检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

一种基于区分性准则的模型结构优化方法

中文信息学报 2008年第2期22卷 99-105页

作者：鄢志杰胡郁王仁华中国科学技术大学电子工程与信息科学系讯飞语音实验室安徽合肥230027

本文提出了一种基于区分性准则的模型结构优化方法,用以调整HMM自动语音识别系统中声学模型各状态混合高斯核成分数量的分配。通过优化选定的准则,声学模型可以在使用相同参数数量的情况下得到更好的识别性能,也可以在保持相当性能的前... 详细信息

本文提出了一种基于区分性准则的模型结构优化方法,用以调整HMM自动语音识别系统中声学模型各状态混合高斯核成分数量的分配。通过优化选定的准则,声学模型可以在使用相同参数数量的情况下得到更好的识别性能,也可以在保持相当性能的前提下降低所需要的模型参数。相对于传统的基于似然度及复杂度惩罚的模型结构优化准则来讲,基于区分性准则的优化方法能够更直接地提高模型的区分度和鉴别力,从而得到更好的识别效果。在一个面向嵌入式系统的中文连续数字串识别任务上的实验结果证明,基于最大互信息量准则的模型结构优化能够得到比传统的、基于模型似然度及复杂度的方法更好的识别效果。

关键词：计算机应用中文信息处理自动语音识别声学模型模型结构优化

基于模型结构优化的降低3D打印材料消耗方法

在线全文

学校读者我要写书评

暂无评论

计算机技术与发展 2016年第7期26卷 147-150,155页

作者：王洁瑜董方敏三峡大学计算机与信息学院湖北宜昌443002

3D打印技术是基于增材制造法原理的一种高新技术,是快速成型技术的延续与发展,其应用领域正在不断扩大和普及。目前,对3D打印方面的研究热点集中在3D打印机的原理和结构、3D打印自由成形工艺、3D打印材料、3D打印成本等方面。如何减少... 详细信息

3D打印技术是基于增材制造法原理的一种高新技术,是快速成型技术的延续与发展,其应用领域正在不断扩大和普及。目前,对3D打印方面的研究热点集中在3D打印机的原理和结构、3D打印自由成形工艺、3D打印材料、3D打印成本等方面。如何减少材料消耗来降低3D打印成本是其中重要的研究内容之一,而通过优化模型结构来减少材料的消耗是目前常用的方法。从采用对模型结构进行优化的方法来降低3D打印成本的角度,阐述了模型结构优化的基本原理,介绍了几类典型的基于模型结构优化技术降低3D打印材料消耗的算法,分析了各种算法的特点及适用领域,并指出了未来可能的研究内容和方向。

关键词： 3D打印材料消耗模型结构优化算法

在线全文

学校读者我要写书评

暂无评论

基于主动学习的图像分类技术:现状与未来

电子学报 2023年第10期51卷 2960-2984页

作者：刘颖庞羽良张伟东李大湘许志杰西安邮电大学图像与信息处理研究所陕西西安710121 无线通信与信息处理技术国际联合研究中心陕西西安710121 英国哈德斯菲尔德大学西约克郡HD13DH

图像分类作为计算机视觉领域中的重要研究方向之一,应用领域非常广泛.基于深度学习的图像分类技术取得的成功,依赖大量的已标注数据,然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法,旨在以尽可能少的高质量标注数据达到... 详细信息

图像分类作为计算机视觉领域中的重要研究方向之一,应用领域非常广泛.基于深度学习的图像分类技术取得的成功,依赖大量的已标注数据,然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法,旨在以尽可能少的高质量标注数据达到期望的模型性能,缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略,从未标记样本数据集合中选择出信息量丰富,对分类模型训练贡献更高的样本进行标注,以更新已标注训练数据池,如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述,并根据所用样本数据处理及模型优化方案,将现有算法分为三类:基于数据增强的算法,包括利用图像增广来扩充训练数据,或者根据图像特征插值后的差异性来选择高质量的训练数据;基于数据分布信息的算法,根据数据分布的特点来优化样本选择策略;优化模型预测的算法,包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构,以及基于Transformer结构提升模型预测性能,以确保模型预测结果的可靠性.此外,本文还对各类主动学习图像分类算法下的重要学术工作进行了实验对比,并对各算法在不同规模数据集上的性能和适应性进行了分析.另外,本文探讨了主动学习图像分类技术所面临的挑战,并指出了未来研究的方向.

关键词：图像分类主动学习数据增强数据分布模型预测信息模型结构优化

时滞累积TDAGM(1,N,t)模型及其在粮食生产中的应用

在线全文

学校读者我要写书评

暂无评论

控制与决策 2021年第8期36卷 2002-2012页

作者：罗党安艺萌王小雷华北水利水电大学数学与统计学院郑州450046

考虑到社会经济系统中广泛存在时滞因果关系,通过分析驱动因素对系统主行为的时滞累积作用效果以及系统行为线性发展趋势,构建了含时间趋势项的时滞累积型多变量灰色TDAGM(1,N,t)模型,论证了GM(1,1)、GM(1,N)、OGM(1,N)、时滞GM(1,N)、T... 详细信息

