检索结果-南通市图书馆

基于多任务学习多目标优化的稀土元素组分含量与浓度多维度软测量

在线全文

学校读者我要写书评

暂无评论

控制理论与应用 2024年第3期41卷 454-467页

作者：张水平张奇涵王碧江西理工大学信息工程学院江西赣州341000

稀土混合萃取溶液中各元素组分含量的在线软测量是优化连续萃取生产过程、确保产品高纯化的前提.现有软测量方法可独立求解单个稀土元素组分含量,但忽略了多元素组分含量间或组分含量与其它相关因素(如浓度)间的共性.本文为探索多稀土... 详细信息

稀土混合萃取溶液中各元素组分含量的在线软测量是优化连续萃取生产过程、确保产品高纯化的前提.现有软测量方法可独立求解单个稀土元素组分含量,但忽略了多元素组分含量间或组分含量与其它相关因素(如浓度)间的共性.本文为探索多稀土元素组分含量间及组分含量与浓度间的共性,将多任务学习方法用于稀土元素组分含量软测量中.首先,构建多任务深度神经网络,提高模型的泛化能力和鲁棒性.其次,提出基于多目标优化算法的稀土多元素组分含量预测方法,通过搜索Pareto最优以提升各任务的预测精度.经多组对比实验表明,该方法在多元素组分含量或多元素组分含量与浓度同时训练时性能最佳,能满足稀土元素组分含量在线检测的精确性和实时性.

关键词：稀土萃取组分含量多任务学习多目标优化机器学习深度学习帕累托

基于MapReduce与优化布谷鸟算法的并行密度聚类算法

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

吉林大学学报（工学版） 2023年第10期53卷 2909-2916页

作者：毛伊敏顾森晴江西理工大学信息工程学院江西赣州341000

针对并行化密度聚类的过程中,不同密度聚类簇边界点划分模糊,并且存在数据噪声,从而影响聚类性能,使聚类结果受制于局部最优影响的问题,提出一种基于MapReduce与优化布谷鸟算法的并行密度聚类算法。首先,该算法结合K-means中的近邻与逆... 详细信息

针对并行化密度聚类的过程中,不同密度聚类簇边界点划分模糊,并且存在数据噪声,从而影响聚类性能,使聚类结果受制于局部最优影响的问题,提出一种基于MapReduce与优化布谷鸟算法的并行密度聚类算法。首先,该算法结合K-means中的近邻与逆近邻思路的策略KDBSCAN(K-means DBSCAN),通过计算各数据点的影响空间,以此重新定义基于密度的聚类(Density-based spatial dutering of apptications with noise,DBSCAN)算法中聚类簇的拓展条件,避免了不同密度聚类簇边界点划分模糊的问题;其次,结合KDBSCAN密度聚类中的近邻思想提出了一种可行的迭代性噪声点处理策略,减轻数据中噪声点对于聚类算法性能的影响;再次,提出基于传统布谷鸟算法的优化改进策略MCS(Majorization cuckoo search),通过衰减发现巢穴概率的权重,随着迭代搜寻次数的增加提升算法收敛速度,解决了聚类结果受制于局部最优的问题;最后,结合MapReduce提出了并行密度聚类策略MCS-KDBSCAN,通过并行化密度聚类算法运算,减轻了并行聚类算法局部最优解传递的通信负担,提升了算法性能。实验证明,提出的MCS-KDBSCAN并行化密度聚类算法在聚类精度、聚类运行时间等方面均较优。

关键词：密度聚类优化布谷鸟算法基于密度的聚类算法 MapReduce 抗噪能力

在线全文

学校读者我要写书评

暂无评论

面向入侵检测的元图神经网络构建与分析

自动化学报 2023年第7期49卷 1530-1548页

作者：王振东徐振宇李大海王俊岭江西理工大学信息工程学院赣州341000

网络入侵样本数据特征间存在未知的非欧氏空间图结构关系,深入挖掘并利用该关系可有效提升网络入侵检测方法的检测效能.对此,设计一种元图神经网络(Meta graph neural network,MGNN),MGNN能够对样本数据特征内部隐藏的图结构关系进行挖... 详细信息

