期刊文献+
共找到14篇文章
< 1 >
每页显示 20 50 100
结合滑动窗口与模糊互信息的多标记流特征选择
1
作者 程玉胜 李雨 +1 位作者 王一宾 陈飞 《小型微型计算机系统》 CSCD 北大核心 2019年第2期320-327,共8页
特征选择是处理高维度问题的一种有效方法,而传统的大部分算法都基于静态的特征空间.但是有些问题其特征空间和标记空间均呈现增量或动态的特点,传统的特征选择算法不再适用.针对这一问题,结合滑动窗口机制,本文提出了结合滑动窗口与模... 特征选择是处理高维度问题的一种有效方法,而传统的大部分算法都基于静态的特征空间.但是有些问题其特征空间和标记空间均呈现增量或动态的特点,传统的特征选择算法不再适用.针对这一问题,结合滑动窗口机制,本文提出了结合滑动窗口与模糊互信息的多标记流特征选择;同时,为了减弱互信息对特征重要程度的判断,对模糊互信息进行正则化处理,并通过正则化重新优化特征重要度目标函数.提出的算法在多标记数据集上进行了大量测试,实验结果和统计假设检验说明本文算法是有效的. 展开更多
关键词 模糊互信息 多标记学习 数据流 特征选择
结合谱聚类的标记分布学习 预览
2
作者 王一宾 李田力 程玉胜 《智能系统学报》 CSCD 北大核心 2019年第5期966-973,共8页
标记分布是一种新的学习范式,现有算法大多数直接使用条件概率建立参数模型,未充分考虑样本之间的相关性,导致计算复杂度增大。基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱... 标记分布是一种新的学习范式,现有算法大多数直接使用条件概率建立参数模型,未充分考虑样本之间的相关性,导致计算复杂度增大。基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱聚类的标记分布学习算法(label distribution learning with spectral clustering,SC-LDL)。首先,计算样本相似度矩阵;然后,对矩阵进行拉普拉斯变换,构造特征向量空间;最后,通过K-means算法对数据进行聚类建立参数模型,预测未知样本的标记分布。与现有算法在多个数据集上的实验表明,本算法优于多个对比算法,统计假设检验进一步说明算法的有效性和优越性。 展开更多
关键词 谱聚类 标记分布学习 相似度矩阵 拉普拉斯变换 K-均值 参数模型 标记分布 机器学习
在线阅读 下载PDF
基于混合核极限学习机的多标签学习研究 预览
3
作者 钱萌 唐家康 《重庆科技学院学报:自然科学版》 CAS 2019年第2期79-85,共7页
为了获得更优算法,将加入混合核的极限学习机算法应用于多标签学习中。首先在极限学习机算法中通过混合核函数将特征映射到高维空间,然后对原标签空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标签情况。
关键词 多标签学习 极限学习机 混合核函数 回归拟合
在线阅读 下载PDF
弹性网络核极限学习机的多标记学习算法 预览
4
作者 王一宾 裴根生 程玉胜 《智能系统学报》 CSCD 北大核心 2019年第4期831-842,共12页
将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性。但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达。同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习... 将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性。但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达。同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习,但结合弹性网络的极限学习机如何解决多标记问题鲜有研究。基于此,本文提出一种对核极限学习机添加弹性网络正则化的多标记学习算法。首先,对多标记数据特征空间使用径向基核函数映射;随后,对核极限学习机损失函数施加弹性网络正则项;最后,采用坐标下降法迭代求解输出权值以得到最终预测标记。通过对比试验和统计分析表明,提出的算法具有更好的性能表现。 展开更多
关键词 多标记学习 核极限学习机 正则化 弹性网络 径向基函数 坐标下降法
