-
题名基于最大惩罚似然的高斯混合模型无监督分类研究
被引量：1
- 1
-
-
作者
余鹏
童行伟
封举富
-
机构
北京大学数学科学学院
国家基础地理信息中心
北京师范大学数学科学学院
北京大学信息科学学院信息科学中心、视觉与听觉信息处理国家重点实验室
-
出处
《应用概率统计》
CSCD
北大核心
2008年第5期475-483,共9页
-
文摘
本文提出了一个基于高斯混合模型的无监督分类算法.考虑到利用EM算法求解高斯混合模型的参数参数估计问题容易陷入局部最优解,我们引入逆Wishart分布来代替传统的Jeffery先验.几个实验数据的结果表明,采用该方法估计无监督分类的成分数,无论是估计的正确率,还是运算速度,都有较大提高.
-
关键词
高斯混合模型
无监督分类
最大惩罚似然
EM算法
逆Wishart分布.
-
Keywords
Gaussian mixture models, unsupervised Classification, penalized maximum likelihood, EM algorithm, invert Wishart distribution.
-
分类号
O212.7
[理学—概率论与数理统计]
-
-
题名湍流场高分辨重构的时程深度学习方法
- 2
-
-
作者
战庆亮
白春锦
葛耀君
-
机构
大连海事大学交通运输工程学院
同济大学桥梁结构抗风技术交通行业重点实验室
-
出处
《船舶力学》
北大核心
2025年第1期1-11,共11页
-
基金
国家自然科学基金资助项目(51778495,51978527)
桥梁结构抗风技术交通行业重点实验室(上海)开放课题(KLWRTBMC21-02)
+1 种基金
辽宁教育厅研究计划(LJKZ0052)
中央高校基本科研业务费专项资金资助(3132022189)。
-
文摘
湍流的研究离不开高分辨率的流场数据,但受测量方法、计算效率和数据存储等多方面限制,高分辨率湍流数据的直接获取仍比较困难。本文基于流场时程数据的低维表征模型,提出基于神经网络的特征编码预测模型与高分辨率的湍流重构方法。首先,基于一维卷积方法建立湍流时程的低维表征模型;然后,基于人工神经网络模型建立测点坐标与特征编码之间的映射关系,实现未知测点的特征编码预测;最后,利用所预测的特征编码结合表征模型的解码器生成求解域内任意位置处的湍流时程。对Re=2.2×10^(4)的方柱湍流场进行低维表征,进而实现高分辨率流场时程数据的重构,并验证方法的准确性。本文所提方法是一种在时间维度上具有高精度的湍流重构方法,且是一种无监督训练方法,可广泛应用于基于一点的传感器数据处理,是一种适用于湍流流场时程数据重构的新方法。
-
关键词
湍流重构
湍流流场时程
深度学习
特征提取
无监督模型
-
Keywords
turbulence flow reconstruction
turbulence flow time history
deep learning
feature extraction
unsupervised model
-
分类号
Q357.5
[生物学—遗传学]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名多特征选择与双向残差融合的无监督水下图像增强
被引量：8
- 3
-
-
作者
胡雨航
赵磊
李恒
刘辉
-
机构
昆明理工大学信息工程与自动化学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2023年第9期190-202,共13页
-
基金
国家自然科学基金项目(62263016)
云南省科技厅面上项目(202001AT070038)资助。
-
文摘
如今,利用合成的成对数据集训练的有监督模型泛化能力弱,在多变的实际水下环境中表现不佳,而无监督模型虽摆脱了成对数据集的依赖,但生成图像可能因缺少特征信息导致图像视觉质量较差。故以循环生成对抗网络为架构,提出多特征选择与双向残差融合的水下图像增强方法。一方面,设计以混合注意力为基础的多特征选择模块对水下图像的多种特征进行选择,再由双向残差融合对传统U型跳跃连接进行优化,使图像特征高效表达,有效恢复水下图像的纹理与色彩。另一方面,在判别器中引入混合注意力并提出内容感知损失和风格感知损失,保证增强图像在全局内容、局部纹理、风格特征等方面和清晰图像一致。与现有的无监督和有监督模型相比较,该模型PSNR分别提高了6%和2%,SSIM分别提高了4%和3%,对水下图像有着显著的增强效果,在色彩真实度和饱和度上相比其他现有方法更加优秀。