网络入侵样本数据特征间存在未知的非欧氏空间图结构关系,深入挖掘并利用该关系可有效提升网络入侵检测方法的检测效能.对此,设计一种元图神经网络(Meta graph neural network,MGNN),MGNN能够对样本数据特征内部隐藏的图结构关系进行挖掘与利用,在应对入侵检测问题时优势明显.首先,设计元图网络层(Meta graph network layer,MGNL),挖掘出样本数据特征内部隐藏的图结构关系,并利用该关系对样本数据的原始特征进行更新;然后,针对MGNN存在的图信息传播过程中父代信息湮灭现象提出反信息湮灭策略,并设计了注意力损失函数,简化MGNN中实现注意力机制的运算过程.KDD-NSL、UNSW-NB15、CICDoS2019数据集上的实验表明,与经典深度学习算法深度神经网络(Deep neural network,DNN)、卷积神经网络(Convolutional neural network,CNN)、循环神经网络(Recurrent neural network,RNN)、长短期记忆(Long short-term memory,LSTM)和传统机器学习算法支持向量机(Support vector machine,SVM)、决策树(Decision tree,DT)、随机森林(Random forest,RF)、K-最近邻(K-nearest neighbor,KNN)、逻辑回归(Logistic regression,LR)相比,MGNN在准确率、F1值、精确率、召回率评价指标上均具有良好效果.

关键词：入侵检测元图神经网络深度学习图结构

在线全文

学校读者我要写书评

暂无评论

融合分类校正与样本扩增的小样本目标检测

计算机工程与应用 2024年第1期60卷 254-262页

作者：黄友文豆恒肖贵光江西理工大学信息工程学院江西赣州341000

现有小样本目标检测方法在扩增样本时往往存在数据分布偏移问题,同时分类任务性能容易受定位任务影响。针对上述问题,提出一种新的小样本目标检测算法。该算法在Faster R-CNN框架基础上引入分类校正模块(CCB)、样本扩增模块(SAB)和梯度... 详细信息

现有小样本目标检测方法在扩增样本时往往存在数据分布偏移问题,同时分类任务性能容易受定位任务影响。针对上述问题,提出一种新的小样本目标检测算法。该算法在Faster R-CNN框架基础上引入分类校正模块(CCB)、样本扩增模块(SAB)和梯度限制层(GCL)改善性能。CCB使用离线的强分类网络对检测器最终结果进行校正;SAB在特征域利用基类样本信息修正新类样本分布,从而在修正的分布中进行采样完成新类样本扩增;在梯度反向传播中通过GCL限制主干网络接收的基类和新类信息。在PASCAL VOC和COCO数据集上的实验结果表明,相较于目前已知的最新算法结果,提出的小样本目标检测算法在样本数量很小的情况下提升了检测效果,在公共数据集PASCAL VOC上最高提升可以达到5.1%,更难的数据集COCO上最高提升可达到1.9%,同时拥有很好的鲁棒性和泛化能力。

关键词：小样本学习目标检测数据扩增梯度限制

基于上下文和浅层空间编解码网络的图像语义分割方法

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7期48卷 1834-1846页

作者：罗会兰黎宵江西理工大学信息工程学院赣州341000

当前图像语义分割研究基本围绕如何提取有效的语义上下文信息和还原空间细节信息两个因素来设计更有效算法.现有的语义分割模型,有的采用全卷积网络结构以获取有效的语义上下文信息,而忽视了网络浅层的空间细节信息;有的采用U型结构,通... 详细信息

当前图像语义分割研究基本围绕如何提取有效的语义上下文信息和还原空间细节信息两个因素来设计更有效算法.现有的语义分割模型,有的采用全卷积网络结构以获取有效的语义上下文信息,而忽视了网络浅层的空间细节信息;有的采用U型结构,通过复杂的网络连接利用编码端的空间细节信息,但没有获取高质量的语义上下文特征.针对此问题,本文提出了一种新的基于上下文和浅层空间编解码网络的语义分割解决方案.在编码端,采用二分支策略,其中上下文分支设计了一个新的语义上下文模块来获取高质量的语义上下文信息,而空间分支设计成反U型结构,并结合链式反置残差模块,在保留空间细节信息的同时提升语义信息.在解码端,本文设计了优化模块对融合后的上下文信息与空间信息进一步优化.所提出的方法在3个基准数据集CamVid、SUN RGB-D和Cityscapes上取得了有竞争力的结果.

