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
3
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
融减自动编码器
被引量：
2
1
作者
孙宇
魏本征
+2 位作者
刘川
张魁星
丛金玉
《计算机科学与探索》
CSCD
北大核心
2021年第8期1526-1533,共8页
自动编码器(AE)是深度学习领域中一种结构简单且应用广泛的无监督特征提取算法。在图像特征提取方面,现有自动编码器普遍存在特征提取不充分、模型参数量较多等问题。针对上述问题,提出了一种用于图像特征提取的融减自动编码器(MRAE)。...
自动编码器(AE)是深度学习领域中一种结构简单且应用广泛的无监督特征提取算法。在图像特征提取方面,现有自动编码器普遍存在特征提取不充分、模型参数量较多等问题。针对上述问题,提出了一种用于图像特征提取的融减自动编码器(MRAE)。首先,在该算法中提出“融减网络结构”,该结构在编码器中通过特征交叉传递实现了特征融合,在解码器中通过优化解码结构降低了特征损失并减少了模型参数量;其次,设计一种联合重构损失函数,该函数通过计算特征层之间的重构损失,在加强特征层之间联系的同时可有效避免模型早熟。实验结果表明:在肺部CT图像数据集上,基于融减自动编码器所提取的特征使用支持向量机(SVM)、K-means和分类回归决策树(CART)等分类器,肺炎筛查准确率均在97%以上;在CvD数据集上,基于融减自动编码器所提取的特征使用全连接分类的准确率均在90%以上。
展开更多
关键词
自动
编码器
(
ae
)
特征提取
融减
自动
编码器
(MR
ae
)
融减网络结构
联合重构损失函数
在线阅读
下载PDF
职称材料
基于上下文编码器的图像修复算法
2
作者
任鹏博
毛克彪
《高技术通讯》
CAS
2023年第9期947-956,共10页
基于数学的传统模型在纹理学习上的效果比较好,但是在图像内容和语义上有所缺失。近年来,随着深度学习的兴起,将深度学习应用于图像修复的方法十分热门,对各种残缺图像的修补也取得了较好的结果。本文使用的基于上下文编码器的图像修复...
基于数学的传统模型在纹理学习上的效果比较好,但是在图像内容和语义上有所缺失。近年来,随着深度学习的兴起,将深度学习应用于图像修复的方法十分热门,对各种残缺图像的修补也取得了较好的结果。本文使用的基于上下文编码器的图像修复方法,结合自编码器(AE)和生成对抗网络(GAN)。其中,使用AE进行图像特征的学习,生成待修补区域的预测图;使用GAN的对抗学习来优化模型;使用由重建损失和对抗损失组成的联合损失函数。经过训练后的卷积神经网络(CNN),能够根据图像周边的像素特征,对丢失的区域进行合理推断,生成缺失部分。最后,本文对比了使用联合损失函数和单独使用重建损失与对抗损失函数的效果,并将本文算法与另外2种模型对比,采用客观评价指标,即平均绝对误差(MAE)、峰值信噪比(PSNR)以及结构相似性(SSIM)进行评价,其结果表明本模型在修复残缺图像时效果均较好,普适性更强。
展开更多
关键词
图像修复
深度学习
卷积神经网络(CNN)
自动
编码器
(
ae
)
生成对抗网络(GAN)
在线阅读
下载PDF
职称材料
基于AE-CLSSA-ELM的煤与瓦斯突出危险性预测模型
被引量：
6
3
作者
温廷新
高倩
《中国安全生产科学技术》
CAS
CSCD
北大核心
2023年第5期73-79,共7页
为了有效挖掘煤与瓦斯突出数据的非线性关系,提高煤与瓦斯突出危险性预测精度,提出1种基于自动编码器(AE)-改进麻雀搜索算法(CLSSA)-极限学习机(ELM)的预测模型。首先,在分析煤与瓦斯突出影响指标之间相关性的基础上,采用AE算法提取特征...
