检索结果-南通市图书馆

计算机应用 2011年第4期31卷 1074-1078页

作者：石洪波柳亚琴李爱军山西财经大学信息管理学院太原030031

为了提高贝叶斯分类器的分类性能,针对贝叶斯网络分类器的构成特征,提出一种基于参数集成的贝叶斯分类器判别式参数学习算法PEBNC。该算法将贝叶斯分类器的参数学习视为回归问题,将加法回归模型应用于贝叶斯网络分类器的参数学习,实现... 详细信息

为了提高贝叶斯分类器的分类性能,针对贝叶斯网络分类器的构成特征,提出一种基于参数集成的贝叶斯分类器判别式参数学习算法PEBNC。该算法将贝叶斯分类器的参数学习视为回归问题,将加法回归模型应用于贝叶斯网络分类器的参数学习,实现贝叶斯分类器的判别式参数学习。实验结果表明,在大多数实验数据上,PEBNC能够明显提高贝叶斯分类器的分类准确率。此外,与一般的贝叶斯集成分类器相比,PEBNC不必存储成员分类器的参数,空间复杂度大大降低。

关键词：贝叶斯网络分类器集成方法参数学习判别式学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于判别式模型的树到树统计机器翻译

基于判别式模型的树到树统计机器翻译

引用

作者：宋楷东北大学

学位级别：硕士

本文提出并实现了一种全新的基于判别式模型和依存句法结构的树到树的统计机器翻译技术及框架,且性能堪比目前最好的基于句法的机器翻译模型。这种框架可以更灵活的利用目标语端的句法结构,以达到更好的翻译效果,这项工作为将来的统计... 详细信息

本文提出并实现了一种全新的基于判别式模型和依存句法结构的树到树的统计机器翻译技术及框架,且性能堪比目前最好的基于句法的机器翻译模型。这种框架可以更灵活的利用目标语端的句法结构,以达到更好的翻译效果,这项工作为将来的统计机器翻译的研究工作提供了另一种可行的方法。和目前已有的方法不同,本文提出的方法将机器翻译任务当作目标语端的句子生成任务。使用多种特征来捕捉和学习双语端的句法结构、短语互译等信息,且首次将依存句法结构运用到了翻译规则中。本文工作所使用的判别式模型（感知机）不同于传统机器翻译中的生成式模型,可以很好的在丰富特征的基础上学习参数,提高模型的鉴别能力,这对解码过程十分重要。在训练时,首先进行双语端数据预处理工作,将双语句对中出现时间、数字、日期、人名、地名等不可枚举的词串识别出来并进行泛化和翻译。接着是对双语数据进行依存句法分析,为每一个双语句对找到两棵依存句法树。在此基础上进行词对齐训练,词对齐训练的任务是为双语句对中的词和词之间找到相互对应的关系。在词对齐信息和双语依存句法信息已知的情况下,从每一个双语句对中抽取出包含依存信息的翻译规则。然后,以双语端句法树和句法翻译规则表作为输入,在迭代式的构建目标语树的过程中,不断学习特征的权重（包括传统的短语翻译概率、语言模型、调序模型等特征,也包括本文工作特有的双语端句法树特征）,这些权重最终被保存到模型中。在解码时,以源语端依存句法树作为输入,利用翻译规则转化为目标语端的依存片段,加载训练时得到的模型中的参数,这些参数会在解码时指导翻译过程,帮助解码器构建一颗目标语端的句法树。在IWSLT 2010年机器翻译评测数据上,本文所提出的方法,在性能上高于目前最优的串到树、树到树和树到串系统,略差于目前最优的短语和层次短语系统。在GEOQuery Data语料上,本系统性能超过目前最优的句法和短语系统,与目前最优的层次短语系统性能相当。

关键词：树到树机器翻译判别式学习词排序依存句法

来源：

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

基于大间隔方法的汉语组块分析

引用

软件学报 2009年第4期20卷 870-877页

作者：周俊生戴新宇陈家骏曲维光南京大学计算机软件新技术国家重点实验室江苏南京210093 南京师范大学计算机科学系江苏南京210097

汉语组块分析是中文信息处理领域中一项重要的子任务.在一种新的结构化SVMs(support vector machines)模型的基础上,提出一种基于大间隔方法的汉语组块分析方法.首先,针对汉语组块分析问题设计了序列化标注模型;然后根据大间隔思想给出... 详细信息

汉语组块分析是中文信息处理领域中一项重要的子任务.在一种新的结构化SVMs(support vector machines)模型的基础上,提出一种基于大间隔方法的汉语组块分析方法.首先,针对汉语组块分析问题设计了序列化标注模型;然后根据大间隔思想给出判别式的序列化标注函数的优化目标,并应用割平面算法实现对特征参数的近似优化训练.针对组块识别问题设计了一种改进的F1损失函数,使得F1损失值能够依据每个句子的实际长度进行相应的调整,从而能够引入更有效的约束不等式.通过在滨州中文树库CTB4数据集上的实验数据显示,基于改进的F1损失函数所产生的识别结果优于Hamming损失函数,各种类型组块识别的总的F1值为91.61%,优于CRFs(conditional random fields)和SVMs方法.

