检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于变分自编码器与流形特征的聚类算法

山西大学学报(自然科学版) 2024年第1期47卷 69-80页

作者：陈俊芬韩金池谢博鋆谢政豪河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室

深度神经网络因具有优良的非线性映射能力和在不同场景下的灵活性而成为一种很有前景的聚类方法。为了得到易于聚类的特征，许多深度聚类方法从原始数据中提取特征是通过将原始数据映射到一个更低维的空间方式，而聚类指派依然假设是在... 详细信息

深度神经网络因具有优良的非线性映射能力和在不同场景下的灵活性而成为一种很有前景的聚类方法。为了得到易于聚类的特征，许多深度聚类方法从原始数据中提取特征是通过将原始数据映射到一个更低维的空间方式，而聚类指派依然假设是在欧式空间进行。为了探究特征提取和流形空间对聚类性能的影响，本文提出了一种基于变分自编码器与流形特征的聚类算法—MFVC(Clustering Algorithm Based on Variational Autoencoder and Manifold Features)。该方法通过具有残差连接层及无参数注意力机制SimAM(A Simple, Parameter-Free Attention Module for Convolutional Neural Networks)组成的β-VAE(Learning Basic Visual Concepts with a Constrained Variational Framework)做特征提取器提取图像特征，采用流形UMAP(Uniform Manifold Approximation and Projection for Dimension Reduction)方法提高特征的可分离性，然后用K-Means方法进行聚类学习。在6个基准数据集的实验结果表示该方法能够提供较好的性能，MFVC在MNIST(Mixed NationalInstitute of Standards and Technology database)数据集上能够达到0.981的精度，在Fashion-MNIST数据集上能够达到0.681的精度。

关键词：变分自编码器残差连接 UMAP K-Means 流形学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于注意力机制的语义对比学习算法

山西大学学报(自然科学版) 2024年第1期47卷 81-92页

作者：陈俊芬吕巧莉谢博鋆孙劲松河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室

对比学习中不合适的数据增强会导致语义信息的失真，同一图像在不同类型的数据增强下语义信息有巨大的语义差距；此外，卷积神经网络（CNN）对纹理有强烈偏好，无法精准学习到下游任务所需的深层语义特征表示，针对以上问题，本文提出... 详细信息

对比学习中不合适的数据增强会导致语义信息的失真，同一图像在不同类型的数据增强下语义信息有巨大的语义差距；此外，卷积神经网络（CNN）对纹理有强烈偏好，无法精准学习到下游任务所需的深层语义特征表示，针对以上问题，本文提出一种基于注意力的语义对比学习方法（Semantic attention contrastive learning method,SACL）。SACL首先利用卷积神经网络提取特征，然后注意力模块挖掘全局特征，获得更高级的语义特征，实现了对低级特征的补充和深层特征的语义融合。其次使用截然不同的数据增强方式构造正负样本对，将弱增强（几何增强）生成的正样本和强增强（纹理增强）生成的负样本进行对比，获得差异更为显著的图像输入。网格化增强视图增加了正样本的个数，加快网络收敛速度。在四个数据集上验证了所提出的语义对比学习算法的有效性，结果表明在ImageNet-100数据集上平均精度可以达到78.3%，可以有效提高模型的分类准确率。

关键词：对比学习注意力机制语义特征表示数据增强纹理网格化

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

非对称卷积编码器的聚类算法

智能系统学报 2022年第5期17卷 900-907页

作者：杨梦茵陈俊芬翟俊海河北大学数学与信息科学学院河北保定071002 河北省机器学习与计算智能重点实验室河北保定071002

基于深度神经网络的非监督学习方法通过联合优化特征表示和聚类指派,大大提升了聚类任务的性能。但大量的参数降低了运行速度,另外,深度模型提取的特征的区分能力也影响聚类性能。为此,提出一种新的聚类算法(asymmetric fully-connected... 详细信息

基于深度神经网络的非监督学习方法通过联合优化特征表示和聚类指派,大大提升了聚类任务的性能。但大量的参数降低了运行速度,另外,深度模型提取的特征的区分能力也影响聚类性能。为此,提出一种新的聚类算法(asymmetric fully-connected layers convolutional auto-encoder,AFCAE),其中卷积编码器结合非对称全连接进行无监督的特征提取,然后K-means算法对所得特征执行聚类。网络采用3×3和2×2的小卷积核,大大减少了参数个数,降低了算法复杂性。在MNIST上AFCAE获得0.960的聚类精度,比联合训练的DEC(deep embedding clustering)方法(0.840)提高了12个百分点。在6个图像数据集上实验结果表明AFCAE网络有优异的特征表示能力,能出色完成下游的聚类任务。

