检索结果-南通市图书馆

北宋定窑茶叶末釉的微观结构与矿物形态学研究

在线全文

学校读者我要写书评

暂无评论

岩矿测试 2025年第1期44卷 115-126页

作者：徐建业王富芳梁汉东李展平煤炭精细勘探与智能开发全国重点实验室北京100083 中国矿业大学(北京)地球科学与测绘工程学院北京100083 清华大学分析中心北京100084 清华大学化学系有机光电子与分子工程教育部重点实验室北京100084

茶叶末釉古瓷作为最早出现的结晶釉之一,开展深入研究可明确其矿物晶体特征、呈色机理以及古代烧制工艺,丰富古陶瓷数据库。目前相关研究多来源于二十世纪末,样本稀少且囊括的年代和窑口严重不足,所用科学仪器多已淘汰,亟需更多实验分... 详细信息

茶叶末釉古瓷作为最早出现的结晶釉之一,开展深入研究可明确其矿物晶体特征、呈色机理以及古代烧制工艺,丰富古陶瓷数据库。目前相关研究多来源于二十世纪末,样本稀少且囊括的年代和窑口严重不足,所用科学仪器多已淘汰,亟需更多实验分析与数据支撑。本文采用光学显微镜(OM)、激光剥蚀电感耦合等离子体质谱(LA-ICP-MS)、扫描电镜-能谱(SEM-EDS)、激光共聚焦拉曼光谱(LRS)、飞行时间二次离子质谱(ToF-SIMS)等现代科学仪器对北宋定窑茶叶末釉样本中矿物晶体开展了分析和表征。结果表明,釉中主晶相与辽金龙泉务窑一致,为钙长石和辉石;釉面整体表现为酱-黑色釉基质富铁(Fe2O3含量均值9.73%)和矿物结晶富铁(Fe2O3含量均值11.33%),除α-Fe2O3和Fe3O4晶体等熔后重结晶矿物,还有铁镁尖晶石、残余高岭石等未融熔矿物,反演出制釉原料中有镁的加入以及烧成温度可能低于1200℃,异于前人高温烧制的观点。SIMS离子成像揭示了胎釉交界处为厚约20~80μm的钙长石晶体层,而非化妆土或玻璃态的致密反应层。研究揭示了茶叶末古瓷中Fe元素不均匀富集,部分区域过饱和而析出含铁矿物晶体,釉面颜色则主要由黄褐色的矿物晶体斑点和酱-黑色玻璃基质共同组成,同时ToF-SIMS在古瓷微区原位的形貌结构和元素分析上效果显著,能够辨别钙长石、碱性长石等微米级矿物。

关键词：茶叶末瓷矿物元素成像 ToF-SIMS LA-ICP-MS

ADIC:一种面向可解释图像识别的自适应解纠缠CNN分类器

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

计算机研究与发展 2023年第8期60卷 1754-1767页

作者：赵小阳李仲年王文玉许新征中国矿业大学计算机学院江苏徐州221116 中国矿业大学教育部矿山数字化工程研究中心江苏徐州221116

近年来,卷积神经网络(convolutional neural network,CNN)作为一种典型的深度神经网络模型,在图像识别、目标检测和语义分割等计算机视觉领域中取得了令人瞩目的成效.然而,CNN端到端的学习模式使其隐藏层的逻辑关系以及模型决策结果难... 详细信息

近年来,卷积神经网络(convolutional neural network,CNN)作为一种典型的深度神经网络模型,在图像识别、目标检测和语义分割等计算机视觉领域中取得了令人瞩目的成效.然而,CNN端到端的学习模式使其隐藏层的逻辑关系以及模型决策结果难以被解释,这限制了其推广应用.因此,研究可解释的CNN具有重要意义和应用价值.为了使CNN的分类器具有可解释性,近年来涌现出了很多在CNN架构中引入基础概念作为插入式成分的研究.事后概念激活向量方法以基础概念为表现形式,用于分析预训练的模型,但依赖独立于原始模型的额外的分类器,解释结果可能并不符合原始模型逻辑.另外,现有的一些基于概念的事前可解释方法对于CNN潜在分类空间中的概念处理太过绝对.引入图卷积网络模块,设计了一种类内概念图编码器(within-class concepts graphs encoder, CGE)学习类内基础概念及其潜在交互.在CGE基础上,设计实现不同依赖关系的基础概念不同程度解纠缠的正则化项,提出了潜在空间自适应解纠缠的可解释CNN分类器(adaptive disentangled interpretable CNN classifier, ADIC).将ADIC嵌入ResNet-18和ResNet-50架构,在Mini-ImageNet和Places365数据集上的分类实验和可解释图像识别实验结果表明,ADIC在保证基准模型具有自解释能力的前提下,可以进一步提高基准模型的精度.

