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
共找到10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：
一种新的深度学习信号调制方式自动识别算法研究
1
作者 张丹华 冯冀宁 《现代电子技术》 北大核心 2025年第12期179-186,共8页
调制方式自动识别(AMR)基于深度学习(DL)的方法 AMR-DL是当前信号调制方式识别领域的研究热点。然而,低信噪比(SNR)条件下的调制信号以及深度学习网络参数量过大会显著降低AMR-DL的识别准确率和计算效率。针对这两个关键问题,提出一种新... 调制方式自动识别(AMR)基于深度学习(DL)的方法 AMR-DL是当前信号调制方式识别领域的研究热点。然而,低信噪比(SNR)条件下的调制信号以及深度学习网络参数量过大会显著降低AMR-DL的识别准确率和计算效率。针对这两个关键问题,提出一种新型AMR-DL算法。新算法利用多观测样本累积方法提高信噪比,对增强后的信号进行小波变换,得到时频图像,将调制识别问题转换为时频图像的分类问题;同时设计了一个轻量级神经网络,用于时频图像特征提取与分类。仿真结果显示,所提新型AMR-DL算法中轻量级神经网络参数量较少,在0 dB下准确率可达98.1%,且与其他算法相比在低信噪比条件下显著提高了调制信号的识别准确率。 展开更多
关键词 深度学习 调制方式自动识别 多观测样本累积 轻量级神经网络 小波变换 低信噪比
在线阅读 下载PDF
结合CNN与Transformer的双流U型医学图像分割网络
2
作者 杨超荣 张朝晖 《小型微型计算机系统》 北大核心 2025年第8期2016-2026,共11页
为有效利用医学输入图像的局部特征与全局语义信息,从而获得边界更清晰、语义结构更完整的图像分割结果,提出一种结合CNN与Transformer的双流U型医学图像分割网络(DS-UNet).首先,双流U型结构由用于局部特征提取的CNN分支和进行全局特征... 为有效利用医学输入图像的局部特征与全局语义信息,从而获得边界更清晰、语义结构更完整的图像分割结果,提出一种结合CNN与Transformer的双流U型医学图像分割网络(DS-UNet).首先,双流U型结构由用于局部特征提取的CNN分支和进行全局特征提取的Swin Transformer分支构成;之后,为实现局部特征与全局特征的优势互补,以通道注意力和空间注意力为基础,提出了CNN和Transformer的融合模块(CTFB),并将其作为DS-UNet的重要组件,用于特征处理3个关键阶段双分支的信息交互与特征融合;此外,还提出一种用于双分支特征图与浅层多尺度特征图融合的跨分支信息增强模块(CBIE),为后续分割结果的生成做进一步的全局语义信息增强与浅层细节补充.以Dice相似系数与IoU值为评价指标,在GlaS、MoNuSeg、QaTa-COV19以及Synapse 4个公开数据集的对比实验表明,DS-UNet优于其他大部分竞争算法,并在GlaS、MoNuSeg以及Synapse数据集上性能最优. 展开更多
关键词 医学图像语义分割 双流U型结构 Swin Transformer CNN 特征融合
在线阅读 下载PDF
自适应聚类中心策略优化的密度峰值聚类算法 被引量：4
3
作者 徐童童 解滨 +1 位作者 张喜梅 张春昊 《计算机工程与应用》 CSCD 北大核心 2023年第21期91-101,共11页
密度峰值聚类算法(DPC)是一种简单高效的无监督聚类算法,能够快速找到聚类中心完成聚类。该算法通过截断距离定义局部密度未考虑样本点的空间分布特征;通过决策图选择聚类中心点,具有较强人为主观性;在分配样本点时采用单一分配策略,易... 密度峰值聚类算法(DPC)是一种简单高效的无监督聚类算法,能够快速找到聚类中心完成聚类。该算法通过截断距离定义局部密度未考虑样本点的空间分布特征;通过决策图选择聚类中心点,具有较强人为主观性;在分配样本点时采用单一分配策略,易产生连带错误。因此提出一种自适应聚类中心策略优化的密度峰值聚类算法(ADPC),采用共享近邻定义两点之间的相似性度量,重新定义了局部密度,使局部密度反应样本间的空间分布特征;通过相邻点之间斜率差分确定样本密度ρ与相对距离δ的乘积γ值的“拐点”,并对γ进行幂函数变换,以提高潜在聚类中心与非聚类中心的区分度,利用决策函数确定潜在的聚类中心,再通过潜在聚类中心之间距离均值自适应确定真实聚类中心;优化了非聚类中心点的分配策略。通过在UCI以及人工数据集上进行实验,该算法都可以自适应准确选定聚类中心,且在一定程度上提高了聚类性能。 展开更多
关键词 密度峰值聚类 共享近邻 斜率差分 自适应 决策函数
在线阅读 下载PDF
基于拉格朗日对偶的小样本学习隐私保护和公平性约束方法 被引量：1
