检索结果-南通市图书馆

陈国权合唱改编手法研究及思考—“结构扩展法”的横向分析

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

陈国权合唱改编手法研究及思考—“结构扩展法”的横向分析

作者：芦乔曦海南大学

学位级别：硕士

中国的合唱艺术到了 20世纪中期才算是有了稳定的起步和发展空间,随着改革开放的脚步不断向前,经济不断的发展,时至今日中国的合唱艺术呈现出一片“繁荣”。这种繁荣具体表现在全国合唱团和合唱参与人员的日益提升,一跃成为人员数量上... 详细信息

中国的合唱艺术到了 20世纪中期才算是有了稳定的起步和发展空间,随着改革开放的脚步不断向前,经济不断的发展,时至今日中国的合唱艺术呈现出一片“繁荣”。这种繁荣具体表现在全国合唱团和合唱参与人员的日益提升,一跃成为人员数量上的“合唱大国”、“世界之最”。然而,作品的缺失和风格的单一是中国合唱艺术的短板,表面的繁荣背后却处处体现着对优秀合唱作品的渴望与追求。20世纪末至21世纪初,大量优秀的作曲家投身于合唱的创作和改编的队伍当中来,其中陈国权改编和指挥的作品20多年以来风靡全国,成为许多合唱活动的经典和必选曲目。本文将从陈国权合唱改编的手法的研究作为切入点,通过分析和研究作品的部分片段,整理分析成果、发掘改编手法的风格、改编逻辑、提出相应的研究结论,以达到提供合唱改编学习、参考和借鉴的目的。同时,本人将根据自身分析和指挥陈国权合唱作品的经历,结合合唱指挥经验对于合唱改编的影响,设想高校合唱改编课程建设等发散性的思考,与时俱进,推动合唱艺术的发展,为合唱作品的创作提供新的思考角度。

关键词：合唱改编合唱指挥结构扩展分析运用课程设想

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于对数似然分析的贝叶斯网络结构扩展研究

基于对数似然分析的贝叶斯网络结构扩展研究

作者：孔贺吉林大学

学位级别：硕士

如何建立一个能够用结构来表示隐藏在领域知识内的分类模型是人工智能领域内的一个关键问题。贝叶斯网络（Bayesian networks,BNs）为不确定性背景下的推理提供了一种紧凑直观的图形表示,并已成为许多概率专家系统的基础。然而,学习一... 详细信息

如何建立一个能够用结构来表示隐藏在领域知识内的分类模型是人工智能领域内的一个关键问题。贝叶斯网络（Bayesian networks,BNs）为不确定性背景下的推理提供了一种紧凑直观的图形表示,并已成为许多概率专家系统的基础。然而,学习一个拥有最优的网络拓扑结构的贝叶斯网络已经被证明是NP-hard问题。自从朴素贝叶斯（Naive Bayes,NB）在良好的分类表现和最小时间开销两方面取得优良平衡的巨大成功后,限制性贝叶斯网络分类器（Bayesian network classifiers,BNCs）就受到了许多研究者的关注,并且研究者们提出了很多方法来改进NB。在改进NB的众多方法中,平均一阶依赖估计器（Averaged one-dependence estimators,AODE）取得了优越的分类表现,尽管对应于AODE中的每一个超父属性一阶依赖估计器（Superparent one-dependence estimator,SPODE）的独立性假设在实际情况中很少成立。模型选择和模型加权都已经被认为是用于放松AODE的独立性假设和提高其分类性能的有效且高效的解决办法。与模型选择和模型加权相比,对于改进AODE模型来说,结构扩展更能为逼近隐含在训练数据中的真实概率分布提供一种可靠的方式。在贝叶斯网络分类器的结构学习中,结构扩展通常被用来探索条件依赖而忽略了依赖的方向关系,这会对贝叶斯网络分类器在不确定性下的推理表达能力产生负面影响。目前随着数据规模的不断增长,具有高表达能力和低偏差的鲁棒性AODE模型也是十分急需的。本文引进了对数似然函数用于度量编码在网络拓扑结构中用于描述训练数据的比特数。同时,由于条件对数似然函数具有非对称性,因此其可以衡量属性和其父变量集合之间的方向关系。从对数似然函数角度出发,本文通过识别属性之间的有向依赖关系来向AODE中的超父节点一阶依赖估计器的拓扑结构中增加增广边。本文提出了一种启发式搜索策略用于最大化对数似然函数并且通过探索属性之间更高阶的条件依赖关系来放松AODE模型的独立性假设。本文提出了一种名为平均树增广的一阶依赖估计器（Averaged tree-augmented one-dependence estimators,ATODE）的贝叶斯网络分类器,其结合了生成式学习的高表达能力和判别式学习的低偏差优势。因此,ATODE继承了AODE模型的有效性而且还在建模高阶依赖时获得了更大的灵活性。为了评估ATODE模型的有效性,0-1损失、偏差-方差分解、均方根误差以及它们对应的Friedman检验和Nemenyi检验被用来进行实验比较分析。在36个UCI数据集（属性个数从5到64,实例个数从57到164860）上的实验结果表明,与一系列单模型贝叶斯网络分类器（例如CFWNB和SKDB）和集成型贝叶斯网络分类器（例如TAODE和IWAODE）相比,ATODE可以取得相当的或者更好的分类性能。

