检索结果-南通市图书馆

科学技术与工程 2023年第3期23卷 1152-1159页

作者：邓亚萍王新尹甜甜云南民族大学数学与计算机科学学院昆明650500

目前大多数人脸图像情感分析方法只单方面关注图像整体或局部来构建视觉情感特征表示,忽略了二者在情感表达上的协同作用。针对此问题,提出了一种多层交叉注意力融合网络情感分析方法。该方法首先利用特征相关性分析实现最大化类的可分... 详细信息

目前大多数人脸图像情感分析方法只单方面关注图像整体或局部来构建视觉情感特征表示,忽略了二者在情感表达上的协同作用。针对此问题,提出了一种多层交叉注意力融合网络情感分析方法。该方法首先利用特征相关性分析实现最大化类的可分性;其次通过多层交叉注意力网络中的多个不重叠的注意力区域来提取整体和局部的信息;然后将整体与局部提取的注意力图进行融合,来共同训练图像情感分类器并进行情感分析。实验结果表明,提出的方法在真实数据集RAFDB上的情感分类准确率达到了88.53%,优于现有其他方法,验证了该方法的有效性与优越性。

关键词：多层交叉注意力特征相关性分析整体-局部注意力图融合情感分析

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

基于相关性分析的时间序列多尺度表示及异常检测研究

基于相关性分析的时间序列多尺度表示及异常检测研究

引用

作者：高悠悠西安电子科技大学

学位级别：硕士

时间序列数据作为一种具有时间属性的重要数据类型,广泛存在于各个领域。而在这些序列数据中蕴含着大量重要的信息,因此如何从科学的角度进行分析从而挖掘出数据背后更有价值的信息是数据挖掘领域的一个热点问题。时间序列数据异常检测... 详细信息

时间序列数据作为一种具有时间属性的重要数据类型,广泛存在于各个领域。而在这些序列数据中蕴含着大量重要的信息,因此如何从科学的角度进行分析从而挖掘出数据背后更有价值的信息是数据挖掘领域的一个热点问题。时间序列数据异常检测作为一个充满活力的新研究领域,旨在从海量的、形式多变且维数高的时间序列中发现与其它数据有明显差异的样本,对于分析和处理时间序列具有重要的科研价值。本文基于尺度空间的概念,从分析表示时间序列特征间的相关性出发,建立了关键特征的时间序列多尺度表示方法,在多尺度表示基础上搭建基于变阶马尔科夫模型的多尺度异常检测框架。主要内容如下:由于单尺度时间序列表示方法只能在某一尺度专注于某个特征,容易导致漏检和误检现象,同时针对时间序列表示特征间的相关性会导致特征解释不真实、降低表示模型准确度的问题,本文提出了一种基于特征相关性分析的多尺度表示方法FCA-MSR（Multi-Scale Representation Based On Feature Correlation Analysis）。为此设计了仿真实验,对合成数据和公开数据进行的实验研究均表明,该方法具有更高的精度和更强的鲁棒性。相比于单一尺度的分段聚合近似表示方法（PAA）、最优区间间隔表示方法和基于条件广义方差法来选择关键特征集的多尺度表示方法（CGMV-MSR）,该方法在F1分数方面分别提高了127.57%、34.63%和16.20%,大大提高了异常检测的查准率和查全率。此外,由于经典马尔科夫模型方法的短记忆特性会忽略数据间的关联性、高阶马尔科夫模型方法的长记忆特性又会使得历史数据与当前数据间的相关性被模糊进而导致模型可靠性被降低,为此本文从平衡模型记忆长度的角度出发提出了基于变阶马尔科夫模型的时间序列异常检测方法,并引入异常替换策略来避免待检测数据受已检测出的异常数据点的影响。实验表明本文提出的基于变阶马尔科夫模型的异常检测方法相对于基于经典马尔科夫模型、基于高阶马尔科夫模型方法在F1得分上分别提升了60.34%、30.98%,在AS得分上分别提升了129.95%、43.42%,克服了传统基于马尔科夫模型异常检测方法的局限,故而提升了异常检测效果。

