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
基于贝叶斯混合集成的概念漂移数据流分类
1
作者
杨彬彬
《计算机工程与设计》
CSCD
北大核心
2014年第10期3489-3492,3553,共5页
为有效解决概念漂移数据流分类问题,提出一种基于混合集成学习的概念漂移数据流分类方法。考虑数据分布特性与概念漂移速率这两个因素,将概念漂移的成因考虑到模型的构建中。采用混合集成学习框架,根据贝叶斯分类错误率来检测概念漂移,...
为有效解决概念漂移数据流分类问题,提出一种基于混合集成学习的概念漂移数据流分类方法。考虑数据分布特性与概念漂移速率这两个因素,将概念漂移的成因考虑到模型的构建中。采用混合集成学习框架,根据贝叶斯分类错误率来检测概念漂移,通过动态调整滑动窗口,实现不同类型概念漂移的自动识别。实验结果表明,对于不同类型概念漂移数据流的识别问题,该算法在抗噪和漂移检测方面均表现出良好的性能。
展开更多
关键词
概念漂移
数据流
滑动窗口
贝叶斯分类器
混合集成学习
在线阅读
下载PDF
职称材料
基于BERT和SSA-BXS的水稻表型组学实体分类研究
2
作者
祝心雨
徐达宇
张旭尧
《南方农机》
2025年第15期1-8,14,共9页
【目的】解决由于水稻表型组学数据丰富多样而导致的信息提取和利用效率较低等问题,提高水稻表型组学实体分类的准确性和效率。【方法】提出了一种基于麻雀搜索算法优化的水稻表型组学实体分类模型。该模型采用创新的混合集成学习策略,...
【目的】解决由于水稻表型组学数据丰富多样而导致的信息提取和利用效率较低等问题,提高水稻表型组学实体分类的准确性和效率。【方法】提出了一种基于麻雀搜索算法优化的水稻表型组学实体分类模型。该模型采用创新的混合集成学习策略,并引入BERT模型,以利用其深度双向编码能力高效提取水稻表型组学实体的词向量特征,实现精准分类。此外,与传统单一分类器(SVM、LGBM、XGBoost、CatBoost和MLP)进行了比较实验,验证本研究所提方法的优越性。【结果】SSA-BXS模型在准确率、精确率、召回率和F1-score等关键指标上均显著优于其他方法,分别达88.07%、90.85%、88.07%和88.32%。【结论】本研究所提出的混合整合方法在水稻表型组学实体分类任务中的表现出色,显示出其实用价值与潜力,可为未来水稻表型组学的深入研究提供有力支持。
展开更多
关键词
水稻表型组学
实体分类
麻雀搜索算法
混合集成学习
BERT模型
在线阅读
下载PDF
职称材料
题名
基于贝叶斯混合集成的概念漂移数据流分类
1
作者
杨彬彬
机构
辽宁师范大学计算机与信息技术学院
出处
《计算机工程与设计》
CSCD
北大核心
2014年第10期3489-3492,3553,共5页
基金
国家自然科学基金项目(10771092)
辽宁省教育厅基金项目(L2011186)
文摘
为有效解决概念漂移数据流分类问题,提出一种基于混合集成学习的概念漂移数据流分类方法。考虑数据分布特性与概念漂移速率这两个因素,将概念漂移的成因考虑到模型的构建中。采用混合集成学习框架,根据贝叶斯分类错误率来检测概念漂移,通过动态调整滑动窗口,实现不同类型概念漂移的自动识别。实验结果表明,对于不同类型概念漂移数据流的识别问题,该算法在抗噪和漂移检测方面均表现出良好的性能。
关键词
概念漂移
数据流
滑动窗口
贝叶斯分类器
混合集成学习
Keywords
concept drift
stream data
sliding window
Bayesian classifier
hybrid integrated learning
分类号
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BERT和SSA-BXS的水稻表型组学实体分类研究
2
作者
祝心雨
徐达宇
张旭尧
机构
浙江农林大学数学与计算机科学学院
浙江农林大学经济管理学院
出处
《南方农机》
2025年第15期1-8,14,共9页
基金
国家自然科学基金“‘5G+IoT’场景下混合数据流驱动的作物生长状态智能预测研究”(72001190)
教育部人文社科基金(20YJC630173)。
文摘
【目的】解决由于水稻表型组学数据丰富多样而导致的信息提取和利用效率较低等问题,提高水稻表型组学实体分类的准确性和效率。【方法】提出了一种基于麻雀搜索算法优化的水稻表型组学实体分类模型。该模型采用创新的混合集成学习策略,并引入BERT模型,以利用其深度双向编码能力高效提取水稻表型组学实体的词向量特征,实现精准分类。此外,与传统单一分类器(SVM、LGBM、XGBoost、CatBoost和MLP)进行了比较实验,验证本研究所提方法的优越性。【结果】SSA-BXS模型在准确率、精确率、召回率和F1-score等关键指标上均显著优于其他方法,分别达88.07%、90.85%、88.07%和88.32%。【结论】本研究所提出的混合整合方法在水稻表型组学实体分类任务中的表现出色,显示出其实用价值与潜力,可为未来水稻表型组学的深入研究提供有力支持。
关键词
水稻表型组学
实体分类
麻雀搜索算法
混合集成学习
BERT模型
分类号
Q943 [生物学—植物学]
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
作者
出处
发文年
被引量
操作
1
基于贝叶斯混合集成的概念漂移数据流分类
杨彬彬
《计算机工程与设计》
CSCD
北大核心
2014
0
在线阅读
下载PDF
职称材料
2
基于BERT和SSA-BXS的水稻表型组学实体分类研究
祝心雨
徐达宇
张旭尧
《南方农机》
2025
0
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