关键词：语义分割二分支策略语义上下文信息浅层空间细节信息反U 型结构

基于天牛群优化与改进正则化极限学习机的网络入侵检测

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12期48卷 3024-3041页

作者：王振东刘尧迪杨书新王俊岭李大海江西理工大学信息工程学院赣州341000

正则化极限学习机(Regularized extreme learning machine,RELM)因其极易于实现、训练速度快等优点在诸多领域均取得了成功应用.对此,本文将RELM引入到入侵检测中,设计了天牛群优化算法(Beetle swarm optimization,BSO),并针对RELM由于... 详细信息

正则化极限学习机(Regularized extreme learning machine,RELM)因其极易于实现、训练速度快等优点在诸多领域均取得了成功应用.对此,本文将RELM引入到入侵检测中,设计了天牛群优化算法(Beetle swarm optimization,BSO),并针对RELM由于随机初始化参数带来的潜在缺陷,提出基于天牛群优化与改进正则化极限学习机(BSO-IRELM)的网络入侵检测算法.使用LU分解求解RELM的输出权值矩阵,进一步缩短了RELM的训练时间,同时利用BSO对RELM的权值和阈值进行联合优化.为避免BSO算法陷入局部最优,引入Tent映射反向学习、莱维飞行的群体学习与动态变异策略提升优化性能.实验结果表明,在机器学习UCI数据集上,相比于RELM、IRELM、GA-IRELM、PSO-IRELM等算法,BSO-IRELM的数据分类性能提升明显.最后,将BSO-IRELM应用于网络入侵检测数据集NSL-KDD,并与BP(Back propagation)、LR(Logistics regression)、RBF(Radial basis function)、AB(AdaBoost)、SVM(Support vector machine)、RELM、IRELM等算法进行了对比,结果证明BSO-IRELM算法在准确率、精确率、真正率和假正率等指标上均具有明显优势.

关键词：入侵检测正则化极限学习机 LU分解天牛群优化算法

在线全文

学校读者我要写书评

暂无评论

融合牵引变异和透镜成像的花授粉算法及应用

计算机工程与应用 2023年第14期59卷 76-85页

作者：李大海伍兆前王振东江西理工大学信息工程学院江西赣州341099

针对花授粉算法收敛速度较慢、容易陷入局部最优解等问题,提出结合牵引变异和改进型透镜成像的增强花授粉算法LMFPA(lens learning and traction mutation based enhanced flower pollination algorithm)。LMFPA算法利用改进型透镜成像... 详细信息

针对花授粉算法收敛速度较慢、容易陷入局部最优解等问题,提出结合牵引变异和改进型透镜成像的增强花授粉算法LMFPA(lens learning and traction mutation based enhanced flower pollination algorithm)。LMFPA算法利用改进型透镜成像机制优化算法的种群分布。通过增加观测因子的牵引变异机制增加算法收敛速度和跳出局部最优的能力。以CEC2013中的12个测试函数作为性能评测函数集,将LMFPA与FPA(follower pollination algorithm)、TMFPA(T-distribution mutation-based flower pollination algorithm)、t-GSSA(improved sparrow search algorithm based on adaptive t-distribution and golden sine and its application)和PCSPSO(particle compaction and scheduling based particle swarm optimization)4个改进型FPA算法进行评测。实验结果表明LMFPA算法无论是收敛速度还是收敛精度上都占优。将LMFPA应用于在无人机三维路径规划问题,实验结果表明LMFPA也能取得更优的三维路径规划结果。