关键词：时间序列多尺度数据表示特征相关性分析异常检测变阶马尔科夫模型

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

基于机器学习的耐热型含能材料设计方法研究

基于机器学习的耐热型含能材料设计方法研究

引用

作者：田杰西南科技大学

学位级别：硕士

耐热型含能材料是一类具有高能量和高热稳定属性的特殊材料,高耐热的含能材料能承受高超音速导弹和宇航器穿过大气层时产生的高温,也可在经受深井钻探的高温后依然稳定引爆,因此在国防、航空航天和工业应用等领域都有重要地位。然而,含... 详细信息

耐热型含能材料是一类具有高能量和高热稳定属性的特殊材料,高耐热的含能材料能承受高超音速导弹和宇航器穿过大气层时产生的高温,也可在经受深井钻探的高温后依然稳定引爆,因此在国防、航空航天和工业应用等领域都有重要地位。然而,含能材料的研制流程繁琐,包括人工设计、量子化学计算、数据分析、性能预测和筛选、材料合成与实验验证等,这个过程耗时长,成本高昂,且十分依赖专家知识。基于数据驱动的机器学习方法可以对含能化合物分子空间进行快速筛选,但目前与热分解温度强相关性的特征研究和分解温度的预测方法还存在不足,难以对热稳定性精确建模。含能材料的受热分解涉及复杂的反应机理影响因素,基于现有的分子特征难以表达热稳定性能,训练得到的模型精度低,泛化性差,从而不能应用到含能材料的筛选和设计。针对以上问题,本文重点做了以下工作:(1)针对热稳定性相关特征的计算和评估问题,开展了结合专家知识的分子特征化研究。对含能分子采用基于拓扑结构的和量子化学计算的方法提取了总共286个特征,并用Pearson线性相关性、Copula负熵和递归特征消除三种方法进行特征分析和筛选,构建了与热分解温度相关的特征库。采用随机森林、核岭回归、支持向量机等机器学习模型进行了评估,其中随机森林模型在测试集上的拟合度R最高达到0.705,误差控制在25.4℃。(2)对于目前热稳定性能预测模型普遍存在的精度低,泛化能力差以及图结构输入欠缺与热稳定性相关表征的问题,本文将特征库与消息传递神经网络模型进行结合,训练领域知识嵌入的深度学习模型,提高了热分解温度预测模型的性能。实验表明,该模型对多种含能硝基化合物具有高适用性,在独立测试集上达到的目前已知最佳拟合度(R)为0.862,误差(MAE)被控制在19.83℃,其精度满足搜索空间的要求。(3)针对耐热型含能分子的筛选和设计问题,采用骨架-基团组合的方案设计并实现了分子生成器,构建了一个超过1.4亿个分子的含能材料搜索空间。利用训练的深度学习模型对搜索空间的分子密度(能量性质)和分解温度(耐热性质)进行快速预测,筛选出具有高耐热潜能的分子1793个。通过更加精确的量子化学计算进一步确定了这些分子的各项性能,最终筛选得到了16个性能参数优异的分子。从计算结果可以看出这些分子结构合理且各向异性良好,具有低感高能的优异特性,部分在爆速接近8500km/s的同时也保持了283℃的高分解温度。

关键词：含能材料热分解温度特征相关性分析消息传递神经网络分子筛选

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XGBoost算法融合多特征短期光伏发电量预测

引用

电测与仪表 2020年第24期57卷 76-83页

作者：彭曙蓉郑国栋黄士峻李彬胡泽斌长沙理工大学电气与信息工程学院长沙410114

针对目前光伏发电过程中由于"弃光"现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。文中介绍了XGBoost算法的基本原理,引入正则化惩罚函数和误差函数来构建光伏预测模型的目标... 详细信息

针对目前光伏发电过程中由于"弃光"现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。文中介绍了XGBoost算法的基本原理,引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分。训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择SVM和LSTM两种预测方法进行,实验结果表明XGBoost算法在预测光伏发电中具有较高的准确性和实用性。

关键词： XGBoost算法正则化惩罚函数特征相关性分析 K折交叉验证光伏发电出力预测

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

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

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

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：