考虑到社会经济系统中广泛存在时滞因果关系,通过分析驱动因素对系统主行为的时滞累积作用效果以及系统行为线性发展趋势,构建了含时间趋势项的时滞累积型多变量灰色TDAGM(1,N,t)模型,论证了GM(1,1)、GM(1,N)、OGM(1,N)、时滞GM(1,N)、TDDGM(1,N)模型均是该模型在不同参数取值下的特殊形式;为避免模型求解过程中微分形式与差分形式转换而产生误差,通过定义TDAGM(1,N,t)模型的派生形式,给出了TDAGM(1,N,t)模型时间响应式的直接求解方法;针对模型时滞效应参数的识别和优化问题,基于粒子群优化算法,给出了TDAGM(1,N,t)模型参数估计的算法框架.时滞系统的数值实验结果表明,TDAGM(1,N,t)模型能够较好地解决含时滞特征的多变量系统预测问题.将该模型应用于河南省粮食产量预测的实例中,拟合精度较高且预测结果符合河南省粮食生产发展趋势,验证了模型的有效性.

关键词：灰色系统 TDAGM(1 N t) 时滞累积效应模型结构优化粒子群算法粮食产量预测

3PG碳生产模型在长白山阔叶红松林总初级生产力估算中的应用

在线全文

学校读者我要写书评

暂无评论

应用生态学报 2019年第5期30卷 1599-1607页

作者：常晓晴邢艳秋王馨慧尤号田徐珂东北林业大学森林作业与环境研究中心哈尔滨150040 桂林理工大学测绘地理信息学院广西桂林541004

利用ChinaFLUX长白山站阔叶红松林的通量观测数据以及同期卫星遥感数据,对3PG模型中的植被光合模型(VPM)、光能利用率模型(EC-LUE)、陆地生态系统模型(TEM)、卡内基-埃姆斯-斯坦福方法模型(CASA)4种模型进行参数重组,通过对比通量观测... 详细信息

利用ChinaFLUX长白山站阔叶红松林的通量观测数据以及同期卫星遥感数据,对3PG模型中的植被光合模型(VPM)、光能利用率模型(EC-LUE)、陆地生态系统模型(TEM)、卡内基-埃姆斯-斯坦福方法模型(CASA)4种模型进行参数重组,通过对比通量观测值与估算值的均方根误差、决定系数及平均误差确定模型的最适合参数;并利用实测的通量观测数据对优化后的模型进行拟合度验证,以提高其估算长白山阔叶红松林总初级生产力(GPP)的准确性.结果表明:采用温度、增强植被指数、地表水分指数分别表征原模型中的温度限制因子、光合有效辐射吸收比例、水分限制因子估算长白山阔叶红松林GPP时,结果最优,优化后模型的精度(R^2=0.948,RMSE=0.035 mol·m^(-2)·month^(-1))明显优于原模型(R^2=0.854,RMSE=0.177 mol·m^(-2)·month^(-1)),且能够有效改善原模型生长季明显高估的现象;通过敏感性分析可知,温度是对GPP估算不确定性影响最大的参数,其次为增强型植被指数和光合有效辐射,地表水分指数最小,且变量间的交互作用对GPP估算不确定性也存在影响.

关键词： 3PG模型总初级生产量模型结构优化通量观测温带阔叶红松林

在线全文

学校读者我要写书评

暂无评论

深度学习模型超参数优化的研究

深度学习模型超参数优化的研究

作者：张颖首都经济贸易大学

学位级别：硕士

现今深度学习模型在各领域应用的非常广泛,而算法模型的性能取决于它的结构。寻找一组最优的超参数来确定网络结构非常困难,这成为深度学习模型广泛应用的一大阻碍。决定模型结构的超参数无法从训练中获得,需要在模型运行之前设定。而... 详细信息

现今深度学习模型在各领域应用的非常广泛,而算法模型的性能取决于它的结构。寻找一组最优的超参数来确定网络结构非常困难,这成为深度学习模型广泛应用的一大阻碍。决定模型结构的超参数无法从训练中获得,需要在模型运行之前设定。而现有的方法多依赖于以往经验和人工选择,其效率低下,且当数据量巨大,模型结构复杂时手动调参就困难重重。因此从模型的角度来说,如何实现高效率地自动调参是超参数优化问题的关键,而超参数的优化又是模型算法得以有效应用的关键。因此,本文主要研究深度学习模型的超参数优化问题。首先研究六种不同优化算法在BP神经网络与LSTM上的应用效果。使用的六种超参优化方法为:网格搜索;随机搜索;贝叶斯优化;Talos优化;Hyperband和Optuna框架。其次从调优的时间效率与最终模型的准确率上进行对比,分别找出适用于BP与LSTM的最佳超参数优化方法。具体为适用于BP神经网络的超参数优化方法为Hyperband,适用于LSTM的超参数优化方法为Optuna。为模型优化的广泛使用提供了建议。最后本文提出新的猜想:对于不同结构类型的神经网络(前馈神经网络与循环神经网络)其适用的优化算法是否不同。并证实了对于不同的深度学习问题,适用的超参数优化方法不同。具体为解决简单问题的BP神经网络,最佳的超参数优化方法为Hyperband。解决较难问题的结构复杂网络(LSTM),最佳的超参数优化方法为Optuna。

关键词：超参数优化深度学习模型结构优化 BP LSTM