关键词：贝叶斯网络分类器对数似然平均一阶依赖估计器结构扩展

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

属性值加权的一依赖估测器模型分类算法研究

计算机工程 2020年第11期46卷 315-320页

作者：余良俊甘胜丰范正薇湖北第二师范学院计算机学院武汉430205 湖北广播电视大学继续教育学院武汉430074

分类问题是数据挖掘和机器学习领域研究的重点问题,贝叶斯网络模型因其简单高效的特点而广泛应用于分类问题。一依赖估测器(ODE)模型作为半监督学习贝叶斯网络模型中的经典模型,受到研究人员的广泛关注。现有的ODE模型分类器在进行分类... 详细信息

分类问题是数据挖掘和机器学习领域研究的重点问题,贝叶斯网络模型因其简单高效的特点而广泛应用于分类问题。一依赖估测器(ODE)模型作为半监督学习贝叶斯网络模型中的经典模型,受到研究人员的广泛关注。现有的ODE模型分类器在进行分类判别时,未考虑不同的属性节点作为根节点时对分类过程的贡献不同,为此,将ODE模型分类器与属性值加权方法相结合并提出MI-ODE算法。采用相互信息(MI)度量属性根节点的属性值与类变量之间的依赖关系并作为ODE模型的权值,对ODE分类器模型进行属性值加权平均。将MI-ODE算法应用于现实分类问题的36个标准数据集,结果表明,相比于NB算法、AODE算法与TAN算法,该算法的分类性能更优。

关键词：贝叶斯网络一依赖估测器分类算法结构扩展属性值加权

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

动词介词化的句法语义机制

语文研究 2014年第1期 15-22页

作者：何洪峰华中科技大学中文系湖北武汉430074

汉语动词介词化的主要机制是结构扩展和去语义化。动宾结构扩展成"V_1·N·V_2"式连动结构,构成了动词介词化的句法结构基础。连动结构中的三个结构成分V_1、N、V_2构成三层句法语义关系:V_1与N、N与V_2、"V_1·N"与V_2。这些结构成分... 详细信息

汉语动词介词化的主要机制是结构扩展和去语义化。动宾结构扩展成"V_1·N·V_2"式连动结构,构成了动词介词化的句法结构基础。连动结构中的三个结构成分V_1、N、V_2构成三层句法语义关系:V_1与N、N与V_2、"V_1·N"与V_2。这些结构成分及句法语义关系之间互相影响、制约,决定V_1的语义是否被"漂白"及其"漂白"的程度,从而决定V_1是否虚化及其虚化程度,即决定V_1是动词、半介词还是介词。这些介词化的句法语义机制及语法化过程,导致汉语介词呈现出一系列语法化特征。