在线阅读 下载PDF
非平衡化标签补全核极限学习机多标签学习 预览
5
作者 程玉胜 赵大卫 +1 位作者 王一宾 裴根生 《电子学报》 EI CAS CSCD 北大核心 2019年第3期719-725,共7页
目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补... 目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补全的核极限学习机多标签学习算法(KELM-NeLC):首先使用信息熵计算标签之间的相关关系得到标签置信度矩阵,然后利用非平衡参数方法对基础的标签置信度矩阵进行改进,构建出一个非平衡的标签补全矩阵,最后为了学习获得更加准确的标签置信度矩阵,将非平衡化的标签补全矩阵与核极限学习机进行联合学习,依此解决多标签分类问题.提出的算法在公开的多个基准多标签数据集中的实验结果表明,KELM-NeLC算法较其他对比的多标签学习算法有一定优势,使用统计假设检验进一步说明所提出算法的有效性. 展开更多
关键词 机器学习 多标签学习 标签相关性 信息熵 标签补全 极限学习机
在线阅读 下载PDF
考虑紧急度的救灾车辆路径问题建模与优化 预览
6
作者 张玉州 徐廷政 +1 位作者 郑军帅 饶舜 《计算机应用》 CSCD 北大核心 2019年第8期2444-2449,共6页
为了减少救灾物资配送的延误时间和救灾车辆的总运输时间,引入紧急度的概念,建立了基于紧急度的救灾物资车辆路径问题模型,并设计了一种改进遗传算法对该模型进行求解。首先,采用多种策略生成初始种群;然后,提出一种基于紧急度的任务再... 为了减少救灾物资配送的延误时间和救灾车辆的总运输时间,引入紧急度的概念,建立了基于紧急度的救灾物资车辆路径问题模型,并设计了一种改进遗传算法对该模型进行求解。首先,采用多种策略生成初始种群;然后,提出一种基于紧急度的任务再分配算法作为局部搜索算子,该算法依据紧急度为延误安置点重新安排配送车辆或调整配送顺序从而减少延误时间,对无延误的车辆优化其路线从而减少总运输时间,以达到延误时间和总运输时间两者最优。在17个数据集上与先来先服务(FCFS)算法、按紧急度排序(URGS)算法和遗传算法(GA)三种算法进行了对比。实验结果表明,具有基于紧急度的任务再分配策略的遗传算法(TRUD-GA)与GA相比,平均延误时间减少25.0%,平均运输时间减少1.9%,与FCFS、URGS算法相比改进则更加明显。 展开更多
关键词 紧急度 优化 车辆路径问题 遗传算法 局部搜索
在线阅读 下载PDF
动态滑动窗口加权互信息流特征选择 预览 被引量:1
7
作者 程玉胜 李雨 +1 位作者 王一宾 陈飞 《南京大学学报:自然科学版》 CSCD 北大核心 2018年第5期974-985,共12页
特征选择是解决数据高维性的一种有效方法,传统的特征选择算法常用经典信息论知识去度量特征的重要度,却忽略了标记和未标记数据的互相影响;同时,这些方法主要基于静态数据的多标记特征选择,很难直接应用到动态流数据环境中.而现实世界... 特征选择是解决数据高维性的一种有效方法,传统的特征选择算法常用经典信息论知识去度量特征的重要度,却忽略了标记和未标记数据的互相影响;同时,这些方法主要基于静态数据的多标记特征选择,很难直接应用到动态流数据环境中.而现实世界中,由于动态环境之下特征到达的数目和顺序都是未知的,并且研究者往往可能只对最近到达的特征感兴趣,所以滑动窗口机制能很好地解决此类问题.基于此,首先引入一种具有补性质的模糊信息熵,并考虑标记和未标记数据的互相影响,提出一种加权的模糊互信息度量方法,然后结合滑动窗口机制,分别提出基于固定滑动窗口的加权模糊互信息特征选择(Feature Selection with Weighted Fuzzy Mutual Information based on Sliding Window,FS-FMI)和基于动态滑动窗口的加权模糊互信息流特征选择(Streaming Feature Selection with Weighted Fuzzy Mutual Information based on Dynamic Sliding Window,SFS-FMI-DSW)两种算法.实验结果表明,SFS-FMI-DSW算法更加有效,统计假设进一步说明了算法的有效性. 展开更多
关键词 特征选择 滑动窗口 流数据 多标记 模糊互信息