关键词：卷积神经网络可解释性类别基础概念解纠缠图卷积网络

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

在线全文

学校读者我要写书评

暂无评论

北京邮电大学学报 2020年第5期43卷 9-14页

作者：蒲悦逸王文涵朱强陈朋朋中国矿业大学计算机科学与技术学院徐州221116 中国矿业大学矿山数字化教育部工程研究中心徐州221116

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络(CNN)、残差神经单元(Res Net)和长短期记忆循环神经网络(LSTM)集成到一个端到端的网络框架.利用卷积神经... 详细信息

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络(CNN)、残差神经单元(Res Net)和长短期记忆循环神经网络(LSTM)集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.

关键词：短时交通流量预测深度学习长短期记忆循环神经网络卷积神经网络

面向Kullback-Leibler散度不确定集的正则化线性判别分析

在线全文

学校读者我要写书评

暂无评论

自动化学报 2022年第4期48卷 1033-1047页

作者：梁志贞张磊中国矿业大学计算机科学与技术学院徐州221116 中国矿业大学矿山数字化教育部工程研究中心徐州221116

线性判别分析是一种统计学习方法.针对线性判别分析的小样本奇异性问题和对污染样本敏感性问题,目前许多线性判别分析的改进算法已被提出.本文提出了基于Kullback-Leibler(KL)散度不确定集的判别分析方法.提出的方法不仅利用了Ls范数定... 详细信息

线性判别分析是一种统计学习方法.针对线性判别分析的小样本奇异性问题和对污染样本敏感性问题,目前许多线性判别分析的改进算法已被提出.本文提出了基于Kullback-Leibler(KL)散度不确定集的判别分析方法.提出的方法不仅利用了Ls范数定义类间距离和Lr范数定义类内距离,而且对类内样本和各类中心的信息进行基于KL散度不确定集的概率建模.首先通过优先考虑不利区分的样本提出了一种正则化对抗判别分析模型并利用广义Dinkelbach算法求解此模型.这种算法的一个优点是在适当的条件下优化子问题不需要取得精确解.投影(次)梯度法被用来求解优化子问题.此外,也提出了正则化乐观判别分析并采用交替优化技术求解广义Dinkelbach算法的优化子问题.许多数据集上的实验表明了本文的模型优于现有的一些模型,特别是在污染的数据集上,正则化乐观判别分析由于优先考虑了类中心附近的样本点,从而表现出良好的性能.

关键词：判别分析 KL散度不确定集正则化数据分类

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

基于无监督表征学习的深度聚类研究进展

模式识别与人工智能 2022年第11期35卷 999-1014页

作者：侯海薇丁世飞徐晓中国矿业大学计算机科学与技术学院徐州221116 中国矿业大学矿山数字化教育部工程研究中心徐州221116

在大数据时代,数据通常具有规模大、维度高、结构复杂的特点,深度聚类利用深度学习结合表征学习与聚类任务,大幅提高聚类在大规模高维数据中的性能.现有文献少有着重从表征学习的角度归纳和分析目前深度聚类的发展概况,也未通过实验分... 详细信息

在大数据时代,数据通常具有规模大、维度高、结构复杂的特点,深度聚类利用深度学习结合表征学习与聚类任务,大幅提高聚类在大规模高维数据中的性能.现有文献少有着重从表征学习的角度归纳和分析目前深度聚类的发展概况,也未通过实验分析传统聚类算法、深度聚类算法及不同深度聚类算法之间的差异.因此,文中首先基于无监督表征学习,简要整理深度聚类中常用的聚类算法,重点将深度聚类算法分成基于生成模型的深度聚类与基于判别模型的深度聚类,分析聚类任务中各深度模型的表征学习过程.然后,通过实验对比分析多类算法,归纳总结优缺点,便于开展针对具体任务中的算法选择.最后,为了深度聚类的进一步发展,描述其应用场景,并讨论未来的发展趋势.

关键词：神经网络表征学习深度聚类无监督学习损失函数

基于StarGAN和类别编码器的图像风格转换

在线全文

学校读者我要写书评

暂无评论

软件学报 2022年第4期33卷 1516-1526页

作者：许新征常建英丁世飞中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

图像风格转换技术已经融入到人们的生活中,并被广泛应用于图像艺术化、卡通化、图像着色、滤镜处理和去遮挡等实际场景中,因此,图像风格转换具有重要的研究意义与应用价值.StarGAN是近年来用于多域图像风格转换的生成对抗网络框架.Star... 详细信息

图像风格转换技术已经融入到人们的生活中,并被广泛应用于图像艺术化、卡通化、图像着色、滤镜处理和去遮挡等实际场景中,因此,图像风格转换具有重要的研究意义与应用价值.StarGAN是近年来用于多域图像风格转换的生成对抗网络框架.StarGAN通过简单地下采样提取特征,然后通过上采样生成图片,但是生成图片的背景颜色信息、人物脸部的细节特征会与输入图像有较大差异.对StarGAN的网络结构进行改进,通过引入U-Net和边缘损失函数,提出了用于图像风格转换的UE-StarGAN模型.同时,将类别编码器引入到UE-StarGAN模型的生成器中,构建了融合类别编码器的小样本图像风格转换模型,实现了小样本的图像风格转换.实验结果表明:该模型可以提取到更精细的特征,在小样本的情况下具有一定的优势,以此进行图像风格转换后的图片无论是定性分析还是定量分析都有一定的提升,验证了所提模型的有效性.