-
关键词
无监督模型
循环生成对抗网络
多特征选择
双向残差融合
水下图像增强
-
Keywords
unsupervised models
recurrent generative adversarial networks
multi-feature selection
bidirectional residual fusion
underwater image enhancement
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TN919.8
[电子电信—通信与信息系统]
-
-
题名无监督与有监督相结合的粤语分词方法
被引量：1
- 4
-
-
作者
苏振江
张仰森
胡昌秀
黄改娟
-
机构
北京信息科技大学智能信息处理研究所
北京交通大学国家经济安全预警工程北京实验室
-
出处
《计算机工程与设计》
北大核心
2023年第8期2482-2488,共7页
-
基金
国家自然科学基金项目(61772081)
科技创新服务能力建设—科研基地建设—北京实验室—国家经济安全预警工程北京实验室基金项目(PXM2018_014224_000010)。
-
文摘
为能在缺乏粤语分词语料的情况下进行粤语研究,提出一种基于无监督与有监督结合的粤语分词方法。利用多源语料完成粤语词库的构建;利用二元字典与粤语词库对初步结果进行初筛分词和二次分词;利用DAG对粤语通用句式切分错误进行分析并修正;将修正后的粤语分词语料利用深度学习模型固化分词效果,得到基于Bert-BiLSTM-CRF三层架构的分词模型。实验结果表明,该方法能有效克服预分词语料的缺失问题,在无需大量分词语料的情况下,F值达到74.3%。
-
关键词
粤语
分词研究
词库
互信息
端到端模型
有监督模型
无监督模型
-
Keywords
Cantonese
word segmentation
word database
mutual information
end-to-end model
supervised model
unsupervised model
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于像元二分模型的林地变化检测研究
被引量：2
- 5
-
-
作者
祝国祥
何铁祥
-
机构
国家林业局西北林业调查规划设计院
-
出处
《四川林业科技》
2017年第5期84-88,共5页
-
基金
国家林业局"全国森林资源管理情况检查"项目
-
文摘
以宁夏回族自治区中卫市沙坡头区为研究区域,利用2015年及2016年两个年度的高分一号遥感影像分别提取NDVI值,以像元二分模型反演生成植被指数差值图像,检测出植被指数减少的信息。同时,叠加近期各类林业专题数据资料,通过目视解译、甄别归类、识别林地的变化情况。结果表明:该模型可以较为快捷、准确地反映研究区的林地变化情况,为林政管理人员的林地资源管理、监督、执法提供了技术支持。
-
关键词
林地
变化检测
像元二分模型无监督分析法
现地验证
-
Keywords
Forestland
Remote sensing image change detection
Dimidiate Pixel model unsupervised analysis method
Field validation
-
分类号
S757
[农业科学—森林经理学]
-
-
题名基于无监督LDA的水电工程施工安全事故致因分析
被引量：7
- 6
-
-
作者
陈述
孙孟文
陈云
聂本武
李智
刘文濯
-
机构
三峡大学水电工程施工与管理湖北省重点实验室
三峡大学水利与环境学院
国家能源投资集团有限责任公司金沙江分公司
中国长江三峡集团有限公司
三峡大学经济与管理学院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第10期79-85,共7页
-
基金
国家自然科学基金资助(52079073,52209163)。
-
文摘
为实现水电工程施工安全事故报告中致因的智能挖掘,首先,利用Jieba库分词处理1206条事故分析报告,提出事故分析文本词频-逆文档频率(TF-IDF)关键词处理算法,确定词频权重并构建事故文本词向量;然后,基于TF-IDF特征,训练无监督隐含狄利克雷分布(LDA)主题模型,提取事故主题及主题词;最后,对主题词进行社会网络分析,揭示事故要素间的潜在关系,智能输出水电工程施工安全事故成因。结果表明:LDA主题模型能快速挖掘出大量有效事故数据信息,并计算出安全意识、事故隐患、违章行为等5个事故主题。致因自动分析结果显示,违规违章操作、未掌握安全操作技术、材料设备问题、违反施工程序、作业环境条件不良是导致水电工程施工安全事故的最主要原因。加强施工人员的行为监管,提高事故主要致因的预防能力,有助于提升水电工程施工安全管控水平。
