新型类属属性学习的多标记分类算法,将从特征层面提取重要标记与从标记层面提取重要特征进行双向联合学习.首先,为了保证模型求解速度与精度都较为合理,采用极限学习机构建学习模型.随后,将弹性网络正则化理论添加到极限学习机损失函数中,使用互信息构建特征标记相关性矩阵作为L 2正则化项,而L 1正则化项即提取类属属性.该学习模型改进了类属属性在多标记学习中的不足,通过在标准多标记数据集上与多个先进算法对比,实验结果表明了所提模型的合理性和有效性.

关键词：多标记学习类属属性特征特定标记极限学习机标记相关性

来源：评论

学校读者我要写书评

暂无评论

基于共享辐射器的宽频带MIMO天线设计

基于共享辐射器的宽频带MIMO天线设计

引用

2023年全国天线年会

作者：方荣震吴先良安徽大学智能计算与信号处理教育部重点实验室

在本文中,设计了一种具有共享辐射器的宽频带5G MIMO手机天线。文章对该天线的宽带化设计和去耦设计进行分析,最终提出一款小型MIMO天线。经测试,该天线在满足良好隔离度的同时,还具有从3.3 GHz～6G H z的超宽频带。此外,该天线在几个... 详细信息

在本文中,设计了一种具有共享辐射器的宽频带5G MIMO手机天线。文章对该天线的宽带化设计和去耦设计进行分析,最终提出一款小型MIMO天线。经测试,该天线在满足良好隔离度的同时,还具有从3.3 GHz～6G H z的超宽频带。此外,该天线在几个谐振频点方向图定向性好,有良好的方向分集性能。该天线具有体积小、结构简单、频带宽、效率高等诸多优点,可应用于小型化5G通信设备。

关键词：共享辐射器 MIMO天线宽频带天线去耦合技术

来源：评论

学校读者我要写书评

暂无评论

基于双分支特征融合的场景文本检测方法

引用

控制与决策 2021年第9期36卷 2179-2186页

作者：赵鹏徐本朋闫石刘政怡安徽大学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

现有的基于深度学习的自然场景文本检测方法一般采用大型深度神经网络作为主干网络进行特征提取,虽然效果显著但检测模型十分庞大,检测效率较低,若直接将主干网络换成轻量型网络则不能提取出足够的特征信息,直接导致检测效果大幅降低.... 详细信息

现有的基于深度学习的自然场景文本检测方法一般采用大型深度神经网络作为主干网络进行特征提取,虽然效果显著但检测模型十分庞大,检测效率较低,若直接将主干网络换成轻量型网络则不能提取出足够的特征信息,直接导致检测效果大幅降低.为了降低文本检测模型的规模以及更为高效地检测文本,提出基于双分支特征融合的场景文本检测方法,在采用相对轻量级的主干网络EfficientNet-b3的基础上,使用双路分支进行特征融合进而检测场景文本.一路分支使用特征金字塔网络,融合不同层级的特征;另一路分支使用空洞卷积空间金字塔池化结构,扩大感受野,然后融合两个分支的特征,在小幅增加计算量的同时获取更多的特征,弥补小型网络提取特征不足的问题.在3个公开数据集上的实验结果显示,所提出方法在保持较高检测水平的情况下,可以大幅度降低模型的参数量,大幅度提升检测速度.

关键词：场景文本检测深度学习特征金字塔特征融合轻量级网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

一种基于融合重构的子空间学习的零样本图像分类方法

引用

计算机学报 2021年第2期44卷 409-421页

作者：赵鹏汪纯燕张思颖刘政怡安徽大学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

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像... 详细信息

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像分类能够对训练过程中没有见过的类别的样本进行识别,近年来受到了广泛的关注.零样本图像分类通过语义空间建立起已见类别和未见类别之间的关系,实现知识的迁移,进而完成对训练过程中没有见过的类别样本进行分类.现有的零样本图像分类方法主要是根据已见类别的视觉特征和语义特征,学习从视觉空间到语义空间的映射函数,然后利用学习好的映射函数,将未见类别的视觉特征映射到语义空间,最后在语义空间中用最近邻的方法实现对未见类别的分类.但是由于已见类和未见类的类别差异,以及图像的分布不同,从而容易导致域偏移问题.同时直接学习图像视觉空间到语义空间的映射会导致信息损失问题.为解决零样本图像分类知识迁移过程中的信息损失以及域偏移的问题,本文提出了一种图像分类中基于子空间学习和重构的零样本分类方法.该方法在零样本训练学习阶段,充分利用未见类别已知的信息,来减少域偏移,首先将语义空间中的已见类别和未见类别之间的关系迁移到视觉空间中,学习获得未见类别视觉特征原型.然后根据包含已见类别和未见类别在内的所有类别的视觉特征原型所在的视觉空间和语义特征原型所在的语义空间,学习获得一个潜在类别原型特征空间,并在该潜在子空间中对齐视觉特征和语义特征,使得所有类别在潜在子空间中的表示既包含视觉空间下的可分辨性信息,又包含语义空间下的类别关系信息,同时在子空间的学习过程中利用重构约束,减少信息损失,同时也缓解了域偏移问题.最后零样本分类识别阶段,在不同的空间下根据最近邻算法对未见类别样本图像进行分类.本文的主要贡献在于:一是通过对语义空间中类别间关系的迁移,学习获得视觉空间中未见类别的类别原型,使得在训练过程中充分利用未见类别的信息,一定程度上缓解域偏移问题.二是通过学习一个共享的潜在子空间,该子空间既包含了图像视觉空间中丰富的判别性信息,也包含了语义空间中的类别间关系信息,同时在子空间学习过程中,通过重构,缓解知识迁移过程中信息损失的问题.本文在四个公开的零样本分类数据集上进行对比实验,实验结果表明本文提出的零样本分类方法取得了较高的分类平均准确率,证明了本文方法的有效性.