关键词：汉语组块分析大间隔判别式学习损失函数

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的图像复原方法研究

基于卷积神经网络的图像复原方法研究

引用

作者：赵建梁南京大学

学位级别：硕士

图像复原技术被广泛地应用于社会中的各个领域。在当今的信息化时代,图像质量的好坏在很大程度上影响着人们的交流以及对信息的获取。因此,对图像复原技术的研究仍旧很有必要。图像复原问题在数学上是一个病态的反问题。总的来说,解决... 详细信息

图像复原技术被广泛地应用于社会中的各个领域。在当今的信息化时代,图像质量的好坏在很大程度上影响着人们的交流以及对信息的获取。因此,对图像复原技术的研究仍旧很有必要。图像复原问题在数学上是一个病态的反问题。总的来说,解决视觉图像领域病态反问题的方法可以分为两大类:一类是基于模型的优化方法,另一类是判别式学习方法。这两种方法各有利弊,前者优点是能处理不同种类的复原问题,缺点是费时;后者正好相反,处理问题的速度很快,但是一个模型结构只能解决特定的复原问题。本文正是基于上诉情况,利用变量分离技术将图像复原问题中的保真项和正则项进行分离,并且把用判别式学习得到的图像先验知识集成到基于模型的优化方法中去,以期得到将两种方法的优势相结合的效果。本文主要研究了图像复原中的图像去噪、图像去模糊以及单幅图像的超分辨率重建问题,其中使用了 CNN卷积神经网络来学习一系列的去噪模型,并且将这些模型应用到了后两个问题的研究中。本文选用卷积神经网络作为判别式学习方法,主要是考虑到其众多的优势:一是它可以通过大量的数据,学习一个高度复杂的图像约束从而将图像先验的作用发挥到极限;二是通过利用卷积神经网络中的一些技术可以加速训练的收敛过程;三是可以很方便的利用计算机硬件资源,如GPU,进而极大地提高了处理问题的速度。本文同时还选取了其它众多相关的优秀算法,将这些算法的实验结果同本文提出的方法进行比较,从而更加全面、立体地说明本文提出方法的性能。

关键词：图像复原卷积神经网络基于模型的优化方法判别式学习变量分离技术

来源：

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

基于关键帧混合建模的视频对象分割技术研究

基于关键帧混合建模的视频对象分割技术研究

引用

作者：段炎彪北京理工大学

学位级别：硕士

本文对视频对象分割问题的相关工作进行了分析总结,发现已有工作在视频对象分割问题中难以解决待分割对象和背景有特征重合的困难,针对这一问题,本文提出一种与像素位置相关,多分类器结合的统计模型。不同于之前已有的交互式视频对象分... 详细信息

本文对视频对象分割问题的相关工作进行了分析总结,发现已有工作在视频对象分割问题中难以解决待分割对象和背景有特征重合的困难,针对这一问题,本文提出一种与像素位置相关,多分类器结合的统计模型。不同于之前已有的交互式视频对象分割算法,其简单地使用图像颜色信息建模,不考虑像素位置关系,本文提出的算法不仅使用像素点颜色特征,还利用了HSV空间颜色直方图和梯度直方图的丰富图像特征,并在期望最大化迭代的过程中,依赖判别式学习的方法,在用户标注的关键帧上训练出多个分类功能不同的分类器,而分类器对图像在不同区域的影响权重不同,这个权重是由本文引入的一个与像素位置相关的隐变量决定。这种算法框架利用了产生式建模和判别式学习的优势,能够处理前景物体和背景颜色重合、待分割对象边缘模糊以及帧间物体运动幅度较大的视频对象分割困难问题。为了能够把在关键帧上学习到的模型传导到没有用户标注的序列帧上,我们使用了基于特征点跟踪的方法来对模型中与位置分布有关的参数进行更新并使用基于最大流/最小割的图割方法来对分割结果进行优化求解。我们在大量的数据上进行实验测试,得到了较好的实验结果,与之前的方法比较,在一些困难的情景下取得了较好的效果。

关键词：关键帧交互式视频分割特征重合混合模型期望最大化判别式学习

来源：

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

欢迎您,

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

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

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

在线全文

在线全文

在线全文

在线全文

在线全文

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：