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
基于自组织增量神经网络的码书产生方法在图像分类中的应用
被引量：
5
1
作者
袁飞云
《计算机应用》
CSCD
北大核心
2013年第7期1976-1979,共4页
针对基于码书模型的图像分类方法忽略图像的拓扑信息及增量学习导致分类精度有限的问题,提出了基于自组织增量神经网络(SOINN)的码书产生方法。首先回顾了常见的码书编码方式;其次改进了基本的码书模型,利用SOINN自动产生聚类数目和保...
针对基于码书模型的图像分类方法忽略图像的拓扑信息及增量学习导致分类精度有限的问题,提出了基于自组织增量神经网络(SOINN)的码书产生方法。首先回顾了常见的码书编码方式;其次改进了基本的码书模型,利用SOINN自动产生聚类数目和保留数据拓扑结构的两项能力,寻找更有效的单词和设计更有效的编码方式,产生更合适的码书。实验结果显示在不同样本数和不同规模码书下分类精确度相对同类算法有最高将近1%的提升。该结果表明基于SOINN的码书产生方法显著提高了图像分类算法的精度,该方法还可以更高效、更准确地运用于各种图像分类任务。
展开更多
关键词
码书
图像分类
空间金字塔
soinn
在线阅读
下载PDF
职称材料
自适应类增量学习的物联网入侵检测系统
被引量：
7
2
作者
刘强
张颖
+3 位作者
周卫祥
蒋先涛
周薇娜
周谋国
《计算机工程》
CAS
CSCD
北大核心
2023年第2期169-174,共6页
传统物联网入侵检测系统难以实时检测新类别攻击,为此,提出一种基于堆叠稀疏自编码器(SSAE)和自组织增量神经网络(SOINN)的物联网入侵检测方法。SSAE对已知类别的攻击样本进行稀疏编码和特征提取,所提取的特征输入SOINN,SOINN形成符合...
传统物联网入侵检测系统难以实时检测新类别攻击,为此,提出一种基于堆叠稀疏自编码器(SSAE)和自组织增量神经网络(SOINN)的物联网入侵检测方法。SSAE对已知类别的攻击样本进行稀疏编码和特征提取,所提取的特征输入SOINN,SOINN形成符合流量特征空间分布的拓扑结构。当出现新类别训练样本的特征时,SOINN自适应地生成新节点以建立新的局部拓扑结构。为了保留SSAE在旧类别样本上的知识,对SOINN已有的拓扑结构施加约束,通过误差反向传递间接约束SSAE权重的变化。针对SOINN在新类别上产生的新局部拓扑结构进行自适应聚合和优化,从而实现新类别样本学习。实验结果表明,该方法能基于新类别数据对模型进行增量训练而无需历史类别数据,在CIC-IDS2017数据集的动态数据流中能有效检测新类别攻击同时缓解旧类别数据中存在的灾难性遗忘问题,在初始已知数据集上的准确率达到98.15%,完成3个阶段的类别增量学习后整体准确率仍能达到57.34%,优于KNN-SVM、mCNN等增量学习方法。
展开更多
关键词
入侵检测系统
堆叠稀疏自编码器
自组织增量神经网络
增量学习
知识保留
在线阅读
下载PDF
职称材料
基于自组织增量-图卷积神经网络的金相图半监督学习
被引量：
3
3
作者
李维刚
谌竟成
+1 位作者
谢璐
赵云涛
《电子与信息学报》
EI
CSCD
北大核心
2021年第11期3301-3308,共8页
采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合...