关键词：动词介词化语法化机制结构扩展去语义化语义溢出

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

RAID快速定位与扩展实现算法研究

计算机研究与发展 2007年第Z1期44卷 207-210页

作者：程占民陈培朱平江南计算技术研究所无锡214083 江南计算技术研究所无锡214083 江南计算技术研究所无锡214083

可扩展性是海量存储系统的一个重要特性,但以往在这方面的工作对扩展后的系统的数据块和校验块以及新增的磁盘空间的定位方法研究不够,在前人工作的基础上,提出一种简单快速的RAID系统扩展算法以及统一的定位数据块和校验块的方法.

关键词： RAID 结构扩展定位

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

面向社区发现的图表征学习研究

面向社区发现的图表征学习研究

作者：林晓炜福建师范大学

学位级别：硕士

图是一种广泛存在的数据结构,近几年来越多地应用于数据分析和关系挖掘等领域,其普遍适用性能够灵活地构建各种模型。图表征学习是使用机器学习、深度学习等线性、非线性降维方法从复杂网络中提取特征,把网络结构、节点信息嵌入到另一... 详细信息

图是一种广泛存在的数据结构,近几年来越多地应用于数据分析和关系挖掘等领域,其普遍适用性能够灵活地构建各种模型。图表征学习是使用机器学习、深度学习等线性、非线性降维方法从复杂网络中提取特征,把网络结构、节点信息嵌入到另一个向量空间中得到低维的特征向量表示。这样的低维表征蕴含了图的结构信息,可用于节点分类、链路预测和社区发现等下游任务。由于图结构的任意性,需要从不同的视角构建图表征学习模型,如注重于节点连接关系的方法,或是以流形学习的方式嵌入节点的表征。基于诸多图表示学习方法的基础上,本文对非负矩阵的社区发现算法和注意力图卷积神经网络进行研究。非负矩阵分解相对于谱分解方法有效率高的优势,但图表征容易受到梯度下降优化算法的随机性和输入矩阵的影响。另一方面,由于图结构的任意性,其维度一致性、节点采样等影响卷积、注意力等表征学习的核心机制,增加了图表征的复杂程度。良好的图表征学习模型还需要考虑图数据的规模大小、图数据的多样性等问题,这些问题给模型的能力、效率和适用性带来很多挑战,本文的研究工作有:1.针对非负矩阵分解的社区发现算法存在的节点表征不佳、局部特征不易拟合的问题,提出结构扩展的非负矩阵分解社区发现算法(nonnegative matrix factorization with structure extension,NMF-SE),通过结构扩展,加强相邻节点结构相似性,提高节点间连接的稠密度,从而提高非负矩阵分解在社区发现中的表现。结构扩展引入了图卷积中的信息传递的概念,其过程是使节点将自身结构以一定的比例传递给周围的节点,从而使相邻节点间能够得到对方的拓扑结构信息,改善节点的表征,使非负矩阵分解更好地适用于社区发现。在人工网络和真实网络上的社区发现结果表明,NMF-SE算法能更好地融合先验信息,有效提高了复杂网络社区发现的准确性。2.针对图上的注意力机制运算效率较低和采样节点导致的复杂性问题,提出信息聚合门控注意力机制。该机制利用节点相似性和流形分布特性,在非采样条件下实现邻域节点的注意力共享,极大提高图上注意力运算效率,解决了采样方式带来的数据冗余问题和运算冗余问题。信息聚合门控注意力机制采用逻辑回归函数来计算节点间的注意力,优化了图上传统的采样式的注意力运算方式,避免额外的采样节点的注意力运算,充分发挥图上注意力局部性表征和多头注意力表征特性。3.提出信息聚合门控注意力图神经网络(Information Aggregation Gated Attention Graph Neural Network,IAGAGNN),通过并行化稀疏矩阵图卷积和利用高效的聚合函数嵌入邻域节点,把信息聚合门控注意力和图卷积有机融合,显著提升模型效率与模型能力。IAGAGNN能够动态地为节点和邻域节点分配不同的权重来进行信息传递,提高了模型的灵活性与表征能力。实验表明,该模型在Transductive任务、Inductive任务和最新的图数据基准上等多种任务、多样的图数据集中都取得很好的性能表现,与最高水平方法相比提高了节点预测精度,还兼具模型泛用性优势。另外,通过对注意力系数的统计和节点社区分布的可视化,提供了进一步揭示节点、社区之间潜在关系的能力。

