检索结果-南通市图书馆

维普期刊数据库博看期刊

基于深度强化学习的多用户计算卸载优化模型和算法

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2024年第4期46卷 1321-1332页

作者：李志华余自立江南大学人工智能与计算机学院无锡214122

在移动边缘计算(MEC)密集部署场景中,边缘服务器负载的不确定性容易造成边缘服务器过载,从而导致计算卸载过程中时延和能耗显著增加。针对该问题,该文提出一种多用户计算卸载优化模型和基于深度确定性策略梯度(DDPG)的计算卸载算法。首... 详细信息

在移动边缘计算(MEC)密集部署场景中,边缘服务器负载的不确定性容易造成边缘服务器过载,从而导致计算卸载过程中时延和能耗显著增加。针对该问题,该文提出一种多用户计算卸载优化模型和基于深度确定性策略梯度(DDPG)的计算卸载算法。首先,考虑时延和能耗的均衡优化建立效用函数,以最大化系统效用作为优化目标,将计算卸载问题转化为混合整数非线性规划问题。然后,针对该问题状态空间大、动作空间中离散和连续型变量共存,对DDPG深度强化学习算法进行离散化改进,基于此提出一种多用户计算卸载优化方法。最后,使用该方法求解非线性规划问题。仿真实验结果表明,与已有算法相比,所提方法能有效降低边缘服务器过载概率,并具有很好的稳定性。

关键词：移动边缘计算计算卸载深度强化学习资源分配

在线全文

学校读者我要写书评

暂无评论

特征扩展的随机向量函数链神经网络

软件学报 2024年第6期35卷 2903-2922页

作者：龙茂森王士同江南大学人工智能与计算机学院江苏无锡214122

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的... 详细信息

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

关键词：宽度学习系统模糊推理系统特征扩展随机向量函数链神经网络(RVFLNN) Sigmoid激活函数可解释

基于全流程并行遗传算法的贝叶斯网络结构学习

在线全文

学校读者我要写书评

暂无评论

系统工程与电子技术 2024年第5期46卷 1703-1711页

作者：蔡一鸣马力陆恒杨方伟江南大学人工智能与计算机学院江苏无锡214122

为解决海量数据情况下学习贝叶斯网络(Bayesian network,BN)结构的算法性能急剧降低问题,基于Spark框架设计了一种全流程并行遗传算法用于BN结构学习(简称为SparkGA-BN)。SparkGA-BN包含互信息计算并行化、遗传算子并行化和适应度评分... 详细信息

为解决海量数据情况下学习贝叶斯网络(Bayesian network,BN)结构的算法性能急剧降低问题,基于Spark框架设计了一种全流程并行遗传算法用于BN结构学习(简称为SparkGA-BN)。SparkGA-BN包含互信息计算并行化、遗传算子并行化和适应度评分并行化3个部分。互信息并行计算可以高效减少搜索空间;在演化前增加对种群信息与选择信息的广播来对全种群执行选择操作。选择与交叉算子共用选择信息以并行执行,从而高效演化并减少数据落盘时间。对约束和评分两阶段产生的中间数据作记忆化存储,提升数据复用率和全局执行效率。实验结果表明,所提算法在执行效率和学习准确率方面均优于对比算法。

关键词：贝叶斯网络结构学习遗传算法并行结构学习 Spark

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

采用快速迁移模型的集成特征选择方法

计算机科学与探索 2024年第2期18卷 496-505页

作者：宁保斌王士同江南大学人工智能与计算机学院江苏无锡214122

相较于传统集成特征选择方法,目前的基于块正则化m×2交叉验证的集成特征选择方法(EFSBCV)不仅具有估计量的方差小于随机m×2交叉验证的方差之特点,而且提高了重要特征的入选概率,降低了噪声特征的入选概率。但EFSBCV所采用的线性回归... 详细信息

相较于传统集成特征选择方法,目前的基于块正则化m×2交叉验证的集成特征选择方法(EFSBCV)不仅具有估计量的方差小于随机m×2交叉验证的方差之特点,而且提高了重要特征的入选概率,降低了噪声特征的入选概率。但EFSBCV所采用的线性回归模型因只有误差项而不包含偏置项,故拟合出来的超平面总是过原点的,因而很容易导致欠拟合,而且EFSBCV没有考虑每个特征子集的重要程度。针对EFSBCV方法存在的这两点问题,提出了基于快速迁移模型的集成特征选择方法(EFSFT)。基本思想是EFSBCV中的基特征选择器采用提出的快速迁移模型,从而引入了偏置项,EFSFT将2m个特征子集作为源知识进行迁移,然后重新量化每个特征子集的权重,加入偏置项的线性模型拟合能力更好。真实数据实验表明,EFSFT相对于EFSBCV,FP平均值降低了58%,证明EFSFT在去除噪声特征方面更具优势。EFSFT相对于最小二乘支持向量机(LSSVM),TP平均值提高了5%,证明EFSFT在筛选重要特征方面更具优势。

