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
基于标签分层延深建模的企业画像构建方法
被引量：
8
2
作者
丁行硕
李翔
谢乾
《计算机应用》
CSCD
北大核心
2022年第4期1170-1177,共8页
标签建模是标签体系建设和画像构建的基本任务。而传统标签建模方法存在模糊标签处理难、标签提取不合理,以及无法有效融合多模实体和多维关系等问题。针对以上问题提出了一种基于标签分层延深建模的企业画像构建方法EPLLD。首先,通过...
标签建模是标签体系建设和画像构建的基本任务。而传统标签建模方法存在模糊标签处理难、标签提取不合理,以及无法有效融合多模实体和多维关系等问题。针对以上问题提出了一种基于标签分层延深建模的企业画像构建方法EPLLD。首先,通过多源信息融合获取多特征信息,并对企业模糊标签(如批发、零售等行业中的不能完整概括企业特点的标签)进行统计和筛选;然后,建立专业领域词库进行特征拓展,并结合BERT语言模型进行多特征提取;其次,利用双向长短期记忆(BiLSTM)网络获取模糊标签延深结果;最后,通过TF-IDF、TextRank、隐含狄利克雷分布(LDA)模型提取关键词,从而实现标签的分层延深建模。在同一企业数据集上进行实验分析,结果表明在模糊标签延深任务中EPLLD的精确率达到91.11%,高于BiLSTM+Attention、BERT+Deep CNN等8种标签处理方法。
展开更多
关键词
企业画像
标签建模
多源信息融合
模
糊
标签
特征提取
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
基于标签分层延深建模的企业画像构建方法
被引量：
8
2
作者
丁行硕
李翔
谢乾
机构
淮阴工学院计算机与软件工程学院
江苏卓易信息科技股份有限公司
南京百敖软件有限公司
出处
《计算机应用》
CSCD
北大核心
2022年第4期1170-1177,共8页
基金
国家自然科学基金资助项目(71874067)
江苏省产学研合作项目(BY2020067)
淮阴工学院研究生科技创新计划项目(HGYK202120)。
文摘
标签建模是标签体系建设和画像构建的基本任务。而传统标签建模方法存在模糊标签处理难、标签提取不合理,以及无法有效融合多模实体和多维关系等问题。针对以上问题提出了一种基于标签分层延深建模的企业画像构建方法EPLLD。首先,通过多源信息融合获取多特征信息,并对企业模糊标签(如批发、零售等行业中的不能完整概括企业特点的标签)进行统计和筛选;然后,建立专业领域词库进行特征拓展,并结合BERT语言模型进行多特征提取;其次,利用双向长短期记忆(BiLSTM)网络获取模糊标签延深结果;最后,通过TF-IDF、TextRank、隐含狄利克雷分布(LDA)模型提取关键词,从而实现标签的分层延深建模。在同一企业数据集上进行实验分析,结果表明在模糊标签延深任务中EPLLD的精确率达到91.11%,高于BiLSTM+Attention、BERT+Deep CNN等8种标签处理方法。
关键词
企业画像
标签建模
多源信息融合
模
糊
标签
特征提取
Keywords
enterprise portrait
label modeling
multi-source information fusion
fuzzy label
feature extraction
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
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
基于标签分层延深建模的企业画像构建方法
丁行硕
李翔
谢乾
《计算机应用》
CSCD
北大核心
2022
8
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
