检索结果-南通市图书馆

维普期刊数据库

内部特征和外部条件可解释的专利价值实现模型研究

在线全文

学校读者我要写书评

暂无评论

内部特征和外部条件可解释的专利价值实现模型研究

作者：乔文博内蒙古大学

学位级别：硕士

专利作为知识产权的重要载体，在科技创新中发挥着极其重要的作用。一篇专利的价值实现，能在经济、法律和科技等方面带给专利权人巨大收益。因此如何实现专利的价值，一直是业内外人士所共同思考的问题。为此，我们将专利的价值实现分... 详细信息

专利作为知识产权的重要载体，在科技创新中发挥着极其重要的作用。一篇专利的价值实现，能在经济、法律和科技等方面带给专利权人巨大收益。因此如何实现专利的价值，一直是业内外人士所共同思考的问题。为此，我们将专利的价值实现分成了两个方面：专利估值和专利转化。其中专利估值帮助我们筛选和培育高价值专利，而专利转化则帮助我们完成高价值专利的转化。　　目前，一些自动化的专利价值实现模型从专利估值或专利价值转化的角度进行了初步研究，存在一些局限性，主要包括：（1）专利估值缺少人工标注的价值标签;（2）专利估值没有考虑专利内部的技术特征;（3）专利转化未涉及专利的外部转化条件;（4）专利转化没有分析不同专利的转化机会。为了克服上述局限性，我们提出了内部特征和外部条件可解释的专利价值实现模型研究，该研究首先使用专利内部的文本特征定性地估计专利价值，而后使用专利的外部转化条件挖掘专利转化的机会。具体而言，本研究定义了专利价值的实现路径。不再使用稀缺的人工价值指标标注专利价值，而是创新性的将互联网中公开的专利状态数据作为专利价值的标签，并利用贝叶斯神经网络预测专利的价值实现路径。同时为了解释专利文本技术特征在专利价值实现中的重要作用，我们进行了专利内部特征的重要性分析。之后，我们从专利转化的大型异构网络中提取了专利的外部转化条件。给定某用户时，我们使用可解释卷积神经网络预测了专利在使用价值和交换价值上进行转化的机会，同时还解释了该专利实现转化的原因。　　为了验证本研究提出的模型在专利价值实现方面的表现，我们在公开的专利数据上进行了验证。最终召回率、准确率和F-measure等分类指标表明，该专利价值实现模型可以有效发现专利价值，解释专利价值成因，促进专利价值实现。

关键词：专利估值价值转化可解释模型贝叶斯神经网络卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

滑坡易发性机器学习优化模型及可解释性研究

滑坡易发性机器学习优化模型及可解释性研究

作者：周新植重庆大学

学位级别：硕士

我国西南地区山地环境分布广泛,地质环境条件和水文气候条件复杂多变,是我国滑坡灾害最严重的地区。滑坡具有致灾因素繁多、耦合成灾机理复杂的特点,导致难以提出有效的预测模型。滑坡易发性区划模型为提出比较有效防灾思路提供了良好基... 详细信息