关键词：无监督聚类深度神经网络卷积神经网络自编码器特征学习特征表示算法复杂性

在线全文

学校读者我要写书评

暂无评论

基于自注意力的自监督深度聚类算法

计算机科学 2022年第3期49卷 134-143页

作者：韩洁陈俊芬李艳湛泽聪河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002 北京师范大学珠海分校应用数学学院广东珠海519087

近年来,基于联合训练的深度聚类方法,如DEC(Deep Embedding Clustering)和DDC(Deep Denoising Clustering)算法,使基于特征提取的图像聚类取得了很多新进展,带来了聚类性能的突破,而且特征提取环节对后续聚类任务有直接影响。但是,这些... 详细信息

近年来,基于联合训练的深度聚类方法,如DEC(Deep Embedding Clustering)和DDC(Deep Denoising Clustering)算法,使基于特征提取的图像聚类取得了很多新进展,带来了聚类性能的突破,而且特征提取环节对后续聚类任务有直接影响。但是,这些方法的泛化能力较差,在不同数据集使用不同的网络结构,聚类性能相比分类性能仍有很大的提升空间。为此,文中提出了一种基于自注意力的自监督深度聚类方法(Self-attention Based Self-supervised Deep Clustering,SADC)。首先设计一个深度卷积自编码器用于提取特征,并且用带噪声的输入数据训练该网络来增强模型的鲁棒性;其次引入自注意力机制,辅助网络捕获对聚类有用的信息;最后编码器部分结合K-means算法形成一个深度聚类器,用于进行特征表示和聚类分配,通过迭代更新网络参数来提高聚类精度和网络的泛化能力。在6个图像数据集上验证所提聚类算法的性能,并与深度聚类算法DEC,DDC等进行比较。实验结果表明,SADC能提供令人满意的聚类结果,而且聚类性能与DEC和DDC相当。总之,统一的网络结构在保证聚类精度的同时降低了深度聚类算法的复杂度。

关键词：深度卷积自编码器图像聚类特征表示自注意力计算复杂度

急诊科院感质控中责任制专项院感护理管理的应用效果

在线全文

学校读者我要写书评

暂无评论

中国卫生产业 2022年第18期19卷 87-90页

作者：赵红叶陈俊芬内蒙古乌兰察布市中心医院急救医学科内蒙古乌兰察布012000

目的探讨责任制专项院感护理管理在急诊科应用对院感质控的效果。方法选取2021年1月—2022年1月乌兰察布市中心医院急诊科的47名护理人员作为研究对象,2021年1—5月为实施前,进行常规护理管理,2021年6月—2022年1月为实施后,在常规护理... 详细信息

目的探讨责任制专项院感护理管理在急诊科应用对院感质控的效果。方法选取2021年1月—2022年1月乌兰察布市中心医院急诊科的47名护理人员作为研究对象,2021年1—5月为实施前,进行常规护理管理,2021年6月—2022年1月为实施后,在常规护理管理基础上施行责任制专项院感管理。对实施前后的院感相关知识掌握程度、护理满意度、院感事件发生率进行对比分析。结果实施前,急诊科院感事件发生概率为25.53%,高于实施后的6.39%,差异有统计学意义(P<0.05);与实施前相比,实施后护理人员对急诊相关的院感知识掌握程度明显提升,差异有统计学意义(P<0.05);实施后患者对护理人员的满意度显著提高,差异有统计学意义(P<0.05)。结论将责任制专项院感护理管理模式应用在急诊科院感质控中,有利于护理管理质量的提升,在改善护理人员院感染防范意识与能力上效果较为明显,还能有效降低医疗过程中发生不良事件的概率,可在急诊科推广实行。

关键词：急救医学科医院感染质量控制护理管理责任制

基于Choquet模糊积分的多神经网络融合模型

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于Choquet模糊积分的多神经网络融合模型

作者：陈俊芬河北大学

学位级别：硕士

近年来,在模式识别、机器学习等领域,信息融合技术得到了迅速发展和广泛应用。信息融合包括三个阶段:数据融合、特征融合和决策融合,大量的分类器融合方法都是决策融合或者专家混合。考虑到分类器之间存在着交互影响,本文使用Choquet ... 详细信息