在线阅读 免费下载
基于DEC算法的多标记学习 预览
8
作者 王一宾 李闪闪 裴根生 《安庆师范大学学报:自然科学版》 2018年第2期31-35,共5页
由于多标记学习中的"维度灾难"问题,鉴于判别嵌入式聚类(DEC)算法对数据降维的特点,本文提出了基于DEC算法的多标记学习。该算法在多标记数据集作分类处理之前,采取DEC算法对多标记数据集进行维度约简,从而降低算法复杂度、提高分... 由于多标记学习中的"维度灾难"问题,鉴于判别嵌入式聚类(DEC)算法对数据降维的特点,本文提出了基于DEC算法的多标记学习。该算法在多标记数据集作分类处理之前,采取DEC算法对多标记数据集进行维度约简,从而降低算法复杂度、提高分类性能。实验结果表明,这种基于DEC算法的多标记学习是有效的。 展开更多
关键词 DEC算法 多标记学习 维度约简 分类性能
在线阅读 免费下载
结合均值漂移的多示例多标记学习改进算法 预览 被引量:1
9
作者 王一宾 程玉胜 裴根生 《南京大学学报:自然科学版》 CSCD 北大核心 2018年第2期422-435,共14页
多示例多标记学习在多语义对象处理中克服了多示例学习和多标记学习的缺点,成功应用于文本分类、图像识别标注、基因数据分析等任务中.其中基于退化策略的多示例多标记学习算法,多利用K—Medoids聚类将多示例多标记退化成单示例多标... 多示例多标记学习在多语义对象处理中克服了多示例学习和多标记学习的缺点,成功应用于文本分类、图像识别标注、基因数据分析等任务中.其中基于退化策略的多示例多标记学习算法,多利用K—Medoids聚类将多示例多标记退化成单示例多标记,但此种退化方式过于简化多语义和复杂语义的对象,并未考虑示例间的相关性,导致退化过程中的信息削弱甚至丢失.针对这一问题,提出了结合均值漂移的多示例多标记学习改进算法(Multi—Instance Multi-Label with Mean Shift,MIMLMS),将高斯核函数和权值加入均值漂移中.权值的加入保证了示例之间的相关性得以保留,而将多示例集合加入高斯核函数就可利用核密度估计和梯度下降法求解退化过程最优解,最终以误差平方和为分类目标函数,建立多示例多标记分类模型.算法在基准的多示例多标记测试数据集中的实验结果,验证了算法的良好分类效果及算法的有效性和可靠性. 展开更多
关键词 多示例多标记学习 均值漂移算法 高斯核函数 核密度估计 梯度下降法
在线阅读 免费下载
基于Qt的Python代码迷惑器的设计与实现 预览 被引量:1
10
作者 王一宾 裴根生 《安庆师范大学学报:自然科学版》 2017年第3期56-61,共6页
Python源代码编译出的字节码十分便于反编译,使用代码迷惑技术可以有效解决此问题。通过使用Qt编程框架对Python源代码进行词法分析和语法分析,用大写字母“O”和数字“0”组成随机编码将源程序中的模块名、类名、自定义函数名和标识符... Python源代码编译出的字节码十分便于反编译,使用代码迷惑技术可以有效解决此问题。通过使用Qt编程框架对Python源代码进行词法分析和语法分析,用大写字母“O”和数字“0”组成随机编码将源程序中的模块名、类名、自定义函数名和标识符变量名进行迷惑变换,实现一款Python代码迷惑器。实验对比表明,该Python迷惑器具有图形用户界面、代码迷惑性强、代码执行时间开销小和迷惑不可逆等特点。 展开更多
关键词 代码迷惑器 QT PYTHON 软件安全
在线阅读 免费下载
基于标记分布学习的异态集成学习算法 预览
11
作者 王一宾 田文泉 程玉胜 《模式识别与人工智能》 CSCD 北大核心 2019年第10期945-954,共10页
为了提高预测的准确性,文中结合机器学习中堆积(Stacking)集成框架,组合多个分类器对标记分布进行学习,提出基于标记分布学习的异态集成学习算法(HELA-LDL).算法构造两层模型框架,通过第一层结构将样本数据采用组合方式进行异态集成学习... 为了提高预测的准确性,文中结合机器学习中堆积(Stacking)集成框架,组合多个分类器对标记分布进行学习,提出基于标记分布学习的异态集成学习算法(HELA-LDL).算法构造两层模型框架,通过第一层结构将样本数据采用组合方式进行异态集成学习,融合各分类器的学习结果,将融合结果输入到第二层分类器,预测结果是带有置信度的标记分布.在专用数据集上的对比实验表明,HELA-LDL可以发挥各种算法在不同场景下的性能较优,稳定性分析进一步说明算法的有效性. 展开更多
