检索结果-南通市图书馆

基于梯度优化方法的钢结构标准截面选型优化设计

在线全文

学校读者我要写书评

暂无评论

工程力学 2013年第1期30卷 454-462页

作者：侯玉品张永存刘书田大连理工大学工业装备结构分析国家重点实验室/工程力学系大连116024

实际的工程应用中，钢框架的基本构件大多是根据钢结构设计规范要求，从标准型钢库中选取，所组成的框架结构的截面尺寸非连续变化。因此，钢结构截面优化设计是典型的离散设计变量优化问题。若采用基于启发式的算法（如遗传算法等）进... 详细信息

实际的工程应用中，钢框架的基本构件大多是根据钢结构设计规范要求，从标准型钢库中选取，所组成的框架结构的截面尺寸非连续变化。因此，钢结构截面优化设计是典型的离散设计变量优化问题。若采用基于启发式的算法（如遗传算法等）进行求解，当可选截面类型较多时，其计算量巨大，求解效率低下。该文通过引入高维拉格朗日插值函数对该离散设计问题进行连续化，建立了可采用梯度优化方法进行求解的钢结构标准截面选型设计模型，并且使得连续化以后的设计变量个数大幅度减少。对给定截面类型种数为2^n个的可选截面集合，其设计变量只需n个即可。具体算例表明：与基于遗传算法的优化方法相比，该方法的计算效率提高1～2个数量级，并且在结构性能基本相当的情况下，得到的型钢种类更少，便于工程应用。

关键词：钢结构截面优化高维拉格朗日插值函数优化离散优化

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

分布式快速监督离散哈希算法研究

分布式快速监督离散哈希算法研究

作者：刘志锋西南大学

学位级别：硕士

随着互联网技术的发展和社交媒体的广泛普及,社会诸多领域的信息和数据源得到了丰富和扩展,例如数字图书馆、安防影像、遥感系统、医疗影像等。在信息化时代,数据已经成为当今社会发展不可或缺的资源,面对如今数据呈现大规模爆发式增长... 详细信息

随着互联网技术的发展和社交媒体的广泛普及,社会诸多领域的信息和数据源得到了丰富和扩展,例如数字图书馆、安防影像、遥感系统、医疗影像等。在信息化时代,数据已经成为当今社会发展不可或缺的资源,面对如今数据呈现大规模爆发式增长的趋势,如何运用好现代信息技术来处理如此庞大的数据已经成为一项重要且具有挑战性的课题。基于哈希的图像检索方法因其检索占用内存空间小、速度快、准确率高等特点成为国内外广大研究者的研究热点。基于哈希的图像检索方法旨在将具有高维特征、高存储量的图像数据通过哈希码形式来表示,这既降低了存储空间又提高了的图像检索的效率。在已有的哈希学习技术中,基于监督学习的哈希学习技术因其利用监督信息来进行哈希学习,往往实现了更高的检索精度,如监督离散哈希(SDH)、快速监督离散哈希(FSDH)等。SDH技术在目标函数中将哈希码回归到其相应的标签,而FSDH技术则将每个标签回归至其相应的哈希码空间。然而,在许多现实应用中,大量数据通常会分布在多台机器上,如安防数据、通信网络数据等。因此,为克服集中式哈希只能处理单台机器上的数据的局限性,监督分布式哈希(SupDisH)被提出,SupDisH将SDH技术拓展到分布式框架中学习,取得了不错效果。本文结合FSDH技术,提出了分布式快速监督离散哈希算法(DFSDH)。具体地说,FSDH被引入到分布式框架中,在该框架中,所有节点共享集中式哈希学习模型。同时,在分布式网络中的节点上引入一致性约束以保证所有节点通过共享参数的方式并行进行哈希学习。对于单一节点,通过采用交替迭代过程来获取高质量的二进制哈希码和哈希函数。在复杂度对比上,DFSDH算法和SupDisH算法的通信复杂度保持了一致,但是前者的计算复杂度要远高于后者。最后,在两个公开数据集CIFAR-10和MNIST上的实验结果表明DFSDH与大多数集中式监督哈希方法和现有分布式哈希方法相比检索精度总体略有提升。而在训练效率对比上,DFSDH算法的训练效率极大的高于SupDisH算法的训练效率,这也成功的验证了DFSDH算法较低的计算复杂度。总的来说,本文提出的DFSDH算法与大多数集中式监督哈希方法和现有分布式哈希方法相比具有较好的竞争力。

关键词：图像检索分布式哈希快速监督哈希离散优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于矩阵分解的离散哈希方法研究