我国西南地区山地环境分布广泛,地质环境条件和水文气候条件复杂多变,是我国滑坡灾害最严重的地区。滑坡具有致灾因素繁多、耦合成灾机理复杂的特点,导致难以提出有效的预测模型。滑坡易发性区划模型为提出比较有效防灾思路提供了良好基础,但预测模型的性能通常受到评价单元和评价因子的影响,并且评价结果因为“黑箱模型”的存在导致说服力不够。因此研究评价单元优选、因子筛选方法优选和构建可解释模型来提高模型的准确性和可解释性对治灾防灾具有重要意义。本文以渝东北典型山地地区城口县、巫溪县、巫山县、云阳县和奉节县为研究区,从评价单元优选、因子筛选方法优选和建立可解释模型三个方面进行滑坡易发性机器学习优化模型及可解释性研究。论文主要工作与成果如下:(1)通过收集历史滑坡资料,统计2000～2020年间发生在研究区的3594起滑坡,构建研究区历史滑坡编目,并分析研究区滑坡的时空分布特征和主要诱发类型。研究区受亚热带季风气候影响,研究区滑坡主要在7月～9月之间,降雨是研究区内滑坡的最主要诱因。(2)通过总结滑坡易发性研究中常用的5种评价单元,比较不同评价单元的优缺点和适用条件,选取栅格单元和斜坡单元作为本研究使用的评价单元。通过设置不同的参数,使用r.slopeunits工具划分30组不同的评价单元。评价单元优选的结果表明,斜坡单元中的SU16和SU21的评价结果最好。(3)基于对研究区自然地理概况、地理环境特征和滑坡发育特征的分析,选取地形地貌条件、地质条件、环境条件、和人类工程活动条件4大方面影响下的22个影响因子构建滑坡易发性评价指标系统。使用地理探测器、递归特征消除和多重共线性测试进行因子筛选方法优选,优选结果表明基于斜坡单元SU21使用递归特征消除方法的模型性能最好。使用因子筛选方法不仅可以降低模型的计算成本,也可以有效提高模型的性能。(4)使用SHAP算法建立研究区滑坡易发性区划的可解释模型,通过汇总图、依赖图和瀑布图对对区划模型进行全局和局部两个水平的解释。汇总图分析结果表明剖面曲率、高程和水流动力指数这三个地形地貌因子对研究区滑坡灾害的影响最大。使用瀑布图对双土老厂镇滑坡和铁炉墱滑坡的易发性进行分析,并将分析结果和现场的实地勘察报告进行对比。分析结果表明,水流动力指数、降雨条件以及高程是这两个滑坡的主要影响因素,分析结果和现场勘察报告基本一致。可解释模型为易发性区划结果提供丰富的补充,使区划结果更具有说服力。

关键词：滑坡易发性斜坡单元因子筛选可解释模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于原型和不确定性的可解释图像识别模型

基于原型和不确定性的可解释图像识别模型

作者：汪靖棋西南大学

学位级别：硕士

在图像识别中,神经网络模型的高准确度在很多场景中都非常有效,但是在医学诊断、自动驾驶等高风险决策领域中,神经网络模型的高准确度并不能给人类带来足够的信任,模型的每一个错误决策都可能产生不可估量的后果。如果模型能够对决策提... 详细信息