4
作者 王静红 田长申 +1 位作者 李昊康 王威 《计算机科学》 CSCD 北大核心 2024年第7期405-412,共8页
小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型... 小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型的训练中存在隐私泄露的风险和公平性问题。此外,在许多领域中,由于隐私或安全等,数据很难或无法获取。同时在差分隐私模型中,噪声的引入不仅会导致模型效用的降低,也会引起模型公平性的失衡。针对这些挑战,提出了一种基于Rényi差分隐私过滤器的样本级自适应隐私过滤算法,利用Rényi差分隐私以实现对隐私损失的更精确计算。进一步,提出了一种基于拉格朗日对偶的隐私性和公平性约束算法,该算法通过引入拉格朗日方法,将差分隐私约束和公平性约束加到目标函数中,并引入拉格朗日乘子来平衡这些约束。利用拉格朗日乘子法将目标函数转化为对偶问题,从而实现同时优化隐私性和公平性,通过拉格朗日函数实现隐私性和公平性的平衡。实验结果证明,该方法既提升了模型性能,又保证了模型的隐私性和公平性。 展开更多
关键词 小样本学习 隐私与公平 Rényi差分隐私 公平性约束 拉格朗日对偶
在线阅读 下载PDF
基于相似网络和联合注意力的图嵌入模型 被引量：1
5
作者 王静红 李昌鑫 +1 位作者 杨家腾 于富强 《河南师范大学学报（自然科学版）》 CAS 北大核心 2024年第6期36-44,共9页
图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌... 图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌入模型.首先计算网络中的节点相似性,并将高相似度且未连接的节点对构建新边以形成相似网络.其次,引入结构相关性和内容相关性的概念,分别用于表征节点之间的结构关系和内容特征.通过融合两种相关性得分计算得到联合注意力分数.最后使用联合注意力分数对节点特征加权聚合,得到最终的节点嵌入表示.将本文所提算法在Cora、Citeseer和Pubmed 3个数据集上进行节点分类任务,准确率分别达到85.70%、74.30%、84.10%,与原始图注意力网络模型相比分别提高了2.70%、3.94%和2.60%.可见,所提出的算法可以得到更好的节点嵌入表示. 展开更多
关键词 图嵌入 图注意力网络 节点相似性 相似网络 节点分类
在线阅读 下载PDF
基于反向K近邻和密度峰值初始化的加权Kmeans聚类入侵检测算法 被引量：11
6
作者 张喜梅 解滨 +1 位作者 徐童童 张春昊 《南京理工大学学报》 CAS CSCD 北大核心 2023年第1期56-65,共10页
传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响,为了避免这些影响,该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向... 传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响,为了避免这些影响,该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向K近邻,针对不同规模、不同密度分布数据集,可以自适应地搜索密度峰值点作为初始类簇中心;自适应设定相对簇半径,并通过样本加权进行类簇中心迭代,在不同数据分布下可以有效降低边缘点和离群点对聚类结果的影响。试验结果证明,该算法在聚类性能提升的同时迭代次数大幅降低,随着入侵行为类型和数据规模的增加,该文聚类算法仍体现出较好的性能,且在发现未知攻击类型上效果显著。 展开更多
关键词 Kmeans聚类 入侵检测 密度峰值 样本加权 反向K近邻
在线阅读 下载PDF
结合共享近邻和流形距离的自适应谱聚类算法 被引量：2
7
作者 张喜梅 解滨 +2 位作者 米据生 徐童童 张祎玲 《计算机科学》 CSCD 北大核心 2023年第10期59-70,共12页
谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输... 谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输入数据构造的相似度矩阵,且通过特征分解得到松弛划分矩阵和离散化过程的两步独立策略难以得到一个共同最优解。因此,提出一种结合共享近邻和流形距离的自适应谱聚类算法(SNN-MSC),引入一种新的具有指数项和比例因子的流形距离,可以灵活调整同一流形内数据的相似度和不同流形之间数据的相似度之比,并将密度因子纳入流形距离度量中,以消除噪声影响;采用共享近邻重新定义相似度度量,能挖掘数据点之间的空间结构和局部关系;同时,对拉普拉斯矩阵施加秩约束,使相似度矩阵中的连通分量完全等于簇个数,能够在优化求解过程中自适应优化数据相似度矩阵和聚类结构,无须再进行离散化操作。在人工数据集和UCI真实数据集上的对比实验显示,所提算法在多个聚类有效性指标上能体现出更好的性能。 展开更多