近年来,在模式识别、机器学习等领域,信息融合技术得到了迅速发展和广泛应用。信息融合包括三个阶段:数据融合、特征融合和决策融合,大量的分类器融合方法都是决策融合或者专家混合。考虑到分类器之间存在着交互影响,本文使用Choquet 模糊积分这个融合算子,将已训练好的神经网络作为分类器进行融合。由于Choquet 模糊积分的计算可以转化成模糊测度的线性组合,关于模糊测度是可微的,可以使用标准的优化技术来确定模糊测度。本文使用线性规划和二次规划来确定模糊测度,并在pima 数据库上进行测试。实验发现,基于二次规划确定的模糊测度的系统融合精度要高于线性规划确定的模糊测度的系统融合精度,但是二者的时间复杂度却相差不大。

关键词：信息融合神经网络模糊积分模糊测度二次规划

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于启发式确定类数的NJW谱聚类算法

计算机科学 2018年第B11期45卷 474-479页

作者：陈俊芬张明何强河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室保定071002 北京建筑大学理学院北京100044

基于图论理论的NJW谱聚类算法的核心思想是将数据点映射到特征空间后再利用K-means算法进行聚类,从而得到原始数据的聚类结果。NJW算法是K-means算法的推广,并且在任意形状的数据上都具有较好的聚类效果,从而有着广泛的应用。但是,类数... 详细信息

基于图论理论的NJW谱聚类算法的核心思想是将数据点映射到特征空间后再利用K-means算法进行聚类,从而得到原始数据的聚类结果。NJW算法是K-means算法的推广,并且在任意形状的数据上都具有较好的聚类效果,从而有着广泛的应用。但是,类数C和高斯核函数中的尺度参数σ较大程度地影响着NJW的聚类性能;另外,K-means对随机初始值的敏感性也影响着NJW的聚类结果。为此,一种基于启发式确定类数的谱聚类算法(记为DP-NJW)被提出。该算法先根据数据的密度分布确定类中心点和类数,这些类中心点作为特征空间中K-means聚类的初始类中心,然后用NJW进行聚类。文中通过实验将DP-NJW算法和经典聚类算法在7个公共数据集上进行测试和对比,其中DP-NJW算法在5个数据集上的聚类精度高于NJW的平均聚类精度,在另2个数据集上二者持平。对比DPC算法,所提算法在5个数据集上也有不俗的聚类精度,而且DP-NJW的计算消耗较小,在较大的数据集aggregation上表现更为突出。实验结果表明,文中所提的DP-NJW算法更具优势。

关键词：谱聚类 NJW聚类高斯核函数尺度参数聚类精度

动态信息系统中基于序贯三支决策的属性约简方法

在线全文

学校读者我要写书评

暂无评论

计算机科学 2019年第B6期46卷 120-123,141页

作者：李艳张丽陈俊芬北京师范大学珠海分校应用数学学院广东珠海519087 河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

针对多准则分类问题,即条件属性为有序的符号值或连续值,而决策属性为类别标签的问题,采用优势-等价关系来表示其信息系统。但很多现实中的信息系统又是动态变化的,属性约简作为其重要的知识需要及时更新。为处理带有偏好关系的动态信... 详细信息

针对多准则分类问题,即条件属性为有序的符号值或连续值,而决策属性为类别标签的问题,采用优势-等价关系来表示其信息系统。但很多现实中的信息系统又是动态变化的,属性约简作为其重要的知识需要及时更新。为处理带有偏好关系的动态信息系统,建立多标准决策问题中的高效知识更新方法,提出了优势-等价关系下基于序贯三支决策的约简更新方法。将多粒度结合起来形成动态粒序,当对象集和属性集变化时通过重用原有信息快速更新属性约简,从而降低知识更新的代价。最后选取了多组UCI数据集进行实验,结果表明所提方法能够在保证约简质量的基础上明显降低计算耗费。

关键词：动态信息系统序贯三支决策属性约简优势关系知识更新

Choquet模糊积分融合模型中模糊测度的确定

在线全文

学校读者我要写书评

暂无评论

河北大学学报（自然科学版） 2006年第4期26卷 354-357页

作者：陈俊芬何强河北大学数学与计算机学院河北保定071002

用模糊积分进行多分类器融合时,模糊测度是至关重要的.有限的事例集上,基于模糊测度的Choquet模糊积分的计算可以用乘积与求和算子来表示,即转化成模糊测度的线性组合.本文用线性规划来确定模糊测度,并且用例子说明模糊积分融合方法要... 详细信息

用模糊积分进行多分类器融合时,模糊测度是至关重要的.有限的事例集上,基于模糊测度的Choquet模糊积分的计算可以用乘积与求和算子来表示,即转化成模糊测度的线性组合.本文用线性规划来确定模糊测度,并且用例子说明模糊积分融合方法要优于乘积法、最大值法、多数投票法、加权平均法等简单的融合方法.

关键词：模糊测度模糊积分多数投票法多分类器融合