采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果。针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%。
展开更多
关键词
自组织增量神经网络
图卷积神经网络
自动标注
钢材显微组织
在线阅读
下载PDF
职称材料
题名
基于自组织增量神经网络的码书产生方法在图像分类中的应用
被引量：
5
1
作者
袁飞云
机构
榆林学院信息工程学院
出处
《计算机应用》
CSCD
北大核心
2013年第7期1976-1979,共4页
文摘
针对基于码书模型的图像分类方法忽略图像的拓扑信息及增量学习导致分类精度有限的问题,提出了基于自组织增量神经网络(SOINN)的码书产生方法。首先回顾了常见的码书编码方式;其次改进了基本的码书模型,利用SOINN自动产生聚类数目和保留数据拓扑结构的两项能力,寻找更有效的单词和设计更有效的编码方式,产生更合适的码书。实验结果显示在不同样本数和不同规模码书下分类精确度相对同类算法有最高将近1%的提升。该结果表明基于SOINN的码书产生方法显著提高了图像分类算法的精度,该方法还可以更高效、更准确地运用于各种图像分类任务。
关键词
码书
图像分类
空间金字塔
soinn
Keywords
codebook image classification spatial pyramid
self-organizing
incremental
neural
network
（
soinn
）
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
自适应类增量学习的物联网入侵检测系统
被引量：
7
2
作者
刘强
张颖
周卫祥
蒋先涛
周薇娜
周谋国
机构
上海海事大学物流科学与工程研究院
上海海事大学信息工程学院
上海真灼科技股份有限公司
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第2期169-174,共6页
基金
国家自然科学基金(61673259)。
文摘
传统物联网入侵检测系统难以实时检测新类别攻击,为此,提出一种基于堆叠稀疏自编码器(SSAE)和自组织增量神经网络(SOINN)的物联网入侵检测方法。SSAE对已知类别的攻击样本进行稀疏编码和特征提取,所提取的特征输入SOINN,SOINN形成符合流量特征空间分布的拓扑结构。当出现新类别训练样本的特征时,SOINN自适应地生成新节点以建立新的局部拓扑结构。为了保留SSAE在旧类别样本上的知识,对SOINN已有的拓扑结构施加约束,通过误差反向传递间接约束SSAE权重的变化。针对SOINN在新类别上产生的新局部拓扑结构进行自适应聚合和优化,从而实现新类别样本学习。实验结果表明,该方法能基于新类别数据对模型进行增量训练而无需历史类别数据,在CIC-IDS2017数据集的动态数据流中能有效检测新类别攻击同时缓解旧类别数据中存在的灾难性遗忘问题,在初始已知数据集上的准确率达到98.15%,完成3个阶段的类别增量学习后整体准确率仍能达到57.34%,优于KNN-SVM、mCNN等增量学习方法。
关键词
入侵检测系统
堆叠稀疏自编码器
自组织增量神经网络
增量学习
知识保留
Keywords
intrusion detection system
Stacked Sparse Autoencoders(SSAE)
self-organizing
incremental
neural
network
s(
soinn
)
incremental
learning
knowledge retention
分类号
TP393 [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
基于自组织增量-图卷积神经网络的金相图半监督学习
被引量：
3
3
作者
李维刚
谌竟成
谢璐
赵云涛
机构
武汉科技大学冶金自动化与检测技术教育部工程研究中心
出处
《电子与信息学报》
EI
CSCD
北大核心
2021年第11期3301-3308,共8页
基金
国家自然科学基金(51774219)。
文摘
采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果。针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%。
关键词
自组织增量神经网络
图卷积神经网络
自动标注
钢材显微组织
Keywords
self-organizing
incremental
neural
network
(
soinn
)
Graph Convolution
network
(GCN)
Automatic annotation
Steel material microstructure
分类号
TN911.73 [电子电信—通信与信息系统]
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
基于自组织增量神经网络的码书产生方法在图像分类中的应用
袁飞云
《计算机应用》
CSCD
北大核心
2013
5
在线阅读
下载PDF
职称材料
2
自适应类增量学习的物联网入侵检测系统
刘强
张颖
周卫祥
蒋先涛
周薇娜
周谋国
《计算机工程》
CAS
CSCD
北大核心
2023
7
在线阅读
下载PDF
职称材料
3
基于自组织增量-图卷积神经网络的金相图半监督学习
李维刚
谌竟成
谢璐
赵云涛
《电子与信息学报》
EI
CSCD
北大核心
2021
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