关键词 谱聚类 流形距离 共享近邻 秩约束 自适应
在线阅读 下载PDF
一种结合自适应近邻与密度峰值的加权模糊聚类算法 被引量：6
8
作者 张春昊 解滨 +1 位作者 张喜梅 徐童童 《小型微型计算机系统》 CSCD 北大核心 2023年第9期1974-1982,共9页
传统的模糊C均值(fuzzy c-means,FCM)算法的聚类结果容易受到随机选取初始聚类中心的影响,且在聚类过程中忽视了样本的不同特征和样本本身的重要程度对聚类结果产生的影响.针对这一系列问题,提出了一种结合自适应近邻与密度峰值的基于... 传统的模糊C均值(fuzzy c-means,FCM)算法的聚类结果容易受到随机选取初始聚类中心的影响,且在聚类过程中忽视了样本的不同特征和样本本身的重要程度对聚类结果产生的影响.针对这一系列问题,提出了一种结合自适应近邻与密度峰值的基于信息熵加权的模糊聚类算法(ANNDP-WFCM).首先,结合自适应近邻的密度峰值算法(ANNDP)实现初始聚类中心的自动搜索,针对不同规模、不同结构的数据集可以自适应的找到每个样本的近邻集合,根据近邻信息定义样本的局部密度,搜索和发现数据集中的密度峰值点作为初始聚类中心.然后通过信息熵赋权区分不同特征在聚类过程中的重要程度,同时利用样本之间距离的倒数对样本本身进行加权,重新定义目标函数中的模糊聚类中心.最后针对目标函数,利用拉格朗日乘子法交替寻优,对最终的隶属度矩阵去模糊化得到聚类结果.通过不同公共数据集的对比实验,验证了ANNDP-WFCM算法具有较少的迭代次数和较高的聚类准确性. 展开更多
关键词 FCM 密度峰值 自适应 信息熵
在线阅读 下载PDF
多视角层次聚类下的无线网络入侵检测算法 被引量：3
9
作者 董新玉 解滨 +1 位作者 赵旭升 高新宝 《计算机科学与探索》 CSCD 北大核心 2022年第12期2752-2764,共13页
针对现有基于监督学习的无线网络入侵检测算法误检率高、难以发现未知类型攻击行为、获取带标记网络数据代价大的问题,提出一种基于多视角层次聚类的无监督无线网络入侵检测算法。该算法基于无监督学习,不需要为参与分类器学习的大量无... 针对现有基于监督学习的无线网络入侵检测算法误检率高、难以发现未知类型攻击行为、获取带标记网络数据代价大的问题,提出一种基于多视角层次聚类的无监督无线网络入侵检测算法。该算法基于无监督学习,不需要为参与分类器学习的大量无线网络数据进行人工标记,具有易获取训练数据集和发现未知类型攻击行为的优势,同时该算法引入多视角余弦距离作为层次聚类中无线网络数据对象间相似性度量,使聚类结果更加合理,对网络数据行为的判定更加准确,在一定程度上降低了入侵检测的误检率。选用公开无线网络攻击数据集(AWID)进行实验,通过主成分分析法对实验数据集进行降维处理,很大程度上降低了入侵检测算法的时间复杂度。实验结果表明,与传统的无线网络入侵检测算法相比,提出的多视角层次聚类下的无线网络入侵检测算法在检测率、误检率和发现未知攻击类型等性能上都有显著提升。 展开更多
关键词 多视角 层次聚类 无线网络 入侵检测 主成分分析(PCA)
在线阅读 下载PDF
基于自适应学习的序列生成方法
10
作者 张宝奇 赵书良 +1 位作者 张剑 吕晓锋 《计算机应用研究》 CSCD 北大核心 2022年第7期2081-2086,共6页
离散序列生成广泛应用于文本生成、序列推荐等领域。目前的研究工作主要集中在提高序列生成的准确性,却忽略了生成的多样性。针对该现象,提出了一种自适应序列生成方法ECoT,设置两层元控制器,在数据层面,使用元控制器实现自适应可学习采... 离散序列生成广泛应用于文本生成、序列推荐等领域。目前的研究工作主要集中在提高序列生成的准确性,却忽略了生成的多样性。针对该现象,提出了一种自适应序列生成方法ECoT,设置两层元控制器,在数据层面,使用元控制器实现自适应可学习采样,自动平衡真实数据与生成数据分布得到混合数据分布;在模型层面,添加多样性约束项,并使用元控制器自适应学习最优更新梯度,提升生成模型生成多样性。此外,进一步提出融合协同训练和对抗学习的方法,提升生成模型生成准确性。与目前的主流模型进行对比实验,结果表明,在生成准确性和多样性上,自适应协同训练序列生成方法具有更均衡的准确性和多样性,同时有效缓解了生成模型的模式崩溃问题。 展开更多
关键词 深度学习 机器学习 序列生成 协同训练 对抗学习
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部