在图像识别中,神经网络模型的高准确度在很多场景中都非常有效,但是在医学诊断、自动驾驶等高风险决策领域中,神经网络模型的高准确度并不能给人类带来足够的信任,模型的每一个错误决策都可能产生不可估量的后果。如果模型能够对决策提供解释并且对风险决策预警,就能给人类带来信任。因此研究能够解释决策和错误预警的可解释神经网络模型变得非常重要。自解释模型可以对模型的决策产生被人类理解的解释。目前自解释模型中的基于原型的自解释模型——Proto PNet模拟了人类进行图像识别时使用的证据推理,能够由模型本身产生基于训练集的被人类理解的解释,实现模型对识别决策的解释。但是Proto PNet缺乏风险预警能力,这会导致模型无法预警风险决策,防止错误的发生。为了实现模型对风险的预警,目前常用的方法是估计模型决策的不确定性,通过不确定性衡量决策是否存在风险。因此,本文为构建应用于高风险场景的可解释神经网络模型,首先将不确定性引入Proto PNet,让自解释模型实现对决策可靠程度的衡量;然后对不同可靠程度的决策进行区分,根据不同可靠标准设计风险阈值来实现对于风险决策的预警。此外,本文还利用模型解释和不确定性实现对模型能力的分析,发现目前的Proto PNet模型存在原型质量低和预测能力不足等缺陷。最后本文通过模型架构设计和损失函数调整等方法来解决这些缺陷。综上所述,本文的研究内容和创新点如下:(1)自解释模型不确定性的引入与估计。为了实现Proto PNet对风险决策的预警,需要为Proto PNet引入不确定性来衡量模型决策的可靠程度。首先,本文通过模型集成方法近似Proto PNet对应的贝叶斯网络。然后,利用集成的多个模型的预测概率信息熵代表模型决策的可靠程度,本文将预测概率信息熵称为预测不确定性,代表模型预测产生的所有不确定性。其次,为了区分预测不确定性是由模型参数还是图像带来的,本文利用数学分解将预测不确定性分为由模型参数产生的模型不确定性和由图像信息产生的数据不确定性。最后,本文还为自解释模型建立了解释不确定性,以衡量每个基于原型的解释的可靠程度,而解释不确定性可以用来对模型的决策过程进行分析,分析出错误发生的原因和可能的改进方案。此外,在完成对各种不确定性的估计后,本文将根据预测不确定性的数值设立风险阈值以区分决策是否存在风险,并对于超过风险阈值的风险决策进行干预,这可以降低风险发生的概率,提高模型的决策可靠性。综上所述,不确定性的应用使模型能够实现风险预警,并能分析模型存在的问题以及为进一步改进提供思路,这使本文提出的可解释模型方案适用于高风险决策领域。(2)Proto PNet模型的优化。本文通过不确定性分析和对模型产生解释的分析发现Proto PNet存在一些缺陷,其中包含模型产生的部分原型质量不高,这会影响整个模型的解释能力,还有模型的预测能力不够强,这些缺陷导致模型实用价值不高。为了提升原型质量和解释能力并且提高模型预测性能,本文在Proto PNet的基础上,提出了一种新的自解释的神经网络结构——高质量原型网络(HQProto PNet)。与现有工作相比,本文首先在传统数据增强方法中增加随机擦除操作来增强图像,这改进了原型生成质量和增加了模型预测效果。然后本文引入了多尺度转换操作,并改进了相似度计算,使原型具有多尺度信息和更强的匹配能力。以上操作改进了原型质量并提升了模型预测能力,使HQProto PNet的低质量原型占比由Proto PNet的超过30%降低到3%以下,准确度也相比于Proto PNet提升5%左右,可以达到甚至超过很多不可解释模型的准确度。同时,由于原型质量的提高,堆叠多个模型可以在不降低模型解释能力的前提下提高模型的预测准确度,使模型具有真实的堆叠性。本文基于原型和不确定性的可解释模型解决了高风险场景下需要模型为决策提供解释并对风险决策进行预警的需求,有着重要的实用价值,并且可以推广到更多领域。

关键词：高风险决策可解释模型风险预警基于原型不确定性

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图可解释网络的软件错误定位

计算机测量与控制 2024年

作者：邬凯胜周世健樊鑫南昌航空大学软件学院南昌航空大学软件测评中心

软件错误定位技术旨在通过挖掘程序与测试用例执行数据，提升定位准确性；针对SBFL技术过于依赖二进制覆盖信息的问题，提出一种基于图可解释网络的软件错误定位方法，将测试执行转化为图结构，利用图注意网络建模深度挖掘代码片段隐含... 详细信息

软件错误定位技术旨在通过挖掘程序与测试用例执行数据，提升定位准确性；针对SBFL技术过于依赖二进制覆盖信息的问题，提出一种基于图可解释网络的软件错误定位方法，将测试执行转化为图结构，利用图注意网络建模深度挖掘代码片段隐含的信息及其相互关系，并采用强化学习思想对图注意力网络学习后的决策过程进行解释，从而确定关键节点，缩小错误定位范围；实验的场景设立在Defects4j数据集的5个项目进行了，并与SBFL及未经过解释的深度学习方法进行了对比；结果显示，基于图可解释网络的定位方法在Top-1、Top-3和Top-5指标上分别提升了7.26%、7.56%和9.96%，EXAM指数也提升了8.98%，显著优于其他方法。

关键词：软件测试错误定位程序谱图注意力网络可解释模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

可解释性模型在旅游量预测的应用研究

可解释性模型在旅游量预测的应用研究

作者：王馨玉西安石油大学

学位级别：硕士

随着旅游行业迅速发展,利用计算机技术特别是人工智能算法构建智慧旅游的需求不断增加。旅游需求量预测作为旅游行业研究的重要课题被持续关注。现有的针对旅游需求量预测的设计的模型大多专注于提高预测精度而忽略对预测结果可解释性... 详细信息