基于矩阵分解的离散哈希方法研究

作者：李传祥山东大学

学位级别：硕士

近几年迎来信息爆炸的时代,互联网、电子商务、云计算及移动社交媒体等信息技术的迅速发展使得数据的数量和规模急剧增加,多类型大规模的数据对数据的处理速度及存储能力方面都有更高的需求,不仅要在可接受时间内处理大规模数据,同时数... 详细信息

近几年迎来信息爆炸的时代,互联网、电子商务、云计算及移动社交媒体等信息技术的迅速发展使得数据的数量和规模急剧增加,多类型大规模的数据对数据的处理速度及存储能力方面都有更高的需求,不仅要在可接受时间内处理大规模数据,同时数据的存储容量也要限制在可承受范围内,这对于当前大规模多模态数据的检索仍然是一个挑战。为了解决高维大规模数据的近似最近邻检索问题,基于哈希的近似最近邻检索方法应运而生,哈希方法将原始数据用长度固定的二值哈希码来表示,并使得原始特征空间中的语义关系等相似性信息在海明空间中依旧保持。大多数传统的哈希方法主要针对单模态数据,解决的是单个模态内的数据检索问题,而随着信息技术的快速发展导致数据的爆炸性增长,多模态数据越来越多,而对于多个模态之间的数据检索需求场景也日益增多,如以文搜图等,因此跨模态哈希检索成为一种行之有效的解决方案。目前已经出现了多种基于机器学习的跨模态哈希方法,并取得了不错的检索效果,但是仍有几个限制其性能的问题存在:1)由于二值离散优化问题较难解决,一些方法对离散条件进行松弛,首先求出哈希码的实值表示,之后对得到的实值表示进行二值化得到最终的哈希码,然而这种松弛优化方式会产生较大的量化误差,使得最终哈希码的检索效果下降;2)当前也有一些方法直接进行离散优化,但都以牺牲训练时间为代价,导致优化所需时间大大增加;3)在监督信息的选择上,有的方法选择使用n × n的相似性矩阵进行相似性保持,但这会导致其训练的时间复杂度从线性O(n)上升到O(n2),进而增加了其扩展到大规模数据集的难度。综合考虑上述问题之后,本文提出一种有监督哈希方法——基于矩阵分解的可扩展离散哈希,简称为SCRATCH。该方法结合矩阵分解以及标签嵌入来解决相似性保持和可扩展性问题,引入随机正交旋转矩阵来保持优化过程中哈希码的离散特性,从而可快速地完成模型训练并提升检索精度。本文主要贡献总结如下:·提出一种全新的基于矩阵分解的有监督跨模态哈希方法,通过借助协同矩阵分解(CMF)和标签语义嵌入,SCRATCH可充分利用现有的监督语义信息来找到一个公共子空间,使得形态各异的数据之间的隐含语义关联能够被有效地捕捉到,从而尽可能的保持模态间和模态内的语义相似性。· SCRATCH使用标签矩阵而非相似性矩阵,因此其训练的时空复杂度始终与数据集规模保持为线性关系,可方便的扩展到大规模多模态数据集上。·为了避免使用松弛技术解决离散优化问题造成的巨大量化误差,SCRATCH引入随机正交旋转矩阵使得训练过程中始终保持哈希码的离散特性,并结合迭代优化的策略,从而最小化训练过程中的量化误差,而且由于使用的是矩阵优化技术,矩阵的解均可通过求导得出其闭式解,因此避免了其他离散优化技术以增加训练时间为代价的问题。·通过在三个多模态数据集上进行对比实验,包括检索性能、训练时间以及使用深度网络提取图像模态特征结合SCRATCH的损失函数来与当前先进的深度跨模态哈希方法进行性能对比,可以看到本文方法在各个指标上达到当前卓越的性能的同时,训练时间大大降低,从而可以方便的扩展到大规模数据集上,具有极高的有效性和实用性。

关键词：哈希学习跨模态检索矩阵分解离散优化近似最近邻检索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于字典学习的跨模态监督离散哈希方法研究

基于字典学习的跨模态监督离散哈希方法研究

作者：吴烨山东大学

学位级别：硕士

近年来,因特网的发展和社交媒体的兴起使得多媒体数据规模增长迅速同时数据种类也不断增加。给定某个模态的查询,跨模态检索希望返回的是与其相似的另一个模态的样本,比如利用文本来检索相关的图片或视频。哈希方法凭借其检索速度快、... 详细信息