关键词：花授粉算法透镜成像牵引变异路径规划

使用均值距离与关联性标记的并行OPTICS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 2023年第5期59卷 232-244页

作者：郑剑余鑫江西理工大学信息工程学院江西赣州341000

针对大数据环境下传统并行密度聚类算法中存在的数据划分不合理,聚类结果准确度不高,结果受参数影响较大以及并行效率低等问题,提出一种MapReduce下使用均值距离与关联性标记的并行OPTICS算法——POMDRM-MR。算法使用一种基于维度稀疏... 详细信息

针对大数据环境下传统并行密度聚类算法中存在的数据划分不合理,聚类结果准确度不高,结果受参数影响较大以及并行效率低等问题,提出一种MapReduce下使用均值距离与关联性标记的并行OPTICS算法——POMDRM-MR。算法使用一种基于维度稀疏度的减少边界点划分策略(DS-PRBP),划分数据集;针对各个分区,提出标记点排序识别簇算法(MOPTICS),构建数据点与核心点之间的关联性,并标记数据点迭代次数,在距离度量中,使用领域均值距离策略(FMD),计算数据点的领域均值距离,代替可达距离排序,输出关联性标记序列;最后结合重排序序列提取簇算法(REC),对输出序列进行二次排序并提取簇,提高算法局部聚类的准确性和稳定性;在合并全局簇时,算法提出边界密度筛选策略(BD-FLC),计算筛选密度相近局部簇;又基于n叉树的并集型合并与MapReduce模型,提出并行局部簇合并算法(MCNT-MR),加快局部簇收敛,并行合并局部簇,提升全局簇合并效率。对照实验表明,POMDRM-MR算法聚类效果更佳,且在大规模数据集下算法的并行化性能更好。

关键词：大数据密度聚类 MapReduce OPTICS PRBP

在线全文

学校读者我要写书评

暂无评论

时空卷积注意力网络用于动作识别

计算机工程与应用 2023年第9期59卷 150-158页

作者：罗会兰陈翰江西理工大学信息工程学院江西赣州341000

在视频动作识别任务中,无论是在视频的空间维度还是时序维度,如何充分学习和利用特征之间相关性,对最终识别性能的影响非常大。卷积操作通过计算邻域内特征点之间的相关性获得局部特征,而自注意力机制通过所有特征点之间的信息交互学习... 详细信息

在视频动作识别任务中,无论是在视频的空间维度还是时序维度,如何充分学习和利用特征之间相关性,对最终识别性能的影响非常大。卷积操作通过计算邻域内特征点之间的相关性获得局部特征,而自注意力机制通过所有特征点之间的信息交互学习到全局信息。单个卷积层不具备在全局视角上学习特征相关性的能力,即使是重复堆叠多层也只是获得了若干个更大的感受野。自注意力层虽然具有全局视角,但其关注的核心仅是不同特征点所表达的内容联系,忽略了局部的位置特性。为了解决以上问题,提出了一种时空卷积注意力网络用于动作识别。时空卷积注意力网络由空间卷积注意力网络和时序卷积注意力网络共同组成。空间卷积注意力网络使用自注意力方法捕捉空间维度的表观特征联系,用一维卷积提取动态信息。时序卷积注意力网络通过自注意力方法来获取时序维度上帧级特征间的关联信息,用2D卷积学习空间特征。时空卷积注意力网络集成两种网络的共同测试结果来提升模型识别性能。在HMDB51数据集上进行实验,以ResNet50为基线,引入时空卷积注意力模块后,神经网络的识别准确率在空间流和时序流上分别提升了6.25和5.13个百分点。与当前先进方法进行比较,时空卷积注意力网络在UCF101和HMDB51数据集上均有明显优势。提出的时空卷积注意力网络能够有效地捕捉特征关联信息,该方法结合自注意全局联系和卷积局部联系的优势,提升了神经网络时空建模的能力。

关键词：动作识别深度学习特征融合自注意力机制卷积网络