SmallWorld算法研究-张金钡
基于顶点粒k步搜索和粗糙集的强连通分量挖掘算法

基于顶点粒k步搜索和粗糙集的强连通分量挖掘算法
程富豪;徐泰华;陈建军;宋晶晶;杨习贝
【期刊名称】《计算机科学》
【年(卷),期】2022(49)8
【摘要】强连通分量挖掘是图论中的经典问题之一,如何设计更高效率的串行强连通分量挖掘算法具有现实需求。
GRSCC算法利用k步上近似和k步R相关集这两个粗糙集算子所构成的SUB-RSCC函数,可实现简单有向图中的强连通分量挖掘,而SUB-RSCC函数的调用次数决定了挖掘效率。
根据挖掘强连通分量时顶点间存在的相关性,GRSCC算法引入了粒化策略,减少了SUB-RSCC函数的调用次数,提高了挖掘效率。
在GRSCC算法的基础上,分析发现了顶点间的另外两种强连通分量相关性,由此设计了一种新的顶点粒化策略,进而提出了一种顶点粒k步搜索方法,可更大程度地减少SUB-RSCC函数的调用次数。
最后,提出了一种基于顶点粒k步搜索和粗糙集的强连通分量挖掘算法KGRSCC。
实验结果表明,相比RSCC算法、GRSCC算法和Tarjan算法,KGRSCC算法具有更好的性能。
【总页数】11页(P97-107)
【作者】程富豪;徐泰华;陈建军;宋晶晶;杨习贝
【作者单位】江苏科技大学计算机学院;数据科学与智能应用福建省高校重点实验室
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于粒计算与粗糙集的人工鱼群聚类算法
2.基于粒计算的粗糙集知识发现算法
3.基于粒计算的粗糙集聚类算法
4.基于时间序列相似搜索和粗糙集的数据挖掘研究
5.基于粗糙集和改进二进制布谷鸟搜索算法的高维数据特征选择
因版权原因,仅展示原文概要,查看原文内容请购买。
多任务学习

第43卷 第7期2020年7月计 算 机 学 报CHINESEJOURNALOFCOMPUTERSVol.43No.7July2020 收稿日期:2018 04 16;在线发布日期:2019 04 17.本课题得到国家重点研发计划项目(2016YFC0303703 03)、中国石油大学(北京)年度前瞻导向及培育项目(2462018QZDX02)资助.张 钰,博士研究生,主要研究方向为机器学习.E mail:623242954@qq.com.刘建伟,博士,副研究员,主要研究方向为机器学习、模式识别与智能系统、复杂系统的分析、预测与控制、算法分析与设计.左 信,教授,主要从事油田生产、管道运输和石油化工过程的测量、控制与优化方面的理论研究和工业应用工作,目前主要研究领域为先进控制理论与应用、安全保护控制系统和深海油田自动化.多任务学习张 钰 刘建伟 左 信(中国石油大学(北京)自动化系 北京 102249)摘 要 随着图像处理,语音识别等人工智能技术的发展,很多学习方法尤其是采用深度学习框架的方法取得了优异的性能,在精度和速度方面有了很大的提升,但随之带来的问题也很明显,这些学习方法如果要获得稳定的学习效果,往往需要使用数量庞大的标注数据进行充分训练,否则就会出现欠拟合的情况而导致学习性能的下降.因此,随着任务复杂程度和数据规模的增加,对人工标注数据的数量和质量也提出了更高的要求,造成了标注成本和难度的增大.同时,单一任务的独立学习往往忽略了来自其它任务的经验信息,致使训练冗余重复和学习资源的浪费,也限制了其性能的提升.为了缓解这些问题,属于迁移学习范畴的多任务学习方法逐渐引起了研究者的重视.与单任务学习只使用单个任务的样本信息不同,多任务学习假设不同任务数据分布之间存在一定的相似性,在此基础上通过共同训练和优化建立任务之间的联系.这种训练模式充分促进任务之间的信息交换并达到了相互学习的目的,尤其是在各自任务样本容量有限的条件下,各个任务可以从其它任务获得一定的启发,借助于学习过程中的信息迁移能间接利用其它任务的数据,从而缓解了对大量标注数据的依赖,也达到了提升各自任务学习性能的目的.在此背景之下,本文首先介绍了相关任务的概念,并按照功能的不同对相关任务的类型进行划分,之后对它们的特点进行了逐一描述.然后,本文按照数据的处理模式和任务关系的建模过程不同将当前的主流算法划分为两大类:结构化多任务学习算法和深度多任务学习算法.其中,结构化多任务学习算法采用线性模型,可以直接针对数据进行结构假设并且使用原有标注特征表述任务关系,同时,又可根据学习对象的不同将其细分为基于任务层面和基于特征层面两种不同结构,每种结构有判别式方法和生成式方法两种实现手段.与结构化多任务学习算法的建模过程不同,深度多任务学习算法利用经过多层特征抽象后的深层次信息进行任务关系描述,通过处理特定网络层中的参数达到信息共享的目的.紧接着,以两大类算法作为主线,本文详细分析了不同建模方法中对任务关系的结构假设、实现途径、各自的优缺点以及方法之间的联系.最后,本文总结了任务之间相似性及其紧密程度的判别依据,并且分析了多任务作用机制的有效性和内在成因,从归纳偏置和动态求解等角度阐述了多任务信息迁移的特点.关键词 多任务学习;信息迁移;任务相似性;贝叶斯生成式模型多任务学习;判别式多任务学习;深度多任务学习中图法分类号TP18 犇犗犐号10.11897/SP.J.1016.2020.01340犛狌狉狏犲狔狅犳犕狌犾狋犻 犜犪狊犽犔犲犪狉狀犻狀犵ZHANGYu LIUJian Wei ZUOXin(犇犲狆犪狉狋犿犲狀狋狅犳犃狌狋狅犿犪狋犻狅狀,犆犺犻狀犪犝狀犻狏犲狉狊犻狋狔狅犳犘犲狋狉狅犾犲狌犿,犅犲犻犼犻狀犵 102249)犃犫狊狋狉犪犮狋 Withthedevelopmentofartificialintelligencetechnologysuchasimageprocessingandspeechrecognition,manylearningmethods,especiallythoseusingdeeplearningframeworks,haveachievedexcellentperformanceandgreatlyimprovedaccuracyandspeed,buttheproblemsarealsoobvious,iftheselearningmethodswanttoachieveastablelearningeffect,theyoftenneedtousealargenumberoflabeleddatatotrainadequately.Otherwise,therewillbeanunder