检索结果-维普期刊中文期刊服务平台

基于改进粒子群优化的无标记数据鲁棒聚类算法被引量：6: 1; 作者茹蓓朱楠贺新征《计算机应用研究》 CSCD 北大核心 2017年第6期1626-1630,1635,共6页; 已有的聚类算法大多仅考虑单一的目标,导致对某些形状的数据集性能较弱,为此提出一种基于改进粒子群优化的无标记数据鲁棒聚类算法。优化阶段:首先采用多目标粒子群优化的经典形式生成聚类解集合;然后使用K-means算法生成随机分布的初... 展开更多; 关键词多目标粒子群优化聚类算法鲁棒性帕累托最优解无标记数据; 在线阅读下载PDF 职称材料

基于无标记Web数据的层次式文本分类: 2; 作者何力谭霜 +1 位作者贾焰韩伟红《智能系统学报》 CSCD 北大核心 2014年第3期330-335,共6页; 传统的文本分类方法需要标注好的语料来训练分类器,然而人工标记语料代价高昂并且耗时。对此,通过无类别标记的Web数据来训练文本分类器,提出一种基于无标记Web数据的层次式文本分类方法,该方法结合类别知识和主题层次信息来构造Web查询... 展开更多; 关键词层次式文本分类主题层次无标记数据分类支持向量机; 在线阅读下载PDF 职称材料

基于物理驱动支持向量机方法的地震作用下结构动力响应求解被引量：2: 3; 作者杜轲吴文贤 +1 位作者林志鹏骆欢《振动与冲击》北大核心 2025年第3期284-290,共7页; 物理驱动机器学习是一种将物理原理融入机器学习框架的前沿方法。通过引入物理知识,该方法旨在使模型更为贴合实际世界的物理规律和约束,以提高模型在学习过程中对数据本质特征的准确捕捉。该研究使用了一种以支持向量机为基础的物理驱... 展开更多; 关键词机器学习支持向量机物理驱动无标记数据结构动力响应分析; 在线阅读下载PDF 职称材料

基于边增强一致性与半监督学习的谣言检测研究: 4; 作者张岩珂但志平 +1 位作者李琳鲁雨洁《现代电子技术》北大核心 2024年第17期129-135,共7页; 针对现有的谣言检测方法对故意伪造的突发事件检测表现不佳的现象,同时考虑到现实中突发事件的标记数据难以获得,从而导致现有的监督学习方法性能受限,提出基于边增强一致性与半监督学习的谣言检测方法(EECS)。首先通过边增强方法提高... 展开更多; 关键词谣言检测半监督边增强双通道图卷积无标记数据一致性特征; 在线阅读下载PDF 职称材料

基于图的半监督协同训练算法被引量：5: 5; 作者郭涛李贵洋兰霞《计算机工程》 CAS CSCD 2012年第13期163-165,168,共4页; 在分类器训练过程中,无标记数据的引入容易产生噪音,从而降低分类精度。为此,提出一种基于图的置信度估计半监督协同训练算法。利用样本数据自身的结构信息,计算无标记样本所属类别概率。采用多分类器对无标记数据进行置信度估计,以提... 展开更多; 关键词半监督学习协同训练置信度分类无标记数据; 在线阅读下载PDF 职称材料

基于遗传算法的噪声过滤协同训练算法被引量：1: 6; 作者郭涛李贵洋兰霞《计算机工程与设计》 CSCD 北大核心 2014年第5期1807-1810,1832,共5页; 为解决分类器训练过程中由于无标记数据的引入,容易产生噪音、降低分类精度的问题,提出了基于遗传算法的噪声过滤协同训练算法(CGA)。充分利用遗传算法的寻优功能,产生高适应度的分类规则,达到辅助协同训练算法挑选有价值的无标记数据,... 展开更多; 关键词遗传算法半监督学习协调训练噪声过滤无标记数据; 在线阅读下载PDF 职称材料

