期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
分组函数的代数性质与序和
1
作者 张廷海 覃锋 《吉林大学学报(理学版)》 CAS 北大核心 2019年第3期480-486,共7页
考虑分组函数的幂等性、严格单调性、阿基米德性等基本代数性质的相互关系,通过类似半群序和的结构给出一簇分组函数的序和还是分组函数的性质,并纠正了已有文献在刻画重叠函数上述性质时的几处错误.
关键词 分组函数 幂等元 极限条件 阿基米德性 序和
在线阅读 下载PDF
重叠和分组函数的分配性方程求解 被引量:1
2
作者 吴涛 赵彬 《吉林大学学报(理学版)》 CAS 北大核心 2020年第1期54-64,共11页
运用区间值模糊集的方法和原理,通过引入可表示的区间值重叠函数和分组函数的概念,结合乘法生成元对生成的重叠和分组函数,在边界条件下给出方程I(G(x,y),z)=O(I(x,z),I(y,z))和I(x,O1(y,z))=O2(I(x,y),I(x,z))的解,并讨论重叠和分组函... 运用区间值模糊集的方法和原理,通过引入可表示的区间值重叠函数和分组函数的概念,结合乘法生成元对生成的重叠和分组函数,在边界条件下给出方程I(G(x,y),z)=O(I(x,z),I(y,z))和I(x,O1(y,z))=O2(I(x,y),I(x,z))的解,并讨论重叠和分组函数的相关性质. 展开更多
关键词 模糊蕴涵 重叠函数 分组函数 分配性 函数方程
在线阅读 下载PDF
区间值模糊集中蕴涵算子基于重叠和分组函数的分配性
3
作者 吴涛 赵彬 《吉林大学学报(理学版)》 CAS 北大核心 2019年第5期1014-1022,共9页
用区间值模糊集的方法和原理,通过引入可表示的区间值重叠函数和分组函数的概念,在边界条件下给出以下4种方程及类似方程的解:I(x,O1(y,z))=O2(I(x,y),I(x,z));I(Ox,y,z)=G(I(x,z),I(y,z));I(G(x,y),z)=OI(x,z),I(y,z);I(x,G1(y,z))=G2(... 用区间值模糊集的方法和原理,通过引入可表示的区间值重叠函数和分组函数的概念,在边界条件下给出以下4种方程及类似方程的解:I(x,O1(y,z))=O2(I(x,y),I(x,z));I(Ox,y,z)=G(I(x,z),I(y,z));I(G(x,y),z)=OI(x,z),I(y,z);I(x,G1(y,z))=G2(I(x,y),I(x,z)).并说明t-可表示的连续Archimedean三角模(三角余模)分配性方程的解类似于上述结果. 展开更多
关键词 区间值模糊集 模糊蕴涵 分配性 重叠函数 分组函数 函数方程
在线阅读 下载PDF
基于沙漏状数据处理单元和分组RBF单元的对抗性免疫防御方法
4
作者 丁伟杰 郑文浩 +2 位作者 方怡 王琦晖 李小薪 《高技术通讯》 CAS 北大核心 2024年第9期935-944,共10页
针对深度神经网络(DNN)容易受到对抗样本攻击的问题,研究人员提出了许多防御方法,可分为外部防御方法(EDM)和免疫防御方法(IDM)。外部防御方法试图在将对抗性样本输入DNN之前去除其中存在的对抗干扰,而免疫防御方法则致力于提升DNN本身... 针对深度神经网络(DNN)容易受到对抗样本攻击的问题,研究人员提出了许多防御方法,可分为外部防御方法(EDM)和免疫防御方法(IDM)。外部防御方法试图在将对抗性样本输入DNN之前去除其中存在的对抗干扰,而免疫防御方法则致力于提升DNN本身的鲁棒性,本文重点研究免疫防御方法。现有的免疫防御方法主要基于鲁棒优化策略来提升DNN的鲁棒性,为DNN构建鲁棒模块的工作较少。本文在DNN中引入了2个新的鲁棒单元:基于特征压缩和精度注入的沙漏状数据处理单元,用以减小对抗性扰动的干扰;分组径向基函数单元,用于增强DNN的非线性和适应类内变化的能力。在优化过程中使用标签平滑、退火策略和权值衰减来进一步提高鲁棒性。在2个数据集(MNIST和CIFAR-10)以及2个流行的DNN模型(LeNet5和VGG16)上的实验表明,将所提出的鲁棒单元集成到DNN中可以大幅提高其对对抗性攻击的免疫能力,同时保持其在干净样本上的识别性能。 展开更多
关键词 免疫防御 精度注入 分组径向基函数(RBF) 权重衰减
在线阅读 下载PDF
分组mask引导的单幅图像去除雨滴 被引量:2
5
作者 胡明娣 宋尧 +1 位作者 郑甜 范九伦 《西北大学学报(自然科学版)》 CAS CSCD 北大核心 2022年第4期581-589,共9页
恢复被雨滴损毁图像是提高自动驾驶或视频监控等机器视觉在自然场景中识别性能的必要预处理任务。该任务的核心技术是对雨图中雨滴的定位和恢复被雨滴覆盖的背景信息。现有基于数据驱动的解决方案是基于雨滴定位采取固定阈值下硬掩码(ha... 恢复被雨滴损毁图像是提高自动驾驶或视频监控等机器视觉在自然场景中识别性能的必要预处理任务。该任务的核心技术是对雨图中雨滴的定位和恢复被雨滴覆盖的背景信息。现有基于数据驱动的解决方案是基于雨滴定位采取固定阈值下硬掩码(hard mask)或软掩码(soft mask)引导的深度神经网络去除雨滴。考虑到雨滴形状的多样性、对背景损毁程度的模糊性,该文提出基于分组函数的自适应阈值分割算法(称为分组掩码)引导的雨滴去除算法。首先,分组掩码根据雨滴大小的多样性和雨滴对背景模糊程度的不同自适应提取雨滴信息;然后,将雨滴损毁图像和分组掩码级联作为输入,用对抗损失训练生成对抗网络(GAN)去除雨滴,输出恢复的干净背景图。综合实验可见,文中提出的图像去雨滴算法比现有的算法更具有优越性。 展开更多
关键词 分组函数 分组mask 生成对抗网络(GAN) 雨滴去除
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部