关键词：图表征学习社区发现非负矩阵分解结构扩展图卷积门控注意力信息聚合信息传递

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于属性选择的朴素贝叶斯分类研究与应用

基于属性选择的朴素贝叶斯分类研究与应用

作者：杜婷中国科学技术大学

学位级别：硕士

贝叶斯分类方法能够较好地处理各种数据类型,随着中医诊断在规范化和量化方面的进步,越来越多的学者将贝叶斯分类方法应用在中医诊断中。朴素贝叶斯分类算法(NBC)作为其经典算法之一,具有结构简单、计算高效的优点。但NBC基本条件独立... 详细信息

贝叶斯分类方法能够较好地处理各种数据类型,随着中医诊断在规范化和量化方面的进步,越来越多的学者将贝叶斯分类方法应用在中医诊断中。朴素贝叶斯分类算法(NBC)作为其经典算法之一,具有结构简单、计算高效的优点。但NBC基本条件独立性的假设,限制了其使用范围;另外,随着数据量的增大,在实际数据集中常存在一些冗余属性,降低了NBC的学习效率和分类性能。为了更好地适应实际需求,本文以NBC为基本对象,从属性选择、属性加权和结构扩展三个方而对NBC进行改进,并将改进后的模型应用到不孕症中医诊断问题中,通过实验验证了其有效性和准确性。首先,为提高分类准确率,本文提出一种基于 KL距离与分裂信息的属性权值计算方法,并将此权值作为隐朴素贝叶斯模型(HNB)中属性的加权系数,提出一种改进的加权隐朴素贝叶斯分类算法(WHNBC)。实验结果表明了与其他分类算法相比,WHNBC算法提高了分类准确率,这也从侧面验证了本文提出的属性权值计算方法的正确性和有效性。其次,针对实际应用数据中存在冗余或无关属性的问题,本文在基于相关的属性选择算法基础上引入了Pearson相关系数和属性之间相关度方差的概念,提出了VCFSPabs属性选择算法。实验结果验证了该算法可以有效地去除冗余属性并获得良好的属性子集。然后,在属性子集和WHNBC算法的基础上,本文提出了一种基于属性选择的改进加权隐朴素贝叶斯分类模型(AS-WHNB),该模型主要由属性选择、属性权值计算以及模型的分类训练三部分组成。其中,在模型分类训练部分,我们将属性选择部分获得的属性子集,进一步划分为强属性子集和弱属性子集,并在两个子集上分别采用WHNBC模型和NBC模型进行训练。实验结果表明,当属性数目较多时,AS-WHNB分类模型不仅提高了分类准确率,还有效地降低了分类消耗时间。最后,我们对临床采集的不孕症数据集进行预处理,并将NB、C4.5、TAN、 AODE、WHNBC算法以及AS-WHNB分类模型应用到不孕症中医诊断问题中。对比并分析实际的实验结果可以发现,AS-WHNB分类模型具有较好的分类性能,这表明本文提出的AS-WHNB分类模型为不孕症中医诊断建模提供了一种好的思路和方法。

关键词：不孕症中医诊断分类算法朴素贝叶斯加权系数属性选择结构扩展

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于贝叶斯网络的文本分类算法研究

基于贝叶斯网络的文本分类算法研究

作者：王沙沙中国地质大学

学位级别：硕士

分类是数据挖掘中一项非常重要的任务,在现实生活中有着广泛的应用。文本分类是文本挖掘中的一类问题,是基于文本内容将类别未知的文本划分到一个或多个预先定义好的类中的方法。并且随着Internet的飞速发展,从庞大的文本数据中获取自... 详细信息