-
关键词
水电工程
施工安全事故
无监督隐含狄利克雷分布(LDA)主题模型
事故致因
社会网络分析
因子分析
-
Keywords
ydropower engineering
construction safety accident
unsupervised latent Dirichlet allocation(LDA)topic model
accident causation
social network analysis
factor analysis
-
分类号
X928.02
[环境科学与工程—安全科学]
-
-
题名非定常流场时程重构的深度学习方法
被引量：2
- 7
-
-
作者
战庆亮
白春锦
吴智虎
葛耀君
-
机构
大连海事大学交通运输工程学院
同济大学桥梁结构抗风技术交通行业重点实验室
-
出处
《船舶力学》
EI
CSCD
北大核心
2024年第3期319-327,共9页
-
基金
大连海事大学博联科研基金项目(3132023619)
国家自然科学基金项目(51978527)
+2 种基金
桥梁结构抗风技术交通行业重点实验室(上海)开放课题(KLWRTBMC21-02)
辽宁省教育厅研究计划资助(LJKZ0052)
中央高校基本科研业务费专项资金资助(3132022189)。
-
文摘
高分辨率的流场数据对流动问题的研究具有重要意义。受测量方法、计算效率等多因素限制,高分辨率流场的直接获取仍有一定困难。本文基于流场时程数据的低维表征模型,提出非定常流动时程数据重构的深度学习方法。该方法直接面向样本时程数据,凭借一维卷积的特性提取出样本中包含的时程特征;然后,建立物理空间与表征模型编码空间之间的映射关系;最后,利用一维反卷积对低维表征进行解码,实现对流场中任意位置数据的重构。对Re_(D)=200的非定常圆柱层流绕流流场进行低维表征与验证,进而实现高分辨率流场时程数据的重构,并证明方法的准确性。本文方法是一种无监督方法,是一种时间维度上具有高精度的流场数据重构方法,适用于基于传感器的时程数据处理。
-
关键词
流场重构
流场时程
深度学习
特征提取
无监督模型
-
Keywords
flow reconstruction
flow time history
deep learning
feature extraction
unsupervised model
-
分类号
O357.5
[理学—流体力学]
-
-
题名中文微博情感分析研究与实现
被引量：29
- 8
-
-
作者
李勇敢
周学广
孙艳
张焕国
-
机构
武汉大学计算机学院
海军工程大学信息安全系
中国人民解放军
-
出处
《软件学报》
EI
CSCD
北大核心
2017年第12期3183-3205,共23页
-
基金
国家重点基础研究发展计划(973)(2014CB340600)
国家自然科学基金(61332019
+1 种基金
61672531)
国家社会科学基金(14GJ003-152)~~
-
文摘
中文微博的大数据、指数传播和跨媒体等特性,决定了依托人工方式监控和处理中文微博是不现实的,迫切需要依托计算机开展中文微博情感自动分析研究.该项研究可分为3个任务:中文微博观点句识别、情感倾向性分类和情感要素抽取.为完成上述任务,研制了一个评测系统:通过构建多级词库、制定成词规则、开展串频统计等给出一种基于规则和统计的新词识别方法,在情感词和评价对象的依存模式的基础上给出基于词语特征的观点句识别算法;以词序流表示文本的LDA-Collocation模型,采用吉布斯抽样法推导了算法,实现中文微博情感倾向性自动分类;针对中文微博情感要素抽取召回率较低的问题,利用依存关系分析理论,按主语类和宾语类把依存模式分为两类,建立了6个优先级的评价对象和情感词汇的依存模式,通过评价对象归并算法实现计算机自动抽取情感要素.实验包括两个部分:一是参加NLP&CC2012的公开评测,所提方法在微博观点句识别任务中的准确率为第2,在中文微博情感要素抽取任务中的准确率和F值均为第2,验证了该算法的实用性;二是在分析公开评测结果的基础上,分别比较了参加公开评测的各类算法在处理中文微博情感分析时的效率,给出了相关结论.