关键词：集成特征选择交叉验证迁移学习回归

改进YOLOv8的道路交通标志目标检测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第8期60卷 202-212页

作者：田鹏毛力江南大学人工智能与计算机学院江苏无锡214122

虽然,当前检测技术日趋成熟,但对于复杂环境下的小目标检测仍然是研究的重难点。针对道路交通场景中普遍存在的交通标志小目标比例较高,环境干扰因素较大的问题,提出了一种基于YOLOv8改进的道路交通标志目标检测算法。由于小目标检测中... 详细信息

虽然,当前检测技术日趋成熟,但对于复杂环境下的小目标检测仍然是研究的重难点。针对道路交通场景中普遍存在的交通标志小目标比例较高,环境干扰因素较大的问题,提出了一种基于YOLOv8改进的道路交通标志目标检测算法。由于小目标检测中容易出现漏检的现象,利用BRA(bi-level routing attention)注意力机制提高网络对小目标的感知能力。此外,还利用可形变卷积模块DCNv3(deformable convolution v3),针对特征图中的不规则形状具有更好的特征提取能力,使骨干网络更好地适应不规则的空间结构,更精准地关注重要目标,从而提高模型对遮挡重叠目标的检测能力。DCNv3和BRA模块均在基本不增加模型权重大小的情况下提高模型准确性。同时引入基于辅助边框的Inner-IOU损失函数。在RoadSign、CCTSDB、TSDD、GTSDB四个数据集上,分别进行了小样本训练、大样本训练、单目标检测和多目标检测,实验结果均有所提高。其中,在RoadSign数据集上的实验结果最佳,YOLOv8改进模型的均值平均精度mAP50与mAP50:95分别达到了90.7%和75.1%,相较于基线模型,mAP50与mAP50:95分别提升了5.9和4.8个百分点。实验结果表明,YOLOv8改进模型有效地实现了在复杂道路场景下的交通标志检测。

关键词： YOLOv8 小目标检测可形变卷积注意力机制复杂道路场景

在线全文

学校读者我要写书评

暂无评论

带有惩罚措施的自竞争事后经验重播算法

计算机科学与探索 2024年第5期18卷 1223-1231页

作者：王子豪钱雪忠宋威江南大学人工智能与计算机学院江苏无锡214122

自竞争事后经验重播(SCHER)是在事后经验重播(HER)算法的基础上提出的一种改进策略。HER算法在面对环境奖励稀疏的情况下,通过回放经验生成虚拟有标签数据来优化模型。但HER算法存在两个问题:一是无法处理智能体由于奖励稀疏所产生的大... 详细信息

自竞争事后经验重播(SCHER)是在事后经验重播(HER)算法的基础上提出的一种改进策略。HER算法在面对环境奖励稀疏的情况下,通过回放经验生成虚拟有标签数据来优化模型。但HER算法存在两个问题:一是无法处理智能体由于奖励稀疏所产生的大量重复数据,这些无效数据会对经验池造成污染;二是虚拟目标可能会随机选择到一些对完成任务没有帮助的中间状态,导致学习偏差。针对这些问题,SCHER算法提出了两个改进策略:一是增加自适应的奖励信号,对智能体做出的无意义动作进行惩罚,使其快速规避此类操作;二是使用自竞争策略,通过竞争产生针对同一任务下的两组不同数据,对比分析后找到使智能体在不同环境中成功的关键步骤,提高生成虚拟目标的准确程度。实验结果表明,SCHER算法可以更好地利用经验回放技术,将平均任务成功率提高5.7个百分点,拥有更高的准确率和泛化能力。

关键词：深度强化学习稀疏奖励经验回放自适应奖励信号

在线全文

学校读者我要写书评

暂无评论

多样性诱导和正交非负图重构的多视图聚类

计算机科学与探索 2024年第10期18卷 2750-2761页

作者：王茜周世兵杨明瑞宋威江南大学人工智能与计算机学院江苏无锡214122

基于图学习的多视图聚类算法由于其简单高效的特点,近年来受到了广泛关注。现有的多视图聚类算法大多只考虑每个视图的一致性,忽略了不同视图间的多样性,而且这些方法直接从原始数据点学习相似图,不能显示出清晰的聚类结构和准确提取数... 详细信息