近年来,因特网的发展和社交媒体的兴起使得多媒体数据规模增长迅速同时数据种类也不断增加。给定某个模态的查询,跨模态检索希望返回的是与其相似的另一个模态的样本,比如利用文本来检索相关的图片或视频。哈希方法凭借其检索速度快、存储开销小的优势在大规模数据检索领域引起了相当多的关注。很多基于哈希学习的跨模态检索方法被提出并取得了一定的检索效果,然而这些方法可能仍有一些限制。首先,大部分哈希检索方法直接采用线性映射来将不同模态的数据映射到公共的汉明空间中。哈希方法的目的是相似性保持,由于异构数据的复杂性,线性映射难以保持原始空间中的相似性,导致此类方法存在巨大的误差。其次,大多数监督跨模态哈希方法构建相似性矩阵的规则是:如果两个实例有至少一个相同的标签则视为相似。然而这种定义方式过于简单且丢失了很多有用的监督信息。最后,大多数哈希方法在优化的时候选择松弛或者舍弃离散限制来解决一个连续优化问题,再将实值解量化成二进制码,这会导致巨大的量化误差。目前已有一些论文提出采用离散优化策略,但这些方法通常仅适用于单模态。为了克服这些限制,本文提出了一个新颖的跨模态哈希方法,称作基于字典学习的监督离散哈希(Dictionary Learning based Supervised Discrete Hashing,简写为DLSDH)。DLSDH是两步哈希方法,分为哈希码学习过程和哈希函数学习过程。DLSDH构造的成对相似性矩阵和离散迭代优化策略使得哈希码学习过程学得更高质量的哈希码。在哈希函数学习阶段,DLSDH首先为每个实例生成稀疏表示,再映射到低维汉明空间中。本文提出的方法其主要贡献有:·提出了一种基于字典学习的监督跨模态哈希方法,首先为每一个模态学习一个字典并为每一个实例生成稀疏表示,相比于复杂的原始特征稀疏表示更适合映射到低维隐空间中,解决了相似的实例在低维隐空间中难以接近的问题。·为了充分利用原始标签信息,DLSDH使用余弦相似度来计算成对的相似性,新构建的相似性矩阵能更好地监督哈希码学习过程。·DLSDH采用列采样策略来解决离散优化问题,避免了量化带来的误差。同时,DLSDH在训练时使用的是整个数据集而不是采样数据,保证了哈希函数的泛化性能。·通过在三个数据集上与先进跨模态哈希方法进行对比实验,证明DLSDH的检索性能优于或者媲美先进对比方法。同时,实验证明了余弦相似性矩阵的有效性。

关键词：近似最近邻检索哈希学习跨模态检索字典学习离散优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于排序的离散跨模态哈希方法研究

基于排序的离散跨模态哈希方法研究

作者：李慧琼山东大学

学位级别：硕士

信息技术的飞速发展推动了人类社会的进步,也给科学研究带来了新的挑战。在大数据时代,数据不仅呈现出体量大,维度高的特点,并且数据形式更趋于多样化。传统的最近邻检索技术在大规模数据的冲击下,已经无法兼顾检索的准确率和效率,因此... 详细信息

信息技术的飞速发展推动了人类社会的进步,也给科学研究带来了新的挑战。在大数据时代,数据不仅呈现出体量大,维度高的特点,并且数据形式更趋于多样化。传统的最近邻检索技术在大规模数据的冲击下,已经无法兼顾检索的准确率和效率,因此,近似近邻检索的概念被提出,旨在通过牺牲一定的准确率来换取较快的响应时间。哈希检索作为近似近邻检索的代表技术之一,针对大规模数据检索中大量数据的存储问题、由于数据量大及数据维度太高引起的计算成本问题提出了解决方案。目前,针对单模态检索任务和跨模态检索任务均有对应的哈希方法被提出。跨模态哈希检索不仅要保持模态内的相似度,同时也要保持模态间的相似度,更具有挑战性。在现有的跨模态哈希方法中,很多方法都是通过构建相似性矩阵并将其嵌入到哈希学习框架中或者学习标签矩阵与哈希码矩阵的映射关系,很少考虑到数据之间的相对相似关系,也就是样本的排序信息。排序信息关系到检索列表中返回样本的先后顺序,代表着与查询样本的相似性程度,因此排序信息的利用有助于检索性能的进一步提升。考虑到排序信息的重要性,本文提出了两种基于排序的离散跨模态哈希方法分别针对无监督场景和有监督场景。首先,针对无监督学习场景,本文提出了一种基于锚点的多模态流形排序学习框架,通过挖掘多模态数据本身的流形结构信息建立排序得分矩阵,并且采用锚点采样策略避免了基于相似性矩阵的哈希方法中常见的难以在大规模数据集上训练的难题。然后,利用得分矩阵中包含的排序信息构建一个基于排序的图哈希学习模型来学习哈希码和哈希函数。其次,针对有监督学习场景,本文在原有的无监督流形排序框架中加入了数据的语义标签作为监督信息监督得分矩阵的学习。在哈希学习阶段,本文还设计了两种分别针对哈希码的整体相似性和位相似性保持的策略来学习更精准的哈希码。此外,本文针对提出的两种跨模态哈希算法分别设计了离散优化方案,减小了因松弛哈希码造成的量化误差,进一步提升了所学哈希码的准确性。本文主要贡献总结如下:●提出了一种基于流形排序的离散跨模态哈希方法,挖掘和捕获多模态数据的流形排序信息并将其整合到图哈希学习中,建立了基于排序的图哈希学习框架。●提出了一种基于排序的监督离散跨模态哈希方法,结合数据的流形结构和标签信息共同学习一个排序得分矩阵,并且设计了两种有效的相似性保持策略,实现了哈希码的整体相似性和位相似性的保持。●针对两种提出的跨模态哈希方法,本文均给出了详细的离散优化方案,无需松弛哈希码。●通过在几个多标签数据集上的大量实验,本文验证了提出的两种跨模态哈希方法的有效性并对模型的稳定性、收敛性等做了进一步的测试。