随着旅游行业迅速发展,利用计算机技术特别是人工智能算法构建智慧旅游的需求不断增加。旅游需求量预测作为旅游行业研究的重要课题被持续关注。现有的针对旅游需求量预测的设计的模型大多专注于提高预测精度而忽略对预测结果可解释性的研究,从而导致使用者对模型的信任度不足,使用率不高。因此,本文在现有的可解释模型的研究基础上研究并构建基于深度学习的旅游可解释性需求量预测模型。为提高旅游量预测的可解释能力,本文在旅游量样本数据选取和预测模型构建两阶段进行了可解释性优化。在旅游量样本数据选取阶段,从网络上爬取到的每个关键词的网络搜索强度作为影响旅游需求量的特征,首先对数据进行了缺失值和数据平衡操作保证数据的可用性和完整性,然后利用四则变换构造新的特征,借助Light GBM模型(Light Gradient Boosting Machine)进行特征选择,提高样本数据来源的可解释性;在预测模型构建阶段,采用两阶段的卷积神经网络结构(CNN),使用Grad-CAM方法(Gradient-weighted Class Activation Mapping)生成属性图,并结合LIME方法(Local Interpretable Model-Agnostic Explanation)进一步提高模型的解释能力,并且基于混淆矩阵、接受者操作特征曲线建立了可解释模型的评价标准。最后,利用可解释模型开展旅游量预测实验,实验结果表明,提出的模型不仅具有较高的精度,而且适用于旅游量的短期预测和季节性预测。

关键词：旅游量预测模型可解释模型

基于BERT和弱行为轮廓的可解释性事件日志修复方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学 2023年第5期50卷 38-51页

作者：李炳辉方欢梅振辉安徽理工大学数学与大数据学院安徽淮南232001 安徽省煤矿安全大数据分析与预警技术工程实验室安徽淮南232001

由异常值和缺失值导致的低质量事件日志在实际的业务流程中通常不可避免,低质量的事件日志会降低过程挖掘相关算法的性能,从而干扰决策的正确实施。在系统参考模型未知的条件下,现有方法在进行日志异常检测与修复工作中,存在需要人为设... 详细信息

由异常值和缺失值导致的低质量事件日志在实际的业务流程中通常不可避免,低质量的事件日志会降低过程挖掘相关算法的性能,从而干扰决策的正确实施。在系统参考模型未知的条件下,现有方法在进行日志异常检测与修复工作中,存在需要人为设定阈值、不知预测模型学习何种行为约束以及修复结果可解释性较差的问题。采用遮掩策略的预训练语言模型BERT可以通过上下文信息自监督地学习文本中的通用语义,受此启发,提出了模型BERT4Log和弱行为轮廓理论,并结合多层多头注意力机制进行低质量事件日志的可解释修复。所提修复方法不需要预先设定阈值,仅需要进行一次自监督训练,同时该方法利用弱行为轮廓理论量化行为上的日志修复程度,并结合多层多头注意力机制实现对具体预测结果的详细解释。最后,在一组公开数据集上对方法性能进行评估,并与目前性能最优的研究进行对比分析,实验结果表明BERT4Log的修复性能整体优于对比方法,可以学习弱行为轮廓并实现修复结果的详细解释。

关键词：事件日志修复弱行为轮廓 BERT 可解释模型注意力机制

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

空气质量预测的可解释机器学习建模方法

计算机仿真 2023年第10期40卷 511-518页

作者：钟琳颜七笙东华理工大学理学院江西南昌330013

为提高空气质量指数的预测精度,提出了差分进化算法(Differential Evolution, DE)优化极限学习机(Extreme Learning Machine, ELM)的空气质量指数预测模型,并在随机森林(Random Forest, RF)对输入特征选择时,利用LIME(Local Interpretable Model-agnostic Explanations)对单个样本进行可解释性分析,以解决特征选择时的可解释性不足的问题。即首先运用随机森林和三次十折交叉验证选取最优特征,再将筛选后的特征作为DE-ELM模型的输入进行空气质量预测。实验结果表明,与未筛选输入变量的DE-ELM、ELM、DE-BP相比,筛选了输入变量的DE-ELM模型有着较高的精度,其均方误差RMSE分别下降了54.55%、5.74%、28.21%,拟合优度决定系数R2为0.9235,与其它模型相比分别提高了12.08%、1.39%、3.60%。LIME模型很好地解释了特征选择时各个特征的贡献率,提高了训练模型的可信度。