关键词：零样本图像分类迁移学习子空间学习重构特征原型

来源：评论

学校读者我要写书评

暂无评论

融合全模态自编码器和生成对抗机制的跨模态检索

引用

计算机辅助设计与图形学学报 2021年第10期33卷 1486-1494页

作者：赵鹏马泰宇李毅刘慧婷安徽大学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

针对现有基于生成对抗网络的跨模态检索方法不能充分挖掘模态间不变性的问题,提出一种融合全模态自编码器和生成对抗机制的跨模态检索方法.引入2个并行的全模态自编码器,将不同模态的样本嵌入公共空间,每个全模态自编码器不仅重构出自... 详细信息

针对现有基于生成对抗网络的跨模态检索方法不能充分挖掘模态间不变性的问题,提出一种融合全模态自编码器和生成对抗机制的跨模态检索方法.引入2个并行的全模态自编码器,将不同模态的样本嵌入公共空间,每个全模态自编码器不仅重构出自身模态的特征表示,而且还重构出跨模态的特征表示.设计了一个分类器,预测公共空间中嵌入特征的类别,学习并保留样本中的语义判别性.设计了3个判别器,分别判断输入其中的特征所属的模态类别,它们协同工作,充分挖掘模态间的不变性.以平均精度均值为指标评价跨模态检索的精确度,在Pascal Sen-tence,Wikipedia和NUS-WIDE-10k这3个公开数据集上进行实验,实验结果表明,与10个包括传统方法和深度学习方法在内的跨模态检索的主流方法进行对比,所提方法在3个数据集上的平均精度均值分别至少提高了4.8%,1.4%和1.1%,证明了所提方法的有效性.

关键词：全模态自编码器生成对抗网络跨模态检索

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

结合图卷积的深层神经网络用于文本分类

引用

计算机工程与应用 2022年第7期58卷 206-212页

作者：郑诚陈杰董春阳安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室合肥230601

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,... 详细信息

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,图卷积网络面临着文本上下文语义信息和局部特征信息表示不充分的问题。提出一种新的模型,利用双向长短时记忆网络(Bi_LSTM)和卷积神经网络(CNN)混合提取文本的上下文语义信息和局部特征信息去丰富图卷积网络(GCN)的文本表示,从而弥补图卷积网络的不足,同时使用图池化层筛选出重要节点帮助卷积神经网络捕获文本深层局部特征信息,使得模型能更好的表示文本信息。通过在3个英文数据集上的实验结果表明,该模型相比于基线模型有较好的分类效果。

关键词：文本分类神经网络图卷积网络(GCN)

来源：评论

学校读者我要写书评

暂无评论

基于矩阵的粗糙集近似集快速计算算法

引用

计算机工程 2023年第5期49卷 22-28页

作者：徐怡侯迪安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学计算机科学与技术学院合肥230601 安徽大学物质科学与信息技术研究院合肥230031

在粗糙集理论中,上、下近似集的计算是核心问题。矩阵能提供一种高效的方法来计算粗糙集模型中概念的上、下近似集,但是在目前的矩阵方法中,论域中每个对象都要与论域中全部对象进行运算,从而导致较大的时间代价。为提高使用矩阵计算近... 详细信息

在粗糙集理论中,上、下近似集的计算是核心问题。矩阵能提供一种高效的方法来计算粗糙集模型中概念的上、下近似集,但是在目前的矩阵方法中,论域中每个对象都要与论域中全部对象进行运算,从而导致较大的时间代价。为提高使用矩阵计算近似集时的效率,提出一种快速计算上、下近似集的矩阵方法。对于一个给定的概念,基于概念的外延和概念补集的外延构建一个局部关系矩阵,对局部关系矩阵和单位矩阵进行矩阵运算得到正域和边界域布尔矩阵,对局部关系矩阵的转置和单位矩阵进行矩阵运算得到负域和边界域布尔矩阵。在该矩阵方法中,只需要根据局部关系矩阵就可以计算近似集,即论域中每个对象不必和论域中全部对象进行运算就可以被划分到相应的区域,使得算法的运算次数相比传统矩阵算法大幅减少,从而降低时间成本。在8个公开数据集上的实验结果表明,与4种传统的矩阵算法相比,该矩阵算法的运行速度至少提升70%,可以有效提高近似集计算效率。

关键词：粗糙集近似集单位矩阵局部关系矩阵矩阵运算

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：