-
关键词
中文微博
情感分析
依存分析
情感倾向性分类
情感要素抽取
无监督主题情感模型
-
Keywords
Chinese Microblog
sentiment analysis
dependency parsing
emotion tendency classification
emotion expression extraction
unsupervised topic sentiment model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度特征融合的双判别器残差生成对抗网络
被引量：1
- 9
-
-
作者
管凤旭
路斯棋
郑岩
-
机构
哈尔滨工程大学智能科学与工程学院
-
出处
《智能系统学报》
CSCD
北大核心
2023年第5期917-925,共9页
-
基金
国家自然科学基金项目(62101156)。
-
文摘
生成对抗网络(generative adversarial networks, GANs)作为一类基于深度学习的无监督生成模型,无需对数据分布进行建模便可以生成真实且质量较高的图像。标准的GANs往往训练困难,常出现梯度消失、梯度爆炸或者模式崩溃等问题,限制模型的性能。为解决模式崩溃问题,本文提出一种双判别器结构来提高模型生成图像的多样性。另外,本文改进了生成器模型和判别器模型,提出一种基于残差网络和多尺度特征融合的生成器和基于多尺度特征融合的判别器,在提高生成图像质量的前提下解决深层网络出现的梯度消失、梯度爆炸的问题。将其应用于MNIST、LSUN、CelebA数据集上,训练结果稳定且生成图像质量较高,取得了令人满意的FID和IS值。
-
关键词
生成对抗网络
深度学习
无监督模型
模式崩溃
梯度爆炸
梯度消失
多尺度特征融合
训练稳定性
-
Keywords
generative adversarial networks
deep learning
unsupervised model
mode collapse
gradient explosion
gradient disappearance
multiscale feature fusion
training stability©《智能系统学报》编辑部版权所有
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名语义空间下基于情感表达的生成式文本隐写方法
被引量：3
- 10
-
-
作者
刘玉玲
王翠林
付章杰
-
机构
湖南大学信息科学与工程学院
南京信息工程大学计算机学院、软件学院、网络空间安全学院
-
出处
《通信学报》
EI
CSCD
北大核心
2023年第4期176-186,共11页
-
基金
国家自然科学基金资助项目(No.61872134)
教育部科技发展中心基金资助项目(No.2019J01020)
+1 种基金
长沙市科技计划基金资助项目(No.Kh2004004)
湖南省交通运输厅科技计划基金资助项目(No.201935)。
-
文摘
针对现有生成式文本隐写方法存在的“过度优化”文本质量以及生成的隐写文本在语义表达上缺乏约束等问题,提出了一种在语义空间下基于情感表达的生成式文本隐写方法。该方法利用新媒体平台提供的情景融合的伪装场景,研究如何利用无监督抽取模型从原始数据集中抽取情感表达组合候选集合,并基于改进的二部图排序算法对情感表达组合候选集合进行排序,得到情感表达组合集合;然后将其映射到语义空间,实现基于情感表达组合生成用户观点的同时嵌入秘密信息。实验结果表明,与同类语义空间下生成式文本隐写方法相比,所提方法生成的含密商品评论的困惑度最低可达10.536,且含密商品评论与主题具有较强相关性,进一步保证了隐写文本的认知隐蔽性,同时所提方法还可有效地用于安全保密通信领域,能够避免发送方被追踪溯源和关联分析。
-
关键词
生成式文本隐写
语义空间
无监督抽取模型
情感表达
-
Keywords
generative text steganography
semantic space
unsupervised extraction model
emotional expression
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