精密进给系统热误差的协同训练支持向量机回归建模与补偿方法被引量：8: 7; 作者朱星星赵亮 +4 位作者雷默涵王帅凌正杨军梅雪松《西安交通大学学报》 EI CAS CSCD 北大核心 2019年第10期40-47,共8页; 针对精密进给系统热误差的数据稀缺且获取成本高的问题,提出了一种基于协同训练支持向量机回归算法(COSVR)的精密进给系统热误差建模与补偿方法。通过整合标记数据(温度和热误差)及未标记温度数据建立热误差模型,利用基于西门子840D数... 展开更多; 关键词精密镗床进给系统协同训练支持向量机回归无标记数据; 在线阅读下载PDF 职称材料

题名基于改进粒子群优化的无标记数据鲁棒聚类算法被引量：6: 1; 作者茹蓓朱楠贺新征; 机构新乡学院计算机与信息工程学院河南大学计算机与信息工程学院; 出处《计算机应用研究》 CSCD 北大核心 2017年第6期1626-1630,1635,共6页; 基金河南省高等学校青年骨干教师培养计划资助项目(2013GGJS-222) 河南省科技厅资助项目(152400410345) +1 种基金河南省教育厅资助项目(15A520093); 文摘已有的聚类算法大多仅考虑单一的目标,导致对某些形状的数据集性能较弱,为此提出一种基于改进粒子群优化的无标记数据鲁棒聚类算法。优化阶段:首先采用多目标粒子群优化的经典形式生成聚类解集合;然后使用K-means算法生成随机分布的初始化种群,并为其分配随机初始化的速度;最终,采用maximin策略确定帕累托最优解。决策阶段:测量帕累托解集与理想解的距离,将距离最短的帕累托解作为最终聚类解。对比实验结果表明,本算法对不同形状的数据集均可获得较优的类簇数量,对目标问题的复杂度具有较好的鲁棒性。; 关键词多目标粒子群优化聚类算法鲁棒性帕累托最优解无标记数据; Keywords multi-objective particle swarm optimization clustering algorithm robustness Pareto optimality unlabeled data; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于无标记Web数据的层次式文本分类: 2; 作者何力谭霜贾焰韩伟红; 机构国防科学技术大学计算机学院; 出处《智能系统学报》 CSCD 北大核心 2014年第3期330-335,共6页; 基金国家"863"计划资助项目(2010AA012505 2011AA010702 +7 种基金 2012AA01A401 2012AA01A402) 2013CB329602) 91124002) 国家242信息安全计划资助项目(2011A010); 文摘传统的文本分类方法需要标注好的语料来训练分类器,然而人工标记语料代价高昂并且耗时。对此,通过无类别标记的Web数据来训练文本分类器,提出一种基于无标记Web数据的层次式文本分类方法,该方法结合类别知识和主题层次信息来构造Web查询,从多种Web数据中搜索相关文档并抽取学习样本,为监督学习找到分类依据,并结合层次式支持向量机进行分类器的学习。实验结果表明,该方法能够利用无标记Web数据学习分类器,并取得了较好的分类效果,其性能接近于有标记训练样本的监督分类方法。; 关键词层次式文本分类主题层次无标记数据分类支持向量机; Keywords hierarchical text classification topic hierarchy classification without labeled data support vector machine; 分类号 TP391.1 [自动化与计算机技术—计算机应用技术] TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于物理驱动支持向量机方法的地震作用下结构动力响应求解被引量：2: 3; 作者杜轲吴文贤林志鹏骆欢; 机构中国地震局工程力学研究所地震工程与工程振动重点实验室地震灾害防治应急管理部重点实验室三峡大学土木与建筑学院; 出处《振动与冲击》北大核心 2025年第3期284-290,共7页; 基金中国地震局工程力学研究所基本科研业务费专项项目(2023B07) 国家重点研发计划(2023YFC3805203)。