分类是数据挖掘中一项非常重要的任务,在现实生活中有着广泛的应用。文本分类是文本挖掘中的一类问题,是基于文本内容将类别未知的文本划分到一个或多个预先定义好的类中的方法。并且随着Internet的飞速发展,从庞大的文本数据中获取自己想要的数据信息或者对文本数据进行预测已经成为一个热门话题。目前,常用的分类模型主要有贝叶斯网络、决策树、支持向量机、人工神经网络等。朴素贝叶斯模型是贝叶斯网络中最简单有效的模型,该模型忽略属性之间的相互依赖关系,假设属性和属性之间是条件相互独立的,且因其在分类速度与精度上的出色表现被应用到许多领域,其中文本分类就是一个典型应用。相比较于传统的数据挖掘问题,文本分类问题面临的数据具有高维性、连续性、稀疏性等特点。而朴素贝叶斯模型以其简单性、高效性和易理解性被广泛应用于文本分类问题,目前已存在大量基于朴素贝叶斯模型的文本分类方法,其中伯努利朴素贝叶斯文本分类算法(BNB)是最先将朴素贝叶斯模型拓展到文本分类领域的方法,基于该突破出现了多项式朴素贝叶斯文本分类算法(MNB)、补集朴素贝叶斯文本分类算法(CNB)、OVA文本分类算法等基础算法。并且随着朴素贝叶斯模型改进方法的不断出现,基于该模型的文本分类模型也出现了大量的改进算法。这种通过模型拓展将朴素贝叶斯改进模型应用于文本自动分类的方法,使得大规模文本挖掘得到空前发展。为了削弱朴素贝叶斯文本分类模型的属性条件独立假设,目前的研究主要通过处理属性、处理实例、扩展结构三个方向进行改进。本文分别从这三个方向展开研究,提出了三种改进的多项式朴素贝叶斯模型：基于CFS属性加权的多项式朴素贝叶斯、多项式朴素贝叶斯树、结构扩展的多项式朴素贝叶斯。本文的最主要的贡献包括：1)详细介绍了朴素贝叶斯模型及其存在的问题和解决办法。综述了各种现有的朴素贝叶斯文本分类模型,并针对多项式模型介绍了几种典型的改进模型。2)给出了学习属性加权的朴素贝叶斯文本分类模型的算法框架,综述了改进朴素贝叶斯文本分类模型的属性加权方法,提出了一种基于CFS属性加权的多项式朴素贝叶斯文本分类模型。该模型通过加大被选择属性的权值来提升模型的精度,不仅在分类时考虑了属性的权值信息,而且首次在条件概率中加入了属性的权值信息。3)给出了学习朴素贝叶斯树本分类模型的算法框架,提出了一种多项式朴素贝叶斯树文本分类模型。该模型首次将经典的朴素贝叶斯树模型拓展到文本分类领域,解决了模型拓展的几个主要问题,同时为了进一步提升模型的精度,结合多类学习技术提出了一种基于多类学习的多项式朴素贝叶斯树模型。4)给出了学习结构扩展的朴素贝叶斯文本分类模型的算法框架,综述了改进朴素贝叶斯的结构扩展方法,提出了一种结构扩展的多项式朴素贝叶斯文本分类模型,该模型受平均一依赖估测器(AODE)及其加权改进模型(WAODE)的启发,首次将结构扩展方法应用于朴素贝叶斯文本分类模型的改进,同时巧妙地将结构扩展方法带来的空间消耗转换为较小的时间消耗。

