-
题名基于流形正则化框架和MMD的域自适应BLS模型
被引量：2
- 1
-
-
作者
赵慧敏
郑建杰
郭晨
邓武
-
机构
中国民航大学电子信息与自动化学院
首都师范大学心理学院
大连海事大学船舶电气工程学院
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2024年第7期1458-1471,共14页
-
基金
国家自然科学基金(61771087,51879027)
中国民航大学科研启动基金(2020KYQD123)资助。
-
文摘
宽度学习系统(Broad learning system,BLS)作为一种基于随机向量函数型网络(Random vector functionallink network,RVFLN)的高效增量学习系统,具有快速自适应模型结构选择能力和高精度的特点.但针对目标分类任务中有标签数据匮乏问题,传统的BLS难以借助相关领域知识来提升目标域的分类效果,为此提出一种基于流形正则化框架和最大均值差异(Maximum mean discrepancy,MMD)的域适应BLS(Domain adaptive BLS,DABLS)模型,实现目标域无标签条件下的跨域图像分类.DABLS模型首先构造BLS的特征节点和增强节点,从源域和目标域数据中有效提取特征;再利用流形正则化框架构造拉普拉斯矩阵,以探索目标域数据中的流形特性,挖掘目标域数据的潜在信息.然后基于迁移学习方法构建源域数据与目标域数据之间的MMD惩罚项,以匹配源域和目标域之间的投影均值;将特征节点、增强节点、MMD惩罚项和拉普拉斯矩阵相结合,构造目标函数,并采用岭回归分析法对其求解,获得输出系数,从而提高模型的跨域分类性能.最后在不同图像数据集上进行大量的验证与对比实验,结果表明DABLS在不同图像数据集上均能获得较好的跨域分类性能,具有较强的泛化能力和较好的稳定性.
-
关键词
宽度学习系统
流形正则化框架
最大均值差异
域自适应
图像分类
-
Keywords
Broad learning system(BLS)
manifold regularization framework
maximum mean discrepancy(MMD)
domain adaptation
image classification
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名异构信息网络上基于图正则化的半监督学习
被引量：9
- 2
-
-
作者
刘钰峰
李仁发
-
机构
湖南大学信息科学与工程学院
湖南大学嵌入式系统与网络实验室
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2015年第3期606-613,共8页
-
基金
国家自然科学基金项目(61173036)
湖南大学青年教师成长计划基金项目(531107040824)
-
文摘
现实世界中存在着大量包含多种类型的对象和联系的异构信息网络,从中挖掘信息获取知识已成为当前的研究热点之一.基于图正则化的半监督学习在近年来得到了广泛的研究,然而,现有的半监督学习算法大都只能应用于同构网络.基于同构节点和异构节点的一致性假设,提出了任意结构的异构信息网络上的半监督学习的正则化分类函数,并得到分类函数的闭式解,以此预测未标记节点的类别.提出了异构信息网络上的半监督学习的迭代框架,标记节点的信息可以在邻近的节点上迭代传播,直至达到稳定状态,并证明了迭代算法将收敛于正则化分类函数的闭式解.DBLP数据集上的实验表明该方法优于经典的半监督学习算法.