关键词：空气质量预测随机森林差分进化算法极限学习机可解释模型

维普期刊数据库

面向复杂3D环境的深度图估计和增强技术研究

在线全文

学校读者我要写书评

暂无评论

面向复杂3D环境的深度图估计和增强技术研究

作者：王可太原科技大学

学位级别：硕士

高质量的深度信息在自动驾驶、机器人导航、三维重建和目标识别等计算机视觉任务中已经得到了广泛应用。然而,现有的深度相机虽然可用于采集上述任务所需的深度信息,但是由于其硬件设备的限制导致其感知深度距离有限并且采集的深度信息... 详细信息

高质量的深度信息在自动驾驶、机器人导航、三维重建和目标识别等计算机视觉任务中已经得到了广泛应用。然而,现有的深度相机虽然可用于采集上述任务所需的深度信息,但是由于其硬件设备的限制导致其感知深度距离有限并且采集的深度信息存在分辨率低、噪声大等问题,从而使得深度相机在不同的场景应用方面存在一定的局限性。针对上述问题,低分辨率低质量深度图的增强和高质量的单目深度图像预测研究得到了学术界和工业界的广泛关注。与此同时,现有的彩色图引导深度图超分辨率方法存在模型复杂度高、参数量大、运行速度慢等问题。此外,大多数的基于深度学习的方法往往缺乏模型的可解释性,这将严重影响模型的性能、应用范围和合理性。针对上述问题,本文研究了以下几个部分的内容:(1)提出一种基于深度学习混合交叉引导滤波的深度图估计方法。具体而言,将整个网络分为两部分:粗糙单目深度图估计模型和深度图超分辨率重建模型。首先,粗糙单目深度图估计阶段采用一个简单的U型网路来获得一个粗糙的低分辨率深度图。其次,考虑到在极高采样率下现有彩色图引导的深度图超分辨率重建方法的重建结果存在严重的细节损失和结构失真,同时现有的网络具有较高的计算复杂度。此外。彩色图和深度图的不一致问题使得这些方法无法很好地融合双模态特征。为了在深度图超分辨率重建阶段获得高质量的重建深度图,提出了一种用于彩色图引导的深度图超分辨率重建的混合交叉引导滤波模型,从多个视角利用彩色图深度图的一致性来逐步提升深度图的质量。大量实验证明所提的单目深度估计方法的性能优于许多最新方法,同时将所提方法的深度图超分辨率重建模型进行扩展应用,用于解决彩色图引导的深度图超分辨率重建问题。(2)受多任务学习启发,提出一种联合多任务模型驱动的低质量彩色图-深度图增强展开网络。具体而言,通过使用最大后验估计,将退化的低质量彩色图增强和深度图像增强任务转换为联合彩色和深度信息的优化模型。该模型以迭代的方式进行交替优化来完成彩色图引导深度图超分辨率任务和低亮度彩色图增强任务。整个迭代优化过程扩展为一种联合多任务优化模型的展开网络。大量的实验结果证实:使用同一个网络能够并行地解决深度图的HR重建和低亮度图像的增强任务。此外,所提出的可解释性网络方法能够超过许多不可解释的彩色图引导的深度图超分辨率方法和低亮度彩色图增强方法。(3)提出一种结合高低频分解和多尺度两级融合策略的单一深度图去噪方法。具体而言,首先引入一个多尺度高斯滤波器将含噪深度图分解为一组低频结构分量和一组高频细节分量。其次,为了充分利用高低频信息之间的互补特性,将这两组分量分别输入到低频特征提取网络和高频特征提取网络中,并且使用互补的特征加权融合机制实现多级特征融合和反馈。最后,构建一个高低频合并重建模块对高低频特征提取网络输出的高低频增强特征进行残差预测并将其与输入图逐像素相加得到高质量的深度图。实验结果表明:在峰值信噪比、均方根误差、结构相似性和综合性能对比方面,该框架比多个主流的深度图去噪方法拥有更好的性能。