关键词 标记分布学习 异态集成学习 回归拟合 堆积
在线阅读 下载PDF
融合萤火虫方法的多标签懒惰学习算法 预览
12
作者 程玉胜 钱坤 +1 位作者 王一宾 赵大卫 《计算机应用》 CSCD 北大核心 2019年第5期1305-1311,共7页
已有的多标签懒惰学习算法(IMLLA)在利用近邻标签时因仅考虑了近邻标签相关性信息,而忽略相似度的影响,这可能会使算法的鲁棒性有所降低。针对这个问题,引入萤火虫方法,将相似度信息与标签信息相结合,提出一种融合萤火虫方法的多标签懒... 已有的多标签懒惰学习算法(IMLLA)在利用近邻标签时因仅考虑了近邻标签相关性信息,而忽略相似度的影响,这可能会使算法的鲁棒性有所降低。针对这个问题,引入萤火虫方法,将相似度信息与标签信息相结合,提出一种融合萤火虫方法的多标签懒惰学习算法(FF-MLLA)。首先,利用Minkowski距离来度量样本间相似度,从而找到近邻点;然后,结合标签近邻点和萤火虫方法对标签计数向量进行改进;最后,使用奇异值分解(SVD)与核极限学习机(ELM)进行线性分类。该算法同时考虑了标签信息与相似度信息从而提高了鲁棒性。实验结果表明,所提算法较其他的多标签学习算法有一定优势,并使用统计假设检验与稳定性分析进一步说明所提出算法的合理性与有效性。 展开更多
关键词 多标签学习 萤火虫方法 标签相关性 多标签懒惰学习算法 极限学习机
在线阅读 下载PDF
回归核极限学习机的多标记学习算法 预览 被引量:1
13
作者 王一宾 程玉胜 +1 位作者 何月 裴根生 《模式识别与人工智能》 CSCD 北大核心 2018年第5期419-430,共12页
基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之问存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML—ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然... 基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之问存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML—ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的多标记回归核极限学习机(ML—RKELM)得出预测结果.若规则向量不为空,将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML—RKELM的预测结果.对比实验表明ML—ASRKELM与ML—RKELM性能较优,统计假设检验进一步说明文中算法的有效性. 展开更多
关键词 多标记学习 极限学习机(ELM) 标记相关性 关联规则 回归拟合
在线阅读 下载PDF
近邻标签空间非平衡化标签补全的多标签学习 预览
14
作者 程玉胜 赵大卫 钱坤 《模式识别与人工智能》 CSCD 北大核心 2018年第8期740-749,共10页
研究者目前通常通过标注标签之间的相关信息研究标签之间的相关性,未考虑未标注标签与标注标签之间的关系对标签集质量的影响.受K近邻的启发,文中提出近邻标签空间的非平衡化标签补全算法(NeLC—NLS),旨在充分利用近邻空间中元素... 研究者目前通常通过标注标签之间的相关信息研究标签之间的相关性,未考虑未标注标签与标注标签之间的关系对标签集质量的影响.受K近邻的启发,文中提出近邻标签空间的非平衡化标签补全算法(NeLC—NLS),旨在充分利用近邻空间中元素的相关性,提升近邻标签空间的质量,从而提升多标签分类性能.首先利用标签之间的信息熵衡量标签之间关系的强弱,获得基础标签置信度矩阵.然后利用提出的非平衡标签置信度矩阵计算方法,获得包含更多信息的非平衡标签置信度矩阵.继而度量样本在特征空间中的相似度,得到k个近邻标签空间样本,并利用非平衡标签置信度矩阵计算得到近邻标签空间的标签补全矩阵.最后利用极限学习机作为线性分类器进行分类.在公开的8个基准多标签数据集上的实验表明,NeLC—NLS具有一定优势,使用假设检验和稳定性分析进一步说明算法的有效性. 展开更多
关键词 多标签学习 标签相关性 信息熵 标签补全 极限学习机
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部 意见反馈