基于图学习的多视图聚类算法由于其简单高效的特点,近年来受到了广泛关注。现有的多视图聚类算法大多只考虑每个视图的一致性,忽略了不同视图间的多样性,而且这些方法直接从原始数据点学习相似图,不能显示出清晰的聚类结构和准确提取数据集底层信息。为了解决上述问题,提出通过多样性诱导和正交非负图重构的多视图聚类算法(DOMVC)。在统一的框架内充分利用多视图的一致性和多样性,使得一致部分结合自适应权重融合到目标图中产生更加合理的聚类结构。集成谱聚类和非负矩阵分解来获取结构更加清晰的聚类目标图。将非负矩阵分解的一个因子矩阵约束为正交指示矩阵,从而直接得到聚类结果。该算法根据每个视图的聚类能力自动分配合适的视图权重。为了联合求解优化问题,引入交替迭代策略来优化聚类算法的目标函数。实验结果表明该算法可以有效提高聚类准确率,在数据集HW2、100leaves、Mfeat上的准确率分别达到99.21%、89.56%、87.85%,与次优模型相比分别提高了0.81个百分点、5.12个百分点、3.75个百分点。理论分析和实验研究证明了该算法的有效性和优良性能。

关键词：多视图聚类多样性诱导图重构谱嵌入非负矩阵分解

YOLO-WIT：红外遥感弱小船舶目标检测算法

在线全文

学校读者我要写书评

暂无评论

北京航空航天大学学报 2024年

作者：谢友晨徐天阳汤张泳吴小俊江南大学人工智能与计算机学院

针对红外遥感弱小目标检测面临的挑战，提出了一种面向弱小船舶目标的检测算法YOLO-WIT（YOLO for Weak Infrared Remote Sensing Ship Target）。首先，针对弱小目标对位置偏移低容忍的难点，优化削减检测头，降低模型体积的同时限制... 详细信息

针对红外遥感弱小目标检测面临的挑战，提出了一种面向弱小船舶目标的检测算法YOLO-WIT（YOLO for Weak Infrared Remote Sensing Ship Target）。首先，针对弱小目标对位置偏移低容忍的难点，优化削减检测头，降低模型体积的同时限制锚框的最大偏移量，并设计了一种复合距离相似度度量作为损失函数降低回归分支敏感度，从而提升定位精度；其次，针对图像背景高亮而目标灰暗的情况，设计了联接型信息扩展模块（Dense Concat Information Expansion Convolution Block， DECO）保留微弱信号，增强对微弱特征的感知；为区分与船舶目标灰度幅值、形状相似的干扰物，利用Sobel算子求解浅层特征图的一阶导数，以边缘特征指导模型进行判断，并采用时空注意力机制进行特征强化。在数据集NUDT-SIRST-Sea上实验验证：与基线模型相比，YOLO-WIT参数量减少31.6%，在指标mAP50上提升9%，mAP50-95提升4.9%；与主流检测算法相比，YOLO-WIT所需资源更少，模型体积仅9.2M，对弱小船舶目标的检测效果更加显著。

关键词：弱小目标检测红外遥感 YOLOv5 海面船舶检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于全域跨语义融合的多级酶功能预测

计算机科学与探索 2024年

作者：周汉文邓赵红张炜江南大学人工智能与计算机学院

蛋白质在生物活动中发挥着关键作用，酶作为一种重要的蛋白质，因其催化功能在多个领域得到广泛应用。然而，通过生化实验验证酶的功能既费时又昂贵。传统的酶功能注释方法主要依赖于序列相似性，但在目标酶序列与已知酶差异较大时，这... 详细信息

蛋白质在生物活动中发挥着关键作用，酶作为一种重要的蛋白质，因其催化功能在多个领域得到广泛应用。然而，通过生化实验验证酶的功能既费时又昂贵。传统的酶功能注释方法主要依赖于序列相似性，但在目标酶序列与已知酶差异较大时，这些方法效果不佳。近年来，科研人员初步探索了一些基于深度学习的方法，但现有的深度学习方法受限于传统酶序列编码方式，并且仅利用单一视图或单层次的信息，这使得模型在处理结构复杂或功能多样的酶时表现出一定的局限性。针对此，本文提出了一种全新的全域跨语义融合的多级酶功能预测方法（GCMEFP）。具体地，所提方法使用了两种最新的蛋白质大语言模型进行序列词嵌入学习。同时，所提方法构建了多语义深度特征学习模块，该模块通过卷积神经网络构建语义金字塔，实现了不同层级语义信息的提取。进一步地，所提方法还提出了全域跨视图语义融合模块，用于探索不同视图之间隐藏的相互作用信息，并去除冗余信息来增强模型的泛化性。实验结果表明：提出的GCMEFP在基准数据集上的精度达到89.6%，较现有最优方法高出4.8%；在独立测试集New-379上的精度达到55%，较现有最优方法高出14%。

关键词：多级酶功能预测多语义深度特征学习大模型词嵌入多视图特征融合