检索结果-南通市图书馆

自动化学报 2024年第7期50卷 1458-1471页

作者：赵慧敏郑建杰郭晨邓武中国民航大学电子信息与自动化学院天津300300 首都师范大学心理学院北京100048 大连海事大学船舶电气工程学院大连116023

宽度学习系统(Broad learning system,BLS)作为一种基于随机向量函数型网络(Random vector functionallink network,RVFLN)的高效增量学习系统,具有快速自适应模型结构选择能力和高精度的特点.但针对目标分类任务中有标签数据匮乏问题,... 详细信息

宽度学习系统(Broad learning system,BLS)作为一种基于随机向量函数型网络(Random vector functionallink network,RVFLN)的高效增量学习系统,具有快速自适应模型结构选择能力和高精度的特点.但针对目标分类任务中有标签数据匮乏问题,传统的BLS难以借助相关领域知识来提升目标域的分类效果,为此提出一种基于流形正则化框架和最大均值差异(Maximum mean discrepancy,MMD)的域适应BLS(Domain adaptive BLS,DABLS)模型,实现目标域无标签条件下的跨域图像分类.DABLS模型首先构造BLS的特征节点和增强节点,从源域和目标域数据中有效提取特征;再利用流形正则化框架构造拉普拉斯矩阵,以探索目标域数据中的流形特性,挖掘目标域数据的潜在信息.然后基于迁移学习方法构建源域数据与目标域数据之间的MMD惩罚项,以匹配源域和目标域之间的投影均值;将特征节点、增强节点、MMD惩罚项和拉普拉斯矩阵相结合,构造目标函数,并采用岭回归分析法对其求解,获得输出系数,从而提高模型的跨域分类性能.最后在不同图像数据集上进行大量的验证与对比实验,结果表明DABLS在不同图像数据集上均能获得较好的跨域分类性能,具有较强的泛化能力和较好的稳定性.

关键词：宽度学习系统流形正则化框架最大均值差异域自适应图像分类

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

面向自闭症辅助诊断的无监督模糊特征学习新方法

引用

智能系统学报 2019年第5期14卷 882-888页

作者：张英王骏鲍国强张春香王士同江南大学数字媒体学院

自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像(functional magneticresonance imaging,fMRI)高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型... 详细信息

自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像(functional magneticresonance imaging,fMRI)高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型的无监督模糊特征映射方法,并将其与多视角支持向量机相结合,构建分类模型应用于自闭症的计算机辅助诊断。该方法首先采用多输出TSK模糊系统的规则前件学习方法,将原始特征数据映射到线性可分的高维空间;然后引入流形正则化学习框架,提出新型的无监督模糊特征学习方法,从而得到原输出特征向量的非线性低维嵌入表示;最后使用多视角SVM算法进行分类。实验结果表明:本文方法能够有效提取静息态fMRI数据中的重要特征,在保证模型具有优越且稳定的分类性能的前提下,还可以提高模型的可解释性。

关键词：自闭症功能磁共振成像功能连接皮尔森相关性特征选择无监督模糊特征映射流形正则化框架支持向量机

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

无监督TSK模糊系统及其应用研究

无监督TSK模糊系统及其应用研究

引用

作者：鲍国强江南大学

学位级别：硕士

聚类分析作为一种重要的无监督学习方式,已经在模式识别、图像处理、数据挖掘等领域得到广泛的研究。虽然学者们从不同的角度研究聚类技术,但是针对面向复杂数据的无监督学习问题,仍然存在着局限性。在机器学习领域中,为了在无监督学习... 详细信息

聚类分析作为一种重要的无监督学习方式,已经在模式识别、图像处理、数据挖掘等领域得到广泛的研究。虽然学者们从不同的角度研究聚类技术,但是针对面向复杂数据的无监督学习问题,仍然存在着局限性。在机器学习领域中,为了在无监督学习环境中使复杂非线性数据可分,一个重要的思路是使用非线性映射将其映射到高维空间中去,使之在高维空间中线性可分。核方法是一种经典的隐性映射方法,通过使用核函数来代替线性算法中的内积运算,将待分类数据隐式地映射到高维空间,从而实现了复杂数据的非线性学习问题,尽管如此,如何针对不同的实际问题选择合适的核函数和相关参数,仍然限制了核方法在聚类分析中的应用。为此,本文主要研究新型的非线性映射方式来有效提高算法对复杂数据的无监督学习能力。本文的工作主要包括以下两个方面。(1)将多层压缩融合的特征映射新方法与经典FCM算法相结合,提出多层递阶融合模糊特征映射的模糊C均值算法。将该算法在UCI数据集中进行聚类效果对比和参数敏感性实验,实验结果可以发现多层递阶融合模糊特征映射的模糊C均值聚类算法能够有效克服聚类算法对模糊规则数的敏感性问题,同时在处理复杂非线性数据时更加高效、优越以及稳定。(2)将模糊特征映射新方法与流形正则化框架相结合,提出无监督TSK模糊系统,从而实现复杂数据的聚类分析。该算法将数据显式映射到高维空间中,利用流形正则化框架进行特征提取,寻找高维数据在低维空间中的紧致嵌入。最后与Kmeans算法相结合,对得到的低维特征进行聚类。在图像数据集中进行聚类效果对比和参数敏感性实验,实验结果表明该算法对模糊规则数的变化不敏感,同时在处理没有标签的图像数据集时能够取得更加精确和稳定的学习效果。

关键词： TSK(Takagi-Sugeon-Kang)模糊系统特征提取无监督学习流形正则化框架

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

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

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：