-
关键词
异构信息网络
同构信息网络
半监督学习
正则化框架
聚类
-
Keywords
heterogeneous information network
homogeneous information network
semi-supervised learning
regularization framework
clustering
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名M-估计耦合双边滤波的正则化超分辨率重建
被引量：2
- 3
-
-
作者
丁静
王培康
-
机构
中国科学技术大学电子工程与信息科学系
-
出处
《计算机应用》
CSCD
北大核心
2010年第11期3005-3007,共3页
-
文摘
在正则化超分辨率重建框架下,基于M-估计理论和双边滤波思想,建立了一种鲁棒的超分辨率重建统一能量泛函。该能量泛函融合了M-估计的鲁棒性处理机制和双边滤波的双重异性加权机制,提高了算法的鲁棒性和边缘保持特性。鉴于采用最小二乘估计的CLS算法和采用最小一乘估计的Farsiu重建算法在边缘保持特性方面存在的不足,在算法实现时选用了Huber稳健M-估计。不论是视觉效果还是峰值信噪比(PSNR),实验结果都表明该算法的有效性。
-
关键词
正则化超分辨率重建框架
M-估计
双边滤波
边缘保持特性
Huber估计
-
Keywords
regularized super-resolution reconstruction
M-estimation
bilateral filtering
edge-preserving characteristic
Huber estimation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名异构信息网络中基于图的半监督学习
被引量：1
- 4
-
-
作者
汤小康
曹步文
-
机构
广东财经大学信息化建设与管理办公室
湖南大学信息科学与工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2017年第10期2258-2262,共5页
-
基金
国家科学自然基金面上项目(61472467)资助
广东财经大学校级科研项目(14GLL52001)资助
-
文摘
现有异构信息网络分类方法在稀疏标记数据中不能够获得较好的分类结果,为此,提出一种新的基于图的异构信息网络半监督学习算法HeteMine.该算法首先选取关联路径集,利用HeteSim算法获得关联路径相关性矩阵,然后依据标记数据,构建标签关系矩阵,利用关联路径权重分配模型为每条关联路径分配相应的权重,并且将端点类型相同的关联路径相关性矩阵进行加权相加,得到最终的关系相关性矩阵,最后利用正则化框架对未标记数据进行分类.应用于DBLP数据集时,相对于GNetMine和Hcc,HeteMine的分类精度能够提高0.8%-23.74%;参数变化时,HeteMine的分类精度变化范围在1.5%以内.实验结果表明,HeteMine算法相比于传统的异构信息网络分类方法,分类精度显著地提高了,并且受参数变化的影响较小.
-
关键词
异构信息网络
半监督学习
图
关联路径
正则化框架
-
Keywords
heterogeneous information networks
semi-supervised learning
graph
relevance path
regularization framework
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名结合文档处理与查询处理技术的Web服务搜索方法
- 5
-
-
作者
赵文玉
周栋
曹步清
刘建勋
-
机构
湖南科技大学计算机科学与工程学院
-
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2018年第7期1830-1837,共8页
-
基金
国家自然科学基金资助项目(61300129
61572187)
+7 种基金
教育部留学回国人员科研启动基金资助项目(教外司留[2013]1792)
湖南省教育厅资助项目(16K030)
湖南省教育厅创新平台开放基金项目(17K033)
湖南省自然科学基金项目(2017JJ2101
2018JJ2139
2017JJ2098)
湖南省研究生科研创新资助项目(CX2016B575)
湖南科技大学科学研究基金项目(KJ1839)~~
-
文摘
为了提高Web服务搜索结果的准确性和改善用户的查询体验,使用文档处理技术与查询处理技术一直是Web服务搜索研究中的热点课题。为此,本文提出一种结合两种技术的Web服务搜索方法。考虑文档与文档之间的关系,通过正则化框架,融合第一轮检索结果分数,实现搜索结果列表中文档重排序;基于排名靠前文档构建扩展词集合,从构建扩展词集合中选取候选扩展词进行查询词扩展。在NTCIR数据集上的实验结果表明,该方法能够有效提高Web服务搜索中排名顶端结果的准确率。
-
关键词
Web服务搜索
文档处理技术
查询词处理技术
正则化框架
扩展词集合
-
Keywords
Web service search
document processing technique
query processing technique
normalized framework
expansion terms set
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名面向自闭症辅助诊断的无监督模糊特征学习新方法
被引量：3
- 6
-
-
作者
张英
王骏
鲍国强
张春香
王士同
-
机构
江南大学数字媒体学院
-
出处
《智能系统学报》
CSCD
北大核心
2019年第5期882-888,共7页
-
基金
江苏省自然科学基金项目(BK20181339)
-
文摘
自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像(functional magneticresonance imaging,fMRI)高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型的无监督模糊特征映射方法,并将其与多视角支持向量机相结合,构建分类模型应用于自闭症的计算机辅助诊断。该方法首先采用多输出TSK模糊系统的规则前件学习方法,将原始特征数据映射到线性可分的高维空间;然后引入流形正则化学习框架,提出新型的无监督模糊特征学习方法,从而得到原输出特征向量的非线性低维嵌入表示;最后使用多视角SVM算法进行分类。实验结果表明:本文方法能够有效提取静息态fMRI数据中的重要特征,在保证模型具有优越且稳定的分类性能的前提下,还可以提高模型的可解释性。
-
关键词
自闭症
功能磁共振成像
功能连接
皮尔森相关性
特征选择
无监督模糊特征映射
流形正则化框架
支持向量机
-
Keywords
autism
functional magnetic resonance imaging
functional connectivity
Pearson’s correlation
feature selection
unsupervised fuzzy feature mapping
manifold regularization framework
support vectormachine
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