关键词：跨模态检索哈希学习流形排序离散优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

顾及灰度和梯度信息的多模态影像配准算法

测绘学报 2018年第1期47卷 71-81页

作者：闫利王紫琦叶志云武汉大学测绘学院湖北武汉430079

基于特征匹配的多模态影像配准方法无法达到像素级配准精度要求。本文研究了一种顾及灰度和梯度信息的多模态影像配准算法。基于马尔科夫随机场(MRF)的非参数化配准模型充分利用多模态影像的图像信息进行相似性测量,同时考虑了灰度及梯... 详细信息

基于特征匹配的多模态影像配准方法无法达到像素级配准精度要求。本文研究了一种顾及灰度和梯度信息的多模态影像配准算法。基于马尔科夫随机场(MRF)的非参数化配准模型充分利用多模态影像的图像信息进行相似性测量,同时考虑了灰度及梯度统计信息,求解方法上对值空间进行离散化,提高收敛速度。通过3组多模态影像的配准试验,验证了该算法的可行性。试验表明:本文算法的配准效果优于基于人工刺点的多项式模型配准和只考虑灰度信息的多模态影像配准;与此同时,该算法对于较大形变的影像配准也具有一定的适用性。在空间精度方面,平均配准误差小于1个像素,最大配准误差小于2个像素。

关键词：多模态影像梯度信息马尔科夫随机场离散优化非参数化配准

在线全文

学校读者我要写书评

暂无评论

考虑材料和几何构型的环形柔性铰链优化设计

机械工程学报 2017年第9期53卷 46-57页

作者：曹玉岩王志臣周超王文攀中国科学院长春光学精密机械与物理研究所长春130033

柔性铰链已广应用泛于工程中多个领域,为了解决柔性铰链材料及几何构型同时优化的问题,对铰链的力学建模方法及优化设计算法进行了深入研究。根据柔性铰链的特性,即由圆周对称分布的柔性单元组成,将柔性单元简化为超静定梁,应用虚功原... 详细信息

柔性铰链已广应用泛于工程中多个领域,为了解决柔性铰链材料及几何构型同时优化的问题,对铰链的力学建模方法及优化设计算法进行了深入研究。根据柔性铰链的特性,即由圆周对称分布的柔性单元组成,将柔性单元简化为超静定梁,应用虚功原理推导了柔性单元的径向及切向刚度,并根据力平衡条件及变形协调条件,推导铰链的整体刚度,该刚度为材料参数、几何参数及构型的函数。建立铰链的优化设计模型,基于SIMP/RAMP模型,将材料参数表达为人工变量与备选材料参数的组合表达式,铰链的刚度表达为人工变量与不同构型刚度的组合表达式,从而将离散混合整数规划问题转化为连续参数优化问题,使得优化模型可以采用基于梯度的优化算法求解,降低了模型复杂程度且提高了求解效率。对柔性铰链的刚度进行了试验验证,理论结果与试验结果一致。此外,以球面反射镜侧向支撑为例来验证铰链的优化设计模型及算法,结果表明:逐次增大惩罚因子的求解算法使得初始阶段具有较大求解空间,随着惩罚因子增大,人工变量最终趋于0/1值,通过铰链参数及构型优化,使反射镜面形精度较初始设计提高15%左右。