; 文摘物理驱动机器学习是一种将物理原理融入机器学习框架的前沿方法。通过引入物理知识,该方法旨在使模型更为贴合实际世界的物理规律和约束,以提高模型在学习过程中对数据本质特征的准确捕捉。该研究使用了一种以支持向量机为基础的物理驱动方法,用于精确计算结构的动力响应。该算法通过最小化多输出最小二乘支持向量机的目标函数,实现了对回归模型参数的精准拟合。同时,通过在特征空间中引入系统动态平衡方程和初始条件的物理约束,无需事先训练数据即可有效计算结构的动力响应。随后开展在地震动荷载作用下的单自由度体系和二层剪切框架多自由度体系的动力响应,并将所用方法与传统方法的结果进行了对比。分析结果表明,提出的物理驱动机器学习方法在精度和大时间步长性能方面均显著优于传统方法。; 关键词机器学习支持向量机物理驱动无标记数据结构动力响应分析; Keywords machine learning support vector machine(SVM) physics-driven unlabeled data structural dynamic response analysis; 分类号 TH212 [机械工程—机械制造及自动化] TH213.3 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于边增强一致性与半监督学习的谣言检测研究: 4; 作者张岩珂但志平李琳鲁雨洁; 机构水电工程智能视觉监测湖北省重点实验室三峡大学计算机与信息学院; 出处《现代电子技术》北大核心 2024年第17期129-135,共7页; 基金国家自然科学基金-新疆联合基金资助项目(U1703261)。; 文摘针对现有的谣言检测方法对故意伪造的突发事件检测表现不佳的现象,同时考虑到现实中突发事件的标记数据难以获得,从而导致现有的监督学习方法性能受限,提出基于边增强一致性与半监督学习的谣言检测方法(EECS)。首先通过边增强方法提高数据质量,然后分离出高一致性特征与低一致性特征来深入挖掘内联关系,使用双通道图卷积网络捕获特征,依据半监督学习方法有效利用大量无标记数据增强模型的泛化性,最后采用加权的有监督交叉熵损失和无监督一致性损失优化模型。实验结果表明,在公开的Twitter15、Twitter16和Weibo数据集上,所提出的模型在30%标记样本下准确率达到87.8%、89.5%和95.0%,使用少量标记样本便可达到优异的成绩。; 关键词谣言检测半监督边增强双通道图卷积无标记数据一致性特征; Keywords rumor detection semi-supervised edge enhancement dual-channel graph convolution unlabeled data consistency feature; 分类号 TN919-34 [电子电信—通信与信息系统] TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于图的半监督协同训练算法被引量：5: 5; 作者郭涛李贵洋兰霞; 机构四川省可视化计算和虚拟现实重点实验室四川师范大学计算机科学学院; 出处《计算机工程》 CAS CSCD 2012年第13期163-165,168,共4页; 基金四川省科技厅重点实验室基金资助项目"可视化计算与虚拟现实"(PJ201102); 文摘在分类器训练过程中,无标记数据的引入容易产生噪音,从而降低分类精度。为此,提出一种基于图的置信度估计半监督协同训练算法。利用样本数据自身的结构信息,计算无标记样本所属类别概率。采用多分类器对无标记数据进行置信度估计,以提高无标记数据挑选标准,减少噪音数据的引入。在UCI数据集上的对比实验验证了该算法的有效性。; 关键词半监督学习协同训练置信度分类无标记数据; Keywords semi-supervised learning collaborative training confidence classification unlabeled data; 分类号 TP312 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于遗传算法的噪声过滤协同训练算法被引量：1: 6; 作者郭涛李贵洋兰霞; 机构四川师范大学计算机科学学院; 出处《计算机工程与设计》 CSCD 北大核心 2014年第5期1807-1810,1832,共5页; 基金国家科技计划基金项目(2012BAH76F01); 文摘为解决分类器训练过程中由于无标记数据的引入,容易产生噪音、降低分类精度的问题,提出了基于遗传算法的噪声过滤协同训练算法(CGA)。