关键词：文本分类朴素贝叶斯属性加权决策树结构扩展

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

加权的贝叶斯网络分类算法研究及应用

加权的贝叶斯网络分类算法研究及应用

作者：王狄湖北师范大学

学位级别：硕士

数据挖掘是从大量数据中提取有价值信息和知识的过程,分类是数据挖掘中的一个关键任务,在现实生活中具有广泛的应用。贝叶斯算法作为一种基于概率推理的机器学习方法,在解决分类问题上具有较好的性能,在近年来备受关注。贝叶斯网络是在... 详细信息

数据挖掘是从大量数据中提取有价值信息和知识的过程,分类是数据挖掘中的一个关键任务,在现实生活中具有广泛的应用。贝叶斯算法作为一种基于概率推理的机器学习方法,在解决分类问题上具有较好的性能,在近年来备受关注。贝叶斯网络是在贝叶斯算法基础上发展而来的,它引入了概率图模型的概念,可以清晰地表示变量之间的依赖关系,但构建和训练贝叶斯网络需要大量数据和复杂的计算。为了简化这一过程并减少计算负担,学者们提出了朴素贝叶斯。朴素贝叶斯简单、高效、鲁棒,是十大数据挖掘算法之一。然而,朴素贝叶斯分类器假设在给定类别的情况下,每个特征之间是相互独立的。但是这个假设在实际情况中往往不成立,这也在很大程度上影响了它的分类性能。为了改进朴素贝叶斯分类器的分类性能,研究者们主要从五个方向对其进行了改进,包括:结构扩展、属性加权、属性选择、实例加权、实例选择。结构扩展方法是五大改进朴素贝叶斯的方法之一,该方法能有效提高朴素贝叶斯分类器的分类性能,其中平均单依赖估测器(Averaged One-Dependence Estimators,AODE)和隐朴素贝叶斯(Hidden Naive Bayes,HNB)都是朴素贝叶斯的结构扩展模型。目前对于朴素贝叶斯分类器的研究主要从以上五个方向进行,但是研究主要集中在单一方向,而很少将多种方法结合进行混合建模来改进。针对以上不足,本文在结构扩展的基础上,进行了实例加权和属性加权的方法研究,提出了实例和属性加权的单依赖估测器(Instance and Attribute Weighted One-Dependence Estimators,IAWODE)算法和实例加权的隐朴素贝叶斯(Instance Weighted Hidden Naive Bayes,IWHNB)算法。为了探讨新算法在教育领域的实际应用价值,本文将提出的两种算法应用到了教师教学能力AI测评数据集中,以探讨其在实际的教学场景中的应用效果。综上所述,本论文的主要贡献和创新点如下:1)基于单依赖估测器进行了实例和属性加权的改进,首先通过实例加权将实例的权值嵌入到条件概率的计算中,然后使用属性加权方法将求得的属性的权值嵌入到分类器的分类公式中。该方法综合考虑了不同实例和不同属性对实验结果的影响,更好地提升了朴素贝叶斯分类器的分类性能。改进后的IAWODE通过基于属性值频率的实例加权方法和基于信息增益的属性加权方法,更全面地处理了不同实例和属性的权重分配。2)基于隐朴素贝叶斯进行了实例加权的改进,并将求得的实例的权值嵌入到条件概率的计算中。在计算实例权值时,本文根据训练实例集的众数和各个训练实例的相似度来计算每个实例的权值。众数更能代表实例集的共性,而相似度则考虑了个别实例的差异性。通过考虑不同实例对于实验结果的影响从而提高HNB算法的分类性能。3)新算法应用于教育领域:为了验证本文所提算法在实际场景中的应用价值,本文将所提的两种算法应用于教师教学能力AI测评数据集。通过对教师视线分布占比、课堂走动轨迹等多项特征进行模型训练和验证,得到了令人满意的性能表现。本文还将他们与常用于教学能力评估的算法如决策树、BP神经网络、NB等进行了对比,对比结果显示了他们在教学评估上表现更加出色。通过在实际的教学场景中验证算法的性能,本文为IAWODE算法和IWHNB算法的实用性提供了有力支持。

关键词：属性加权实例加权结构扩展信息增益属性值频率