为了有效挖掘煤与瓦斯突出数据的非线性关系,提高煤与瓦斯突出危险性预测精度,提出1种基于自动编码器(AE)-改进麻雀搜索算法(CLSSA)-极限学习机(ELM)的预测模型。首先,在分析煤与瓦斯突出影响指标之间相关性的基础上,采用AE算法提取特征,降低数据复杂度;然后,基于麻雀搜索算法(SSA),引入Tent混沌映射和Levy飞行策略改进设计CLSSA;最后,利用CLSSA优选ELM的输入层权值和隐藏层阈值,构建煤与瓦斯突出预测模型对AE降维后的数据训练、测试,并与其他模型对比。研究结果表明:经AE特征提取后,ELM预测准确率提高了11%,且各类的错判数得到减少;基于AE-CLSSA-ELM的煤与瓦斯突出预测模型准确率为98.5%,F1值为97.87%,预测效果优于其他对比模型。研究结果可为煤与瓦斯突出事故的防范提供参考。
展开更多
关键词
煤与瓦斯突出预测
自动
编码器
(
ae
)
麻雀搜索算法(SSA)
极限学习机(ELM)
在线阅读
下载PDF
职称材料
题名
融减自动编码器
被引量：
2
1
作者
孙宇
魏本征
刘川
张魁星
丛金玉
机构
山东中医药大学智能与信息工程学院
山东中医药大学医学人工智能研究中心
山东中医药大学青岛中医药科学院
出处
《计算机科学与探索》
CSCD
北大核心
2021年第8期1526-1533,共8页
基金
国家自然科学基金(61872225)
山东省自然科学基金(ZR2019ZD04,ZR2015FM010)。
文摘
自动编码器(AE)是深度学习领域中一种结构简单且应用广泛的无监督特征提取算法。在图像特征提取方面,现有自动编码器普遍存在特征提取不充分、模型参数量较多等问题。针对上述问题,提出了一种用于图像特征提取的融减自动编码器(MRAE)。首先,在该算法中提出“融减网络结构”,该结构在编码器中通过特征交叉传递实现了特征融合,在解码器中通过优化解码结构降低了特征损失并减少了模型参数量;其次,设计一种联合重构损失函数,该函数通过计算特征层之间的重构损失,在加强特征层之间联系的同时可有效避免模型早熟。实验结果表明:在肺部CT图像数据集上,基于融减自动编码器所提取的特征使用支持向量机(SVM)、K-means和分类回归决策树(CART)等分类器,肺炎筛查准确率均在97%以上;在CvD数据集上,基于融减自动编码器所提取的特征使用全连接分类的准确率均在90%以上。
关键词
自动
编码器
(
ae
)
特征提取
融减
自动
编码器
(MR
ae
)
融减网络结构
联合重构损失函数
Keywords
auto-encoder(
ae
)
feature extraction
melting reduction auto-encoder(MR
ae
)
ablation network structure
loss function of joint reconstruction
分类号
TP183 [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
基于上下文编码器的图像修复算法
2
作者
任鹏博
毛克彪
机构
宁夏大学物理与电子电气工程学院
中国农业科学院农业资源与农业区划研究所
出处
《高技术通讯》
CAS
2023年第9期947-956,共10页
基金
宁夏自治区科技创新团队柔性引进人才(2021RXTDLX14)
中央级公益性科研院所基本科研业务费专项资金(1610132020014)资助。
文摘
基于数学的传统模型在纹理学习上的效果比较好,但是在图像内容和语义上有所缺失。近年来,随着深度学习的兴起,将深度学习应用于图像修复的方法十分热门,对各种残缺图像的修补也取得了较好的结果。本文使用的基于上下文编码器的图像修复方法,结合自编码器(AE)和生成对抗网络(GAN)。其中,使用AE进行图像特征的学习,生成待修补区域的预测图;使用GAN的对抗学习来优化模型;使用由重建损失和对抗损失组成的联合损失函数。经过训练后的卷积神经网络(CNN),能够根据图像周边的像素特征,对丢失的区域进行合理推断,生成缺失部分。最后,本文对比了使用联合损失函数和单独使用重建损失与对抗损失函数的效果,并将本文算法与另外2种模型对比,采用客观评价指标,即平均绝对误差(MAE)、峰值信噪比(PSNR)以及结构相似性(SSIM)进行评价,其结果表明本模型在修复残缺图像时效果均较好,普适性更强。
关键词
图像修复
深度学习
卷积神经网络(CNN)
自动
编码器
(
ae
)
生成对抗网络(GAN)
Keywords
image inpainting
deep learning
convolution neural network(CNN)
auto encoder(
ae
)
generative adversarial network(GAN)
分类号
TP391.41 [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
基于AE-CLSSA-ELM的煤与瓦斯突出危险性预测模型
被引量：
6
3
作者
温廷新
高倩
机构
辽宁工程技术大学工商管理学院
出处
《中国安全生产科学技术》
CAS
CSCD
北大核心
2023年第5期73-79,共7页
基金
国家自然科学基金项目(71771111)
辽宁省社会科学规划基金项目(L14BTJ004)。
文摘
为了有效挖掘煤与瓦斯突出数据的非线性关系,提高煤与瓦斯突出危险性预测精度,提出1种基于自动编码器(AE)-改进麻雀搜索算法(CLSSA)-极限学习机(ELM)的预测模型。首先,在分析煤与瓦斯突出影响指标之间相关性的基础上,采用AE算法提取特征,降低数据复杂度;然后,基于麻雀搜索算法(SSA),引入Tent混沌映射和Levy飞行策略改进设计CLSSA;最后,利用CLSSA优选ELM的输入层权值和隐藏层阈值,构建煤与瓦斯突出预测模型对AE降维后的数据训练、测试,并与其他模型对比。研究结果表明:经AE特征提取后,ELM预测准确率提高了11%,且各类的错判数得到减少;基于AE-CLSSA-ELM的煤与瓦斯突出预测模型准确率为98.5%,F1值为97.87%,预测效果优于其他对比模型。研究结果可为煤与瓦斯突出事故的防范提供参考。
关键词
煤与瓦斯突出预测
自动
编码器
(
ae
)
麻雀搜索算法(SSA)
极限学习机(ELM)
Keywords
coal and gas outburst prediction
auto-encoder(
ae
)
sparrow search algorithm(SSA)
extreme learning machine(ELM)
分类号
X936 [环境科学与工程—安全科学]
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
融减自动编码器
孙宇
魏本征
刘川
张魁星
丛金玉
《计算机科学与探索》
CSCD
北大核心
2021
2
在线阅读
下载PDF
职称材料
2
基于上下文编码器的图像修复算法
任鹏博
毛克彪
《高技术通讯》
CAS
2023
0
在线阅读
下载PDF
职称材料
3
基于AE-CLSSA-ELM的煤与瓦斯突出危险性预测模型
温廷新
高倩
《中国安全生产科学技术》
CAS
CSCD
北大核心
2023
6
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