充分利用遗传算法的寻优功能,产生高适应度的分类规则,达到辅助协同训练算法挑选有价值的无标记数据,降低噪音的引入,确保参与协同训练分类器的精度和性能得到有效更新的目的。在UCI数据集上的实验验证了该算法的有效性。; 关键词遗传算法半监督学习协调训练噪声过滤无标记数据; Keywords genetic algorithm semi-supervised learning collaboration-training noise filtering unlabeled data; 分类号 TP391.1 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名精密进给系统热误差的协同训练支持向量机回归建模与补偿方法被引量：8: 7; 作者朱星星赵亮雷默涵王帅凌正杨军梅雪松; 机构西安交通大学陕西省智能机器人重点实验室西安交通大学机械制造系统工程国家重点实验室; 出处《西安交通大学学报》 EI CAS CSCD 北大核心 2019年第10期40-47,共8页; 基金国家自然科学基金资助项目（51605375）数字制造装备与技术国家重点实验室资助项目（DMETKF2019017）; 文摘针对精密进给系统热误差的数据稀缺且获取成本高的问题,提出了一种基于协同训练支持向量机回归算法(COSVR)的精密进给系统热误差建模与补偿方法。通过整合标记数据(温度和热误差)及未标记温度数据建立热误差模型,利用基于西门子840D数控系统开发的补偿方法进行补偿。以精密镗床双驱动滚珠丝杠进给系统X轴为研究对象,进行热特性实验,获取24 m/min进给速度下的标记数据和12 m/min进给速度下的未标记温度数据,利用COSVR整合所有数据建立热误差模型,并通过遗传算法优化的支持向量机回归算法(GA-SVR)仅选用标记数据建立对照模型,获取18 m/min进给速度下的标记数据用于模型性能测试。结果表明:与GA-SVR模型相比,COSVR模型的均方根误差减少了34.14%,且在100 min和520 min时的误差范围分别减小了62.62%和55.85%。COSVR模型具有更好的预测性能且能更有效地降低热误差,进一步提高了精密进给系统热误差的建模精度。; 关键词精密镗床进给系统协同训练支持向量机回归无标记数据; Keywords precision boring machine feed system co-training support vector regression unlabeled data; 分类号 TG502.15 [金属学及工艺—金属切削加工及机床]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于改进粒子群优化的无标记数据鲁棒聚类算法	茹蓓朱楠贺新征	《计算机应用研究》 CSCD 北大核心	2017	6	在线阅读下载PDF 职称材料
2	基于无标记Web数据的层次式文本分类	何力谭霜贾焰韩伟红	《智能系统学报》 CSCD 北大核心	2014	0	在线阅读下载PDF 职称材料
3	基于物理驱动支持向量机方法的地震作用下结构动力响应求解	杜轲吴文贤林志鹏骆欢	《振动与冲击》北大核心	2025	2	在线阅读下载PDF 职称材料
4	基于边增强一致性与半监督学习的谣言检测研究	张岩珂但志平李琳鲁雨洁	《现代电子技术》北大核心	2024	0	在线阅读下载PDF 职称材料
5	基于图的半监督协同训练算法	郭涛李贵洋兰霞	《计算机工程》 CAS CSCD	2012	5	在线阅读下载PDF 职称材料
6	基于遗传算法的噪声过滤协同训练算法	郭涛李贵洋兰霞	《计算机工程与设计》 CSCD 北大核心	2014	1	在线阅读下载PDF 职称材料
7	精密进给系统热误差的协同训练支持向量机回归建模与补偿方法	朱星星赵亮雷默涵王帅凌正杨军梅雪松	《西安交通大学学报》 EI CAS CSCD 北大核心	2019	8	在线阅读下载PDF 职称材料