关键词：柔性铰链虚功原理几何构型离散优化连续优化

在线全文

学校读者我要写书评

暂无评论

量子近似优化算法在投资组合优化中的应用

电子科技大学学报 2023年第5期52卷 642-648页

作者：吴涵卿袁淏木陈柄任吴磊李鑫李晓瑜建信金融科技有限责任公司上海浦东区200120 四川元匠科技有限公司成都611730 电子科技大学信息与软件工程学院成都610054

讨论了量子近似优化算法(QAOA)在投资组合优化问题上的应用,而后者在离散的约束条件下是NP难的;介绍了QAOA的基本框架以及相应的投资组合优化问题的建模;阐述了数个可用于解决投资组合优化问题的QAOA方法。通过数值模拟及假设检验比较... 详细信息

讨论了量子近似优化算法(QAOA)在投资组合优化问题上的应用,而后者在离散的约束条件下是NP难的;介绍了QAOA的基本框架以及相应的投资组合优化问题的建模;阐述了数个可用于解决投资组合优化问题的QAOA方法。通过数值模拟及假设检验比较这些方法与经典方法的表现,各量子算法在平均近似比上相较经典方法均有7%以上的提升。

关键词：离散优化投资组合优化量子近似优化算法量子计算

在线全文

学校读者我要写书评

暂无评论

基于深度离散哈希的跨模态检索与应用

基于深度离散哈希的跨模态检索与应用

作者：马健华山东师范大学

学位级别：硕士

互联网技术的发展促进了数据爆炸式增长,如何从极度膨胀的信息中迅速而深入研究,其通过相似度测量来得到与查询数据相关的其他模态检索结果。在众多检索技术中,跨模态哈希检索方法存储消耗更低、检索速度更快,其主要思想是通过将高维特... 详细信息

互联网技术的发展促进了数据爆炸式增长,如何从极度膨胀的信息中迅速而深入研究,其通过相似度测量来得到与查询数据相关的其他模态检索结果。在众多检索技术中,跨模态哈希检索方法存储消耗更低、检索速度更快,其主要思想是通过将高维特征映射到低维汉明空间中实现哈希编码,进而完成检索。然而,当跨越不同模态进行分析时,语义鸿沟和异构鸿沟是必须要面对的两大挑战。此外,哈希方法的二值编码过程是一个NP困难的组合优化问题,采用松弛策略会造成量化误差,采用逐比特优化方式会增加时间复杂度,如何做好两方面的权衡是亟待考虑的问题。因此,本文从保持数据相关性和降低哈希优化损失两方面研究了跨模态哈希检索技术,并把相关思想应用到虚假新闻检测领域,以期将跨模态关联技术扩展到更多实际需要中。具体研究内容概括如下:1、为了促进数据融合以及哈希码的优化,本文提出了一种基于离散融合对抗的跨模态哈希算法,通过将特征提取器、融合学习器和模态判别器集成到深度学习框架中来提升检索性能。在标签信息的监督下,特征提取器负责提取图像和文本数据的高维语义表示,并通过与模态判别器的对抗学习过程来促进不同模态间异构鸿沟的弥合。融合学习器通过离散迭代优化过程将特征二值化,并通过将语义信息嵌入到特征学习和哈希编码过程中提升了跨模态哈希检索性能。2、为了进一步加强模态间语义一致性,本文提出了一种基于多重监督的深度离散跨模态哈希算法,构建了样本间、样本标签间和类间相似性联合监督机制。样本间监督过程通过文本图像间的语义相似度矩阵完成,样本标签间监督过程利用标签和样本间的潜在语义相似关系来实现,类间相似性监督过程通过构建类级标签矩阵和类级哈希码来指导样本级哈希码的学习。此外,类级哈希码和样本级哈希码的离散优化过程通过不同的有针对性的离散策略来完成,保证了哈希码学习的准确度。3、为了提高多模态大数据背景下的假新闻检测准确度,本文提出了一种基于集成学习和多模态融合的假新闻检测算法。受到跨模态检索中对不同模态分析的启发,本文将多模态数据相似度作为检测虚假新闻的指标之一,设计了集文本分类器、图像分类器、图文相似度分类器和图文完整性分类器于一体的多模态假新闻检测模型。四个分类器基于集成学习机制被训练成一个更强的分类器,并通过交叉熵损失函数和中心损失函数的联合优化过程,实现了准确高效的假新闻检测目标。

关键词：跨模态检索哈希学习监督信息离散优化虚假新闻检测