关键词：深度学习单目深度图估计可解释模型深度图增强低亮度彩色图增强

基于可解释深度学习和自监督学习的医学图像分类算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于可解释深度学习和自监督学习的医学图像分类算法研究

作者：崔金安齐鲁工业大学

学位级别：硕士

近年来,随着人工智能时代的来临和深度学习的快速发展,极大的推动了科研人员在自然语言处理、计算机视觉等领域的科研进程,并迅速将深度学习技术应用于医疗、交通、金融等各个领域。尤其最近随着对深度学习的可解释性模型的研究以及自... 详细信息

近年来,随着人工智能时代的来临和深度学习的快速发展,极大的推动了科研人员在自然语言处理、计算机视觉等领域的科研进程,并迅速将深度学习技术应用于医疗、交通、金融等各个领域。尤其最近随着对深度学习的可解释性模型的研究以及自监督学习的发展,深度学习技术在医疗领域获得了越来越多的应用。医学领域的图像分类不同于其他领域,一方面,由于医学行业的特殊性,相对较少的数据集以及有限的数据标注限制了医学图像分类算法的发展。另一方面,在医学图像分类任务中,算法必须提供可解释性,医学诊断过程必须可解释、透明。因此,医学图像分类算法的研究需要注意“小数据,大任务”的特点以及可解释性的重要性。基于此,本文针对以上所提及的问题,提出了基于可解释的深度学习和自监督学习的医学图像分类算法。对于医学图像分类对于可解释性要求较高的问题,本文提出了一种基于改进神经原型树的细粒度医学图像分类可解释模型MBC＿Proto Tree。该模型能够为分类决策过程提供全局可解释性和局部可解释性。我们首先设计了一种新的多粒度特征提取网络,使用三个新的主干网络进行特征提取,提高了细粒度和多粒度图像的特征提取性能。该模型在软神经二叉决策树层中设计了一个背景原型去除机制,保证了原型的正确更新,实现了对原型路径决策的优化。我们最后还设计了一种新的同时具有叶节点损失和全连接层损失的损失函数,提高了模型的泛化能力。我们在细粒度数据集CUB-200-2011和FGVC-Aircraft上进行了对比实验,最后专门在医学图像数据集Chest X-Ray上进行了对比实验,结果表明,MBC＿Proto Tree算法在提高了图像分类的准确率的同时,提供了更好的可解释性。对于医学图像领域中,专家对数据进行标注的成本过高,从而造成的“小数据、大任务”问题,本文提出了基于层次原型树的自监督对比学习医学图像分类模型HPSCM。该模型基于无标签的图像数据集进行预训练,然后只需要少量的图像标签进行微调,就可以获得一个性能堪比有监督学习的模型,并且提供分类决策过程的可解释依据。该模型首先设计了一种三编码器进行特征提取,从而保证编码器在学习到的表示中保存更多的信息。接下来该模型还设计了一种使用特征矩阵行和列分别进行实例对比学习和原型对比学习的对偶模式,解决图像噪声信息对于对比学习的影响,保证了更加正确的语义信息被用于对比学习。此外,我们设计了一种基于层次原型树的原型对比选择模块,在原型聚类的基础上引入神经原型树,优化了原型训练的过程,保证了模型更好的进行原型决策,并提高了原型决策的可解释性。我们在Image Net数据集上进行预训练并进行了线性分类评估、KNN分类评估和半监督学习评估实验,然后在Places205、VOC07数据集上进行了迁移学习实验,最后在医学数据集Chest14和Che Xpert上进行了基于不同下游标签分数下的医学图像分类实验,我们的模型在这些数据集上均取得了较好的效果。本文针对医学图像分类算法中的可解释性深度学习模型和的自监督对比学习模型存在的问题,分别进行了算法创新,并提出了相应的算法模型。我们进行的多种实验表明,上述两种算法分别在可解释细粒度医学图像分类任务和自监督对比学习医学图像分类任务中,取得了较先进的性能。

关键词：医学图像分类可解释模型原型网络自监督学习对比学习