关键词：图像风格转换生成对抗网络 StarGAN U-Net 类别编码器

在线全文

学校读者我要写书评

暂无评论

随机配置网络研究进展

软件学报 2024年第5期35卷 2379-2399页

作者：张成龙丁世飞郭丽丽张健中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

随机配置网络(stochastic configuration network,SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化... 详细信息

随机配置网络(stochastic configuration network,SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化能力强等优点,自2017年提出以来,SCN吸引了大量国内外学者的研究兴趣,得到了快速的推广和发展.从SCN的基础理论、典型算法变体、应用领域以及未来研究方向等方面切入,全面地概述SCN研究进展.首先,从理论的角度分析SCN的算法原理、通用逼近性能及其优点;其次,重点研究深度SCN、二维SCN、鲁棒SCN、集成SCN、分布式并行SCN、正则化SCN等典型变体;随后介绍SCN在硬件实现、计算机视觉、医学数据分析、故障检测与诊断、系统建模预测等不同领域的应用进展;最后指出SCN在卷积神经网络架构、半监督学习、无监督学习、多视图学习、模糊神经网络、循环神经网络等研究方向的发展潜力.

关键词：随机配置网络神经网络深度学习随机化学习研究进展

基于混合词向量深度学习模型的DGA域名检测方法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2020年第2期57卷 433-446页

作者：杜鹏丁世飞中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

域名生成算法(domain generation algorithm,DGA)是域名检测中防范僵尸网络攻击的重要手段之一,对于生成威胁情报、阻断僵尸网络命令与控制流量、保障网络安全有重要的实际意义.近年来,DGA域名检测技术从依靠手工提取特征发展到自动提... 详细信息

域名生成算法(domain generation algorithm,DGA)是域名检测中防范僵尸网络攻击的重要手段之一,对于生成威胁情报、阻断僵尸网络命令与控制流量、保障网络安全有重要的实际意义.近年来,DGA域名检测技术从依靠手工提取特征发展到自动提取特征的基于深度学习模型的方法,在DGA域名检测任务中取得了较大的进展.但对于不同僵尸网络家族的DGA域名的多分类任务,由于家族种类多,且各家族域名数据存在不平衡性,因此许多已有的深度学习模型在DGA域名的多分类任务上仍有提高空间.针对以上挑战,设计了基于字符和双字母组级别的混合词向量,以提高域名字符串的信息利用度,并设计了基于混合词向量方法的深度学习模型.最后设计了包含多种对比模型的实验,对混合词向量的有效性进行验证.实验结果表明基于混合词向量的深度学习模型在DGA域名检测与分类任务中相比只基于字符级词向量的模型有更好的分类性能,特别是在小样本的DGA域名类别上的分类性能更优,证明了该模型的有效性.

关键词：域名生成算法混合词向量深度学习卷积神经网络长短期记忆网络

在线全文

学校读者我要写书评

暂无评论

弱监督场景下的支持向量机算法综述

计算机学报 2024年第5期47卷 987-1009页

作者：丁世飞孙玉婷梁志贞郭丽丽张健徐晓中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

支持向量机(Support Vector Machine,SVM)是一种建立在结构风险最小化原则上的统计学习方法,以其在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是一种监督学习算法,它旨在利用大量... 详细信息

支持向量机(Support Vector Machine,SVM)是一种建立在结构风险最小化原则上的统计学习方法,以其在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是一种监督学习算法,它旨在利用大量的、唯一且明确的真值标记样本来训练学习器,在不完全监督、不确切监督以及多义监督等弱监督场景下难以取得较好的效果.本文首先阐述了弱监督场景的概念和SVM的相关理论,然后从弱监督场景角度出发,系统地梳理了目前SVM算法的研究现状和发展,包括基于半监督学习、多示例学习以及多标记学习的方法;其中基于半监督学习的方法根据数据假设可细分为基于聚类假设和基于流形假设的方法,基于多标记学习的方法根据解决方案可细分为基于示例水平空间、基于包水平空间以及基于嵌入空间的方法,基于多标记学习的方法根据处理思路可细分为基于问题转换和基于算法自适应的方法;随后,本文总结了部分代表性算法在公开数据集上的实验结果;最后,探讨并展望了未来可能的研究方向.

关键词：弱监督场景支持向量机半监督学习多示例学习多标记学习