期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
SAR ATR中标签噪声不确定性建模与纠正
1
作者
于跃
王琛
+6 位作者
师君
陶重犇
李良
唐欣欣
周黎明
韦顺军
张晓玲
《雷达学报（中英文）》
EI
CSCD
北大核心
2024年第5期974-984,共11页
深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方...
深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签。在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有效纠正标签噪声。当训练数据集中标签噪声比例较小(40%)时,该文所提方法可纠正98.6%的标签噪声,并训练网络达到98.7%的分类精度。即使标签噪声比例很大(80%)时,该文方法仍可纠正87.8%的标签噪声,并训练网络达到82.3%的分类精度。
展开更多
关键词
合成孔径雷达
标签
噪声
标签
噪声纠正
标签
噪声
不确定性
建模
模糊聚类算法
在线阅读
下载PDF
职称材料
一种面向不确定标签样本的K-近邻高效决策算法
被引量：
3
2
作者
齐晴
沈正飞
+2 位作者
曹健
应俊
赵龙
《应用科学学报》
CAS
CSCD
北大核心
2020年第5期659-671,共13页
基于案例的决策是一种直接依据过去的历史案例对当前案例进行分类或者指标预测的方法,K-近邻方法就是一种广泛应用的基于案例的决策模型。在K-近邻方法中,历史案例上需要有标签,而在现实应用中,标签本身有一定的不确定性.文章详细地讨...
基于案例的决策是一种直接依据过去的历史案例对当前案例进行分类或者指标预测的方法,K-近邻方法就是一种广泛应用的基于案例的决策模型。在K-近邻方法中,历史案例上需要有标签,而在现实应用中,标签本身有一定的不确定性.文章详细地讨论了现有的基于K-近邻的决策方法忽略了样本标签不确定性这一问题,并基于Dempster-Shafer证据理论对标签不确定性进行建模以改善预测的性能,在此基础上结合边界树模型提高模型的运行效率.文中介绍了边界树算法的作用与原理,对如何结合传统边界树算法与样本标签的不确定性对边界树算法的节点转移策略以及决策过程进行了优化.文章最后对边界树算法的计算规模与准确率做了详细的实验论证.结果表明,文中提出的方法一方面考虑了标签的不确定性,另一方面提高了传统的K-近邻模型的决策效率.
展开更多
关键词
K-近邻算法
标签不确定性
边界树算法
计算速度优化
在线阅读
下载PDF
职称材料
题名
SAR ATR中标签噪声不确定性建模与纠正
1
作者
于跃
王琛
师君
陶重犇
李良
唐欣欣
周黎明
韦顺军
张晓玲
机构
苏州科技大学电子与信息工程学院
电子科技大学信息与通信工程学院
四川航天系统工程研究所
重庆交通大学信息科学与工程学院
电磁空间安全全国重点实验室
出处
《雷达学报（中英文）》
EI
CSCD
北大核心
2024年第5期974-984,共11页
基金
国家自然科学基金(62201375)
江苏省自然科学基金(BK20220635)
+1 种基金
重庆市自然科学基金面上项目(CSTB2024NSCQMSX1762)
重庆市教育委员会科学技术研究项目(KJQN202300756)。
文摘
深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签。在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有效纠正标签噪声。当训练数据集中标签噪声比例较小(40%)时,该文所提方法可纠正98.6%的标签噪声,并训练网络达到98.7%的分类精度。即使标签噪声比例很大(80%)时,该文方法仍可纠正87.8%的标签噪声,并训练网络达到82.3%的分类精度。
关键词
合成孔径雷达
标签
噪声
标签
噪声纠正
标签
噪声
不确定性
建模
模糊聚类算法
Keywords
Synthetic Aperture Radar(SAR)
Label noise
Label noise correction
Label noise uncertainty modeling
Fuzzy clustering algorithm
分类号
TN957.52 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
一种面向不确定标签样本的K-近邻高效决策算法
被引量：
3
2
作者
齐晴
沈正飞
曹健
应俊
赵龙
机构
上海交通大学计算机科学与工程系
上海海勃物流软件有限公司
出处
《应用科学学报》
CAS
CSCD
北大核心
2020年第5期659-671,共13页
基金
国家重点研发计划项目(No.2019YFB1704405)资助。
文摘
基于案例的决策是一种直接依据过去的历史案例对当前案例进行分类或者指标预测的方法,K-近邻方法就是一种广泛应用的基于案例的决策模型。在K-近邻方法中,历史案例上需要有标签,而在现实应用中,标签本身有一定的不确定性.文章详细地讨论了现有的基于K-近邻的决策方法忽略了样本标签不确定性这一问题,并基于Dempster-Shafer证据理论对标签不确定性进行建模以改善预测的性能,在此基础上结合边界树模型提高模型的运行效率.文中介绍了边界树算法的作用与原理,对如何结合传统边界树算法与样本标签的不确定性对边界树算法的节点转移策略以及决策过程进行了优化.文章最后对边界树算法的计算规模与准确率做了详细的实验论证.结果表明,文中提出的方法一方面考虑了标签的不确定性,另一方面提高了传统的K-近邻模型的决策效率.
关键词
K-近邻算法
标签不确定性
边界树算法
计算速度优化
Keywords
K-nearest neighbor algorithm
uncertainties of labels
boundary tree algorithm
optimization of decision speed
分类号
P751.1 [交通运输工程—港口、海岸及近海工程]
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
SAR ATR中标签噪声不确定性建模与纠正
于跃
王琛
师君
陶重犇
李良
唐欣欣
周黎明
韦顺军
张晓玲
《雷达学报（中英文）》
EI
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
一种面向不确定标签样本的K-近邻高效决策算法
齐晴
沈正飞
曹健
应俊
赵龙
《应用科学学报》
CAS
CSCD
北大核心
2020
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