fittingsituationwhichwillleadtothedeclineoflearningperformance.Therefore,withtheincreaseoftaskcomplexityanddatascale,higherrequirementsareputforwardforthequantityandqualityofmanuallabelingdata,resultingintheincreaseoflabelingcostanddifficulty.Atthesametime,theindependentlearningofsingletaskoftenignorestheexperienceinformationfromothertasks,whichleadstoredundanttrainingandwasteoflearningresources,andalsolimitstheimprovementofitsperformance.Inordertoalleviatetheseproblems,themulti tasklearningmethod,whichbelongstothecategoryoftransferlearning,hasgraduallyattractedtheattentionofresearchers.Unlikesingle tasklearning,whichonlyusessampleinformationofasingletask,multi tasklearningassumesthatthereisacertainsimilaritybetweenthedatadistributionofdifferenttasks.Onthisbasis,therelationshipbetweentasksisestablishedthroughjointtrainingandoptimization.Thistrainingmodefullypromotesinformationexchangebetweentasksandachievesthegoalofmutuallearning.Especiallyundertheconditionthatthesamplesizeofeachtaskislimited,eachtaskcangetsomeinspirationfromothertasks.Withthehelpofinformationtransferinthelearningprocess,thedataofothertaskscanbeindirectlyutilized.Thus,thedependenceonalargenumberoflabeleddataisalleviated,andthegoalofimprovingtheperformanceoftasklearningisalsoachieved.Underthisbackground,thispaperfirstintroducestheconceptofrelatedtasks,anddescribestheircharacteristicsonebyoneafterclassifyingthetypesofrelatedtasksaccordingtotheirfunctions.Then,accordingtothedataprocessingmodeandtaskrelationshipmodelingprocess,thecurrentmainstreamalgorithmsaredividedintotwocategories:structuredmulti tasklearningalgorithmanddeepmulti tasklearningalgorithm.Thestructuredmulti tasklearningalgorithmadoptslinearmodel,whichcandirectlyassumethestructureofthedataandexpressthetaskrelationshipwiththeoriginalannotationfeatures.Atthesametime,itcanbesubdividedintotwodifferentstructuresbasedontasklevelandfeaturelevelaccordingtothedifferentlearningobjects.Eachstructurehastwoimplementationmeans:discriminantmethodandgenerativemethod.Differentfromthemodelingprocessofstructuredmulti tasklearningalgorithm,deepmulti tasklearningalgorithmusesthedeepinformationabstractedbymulti layerfeaturestodescribethetaskrelationship,andachievesthegoalofinformationsharingbyprocessingtheparametersinthespecificnetworklayer.Then,takingtwokindsofalgorithmsasthemainline,thispaperanalyzedthestructuralassumptions,implementationapproaches,advantagesanddisadvantagesofdifferentmodelingmethodsandtherelationshipbetweenthemindetail.Finally,thispapersummarizesthecriteriaforidentifyingthesimilarityandcompactnessbetweentasks,andtheeffectivenessandintrinsiccausesofmulti taskmechanismarealsoanalyzed,thenthecharacteristicsofmulti taskinformationmigrationareexpoundedfromtheperspectivesofinductivebiasanddynamicsolution.犓犲狔狑狅狉犱狊 multi tasklearning;informationtransfer;similarityoftasks;Bayesiangenerativemodelofmulti tasklearning;discriminantapproachofmulti tasklearning;deepmulti tasklearningviadeepneuralnetwork1 多任务学习背景多任务学习(MultitaskLearning,MTL)是同时考虑多个相关任务的学习过程,目的是利用任务间的内在关系来提高单个任务学习的泛化性能.1994年,Caruana提出了多任务学习的概念[1]:多任务学习是一种归纳迁移机制,基本目标是提高泛化性能.多任务学习通过同时训练多个相关任务,学习到任务之间的一些共享表示,并进一步地挖掘训练信号中的特定域信息来提高每个任务泛化能力,在数据挖掘、计算机视觉、语音识别、生物医疗、社交网络等领域有着广泛的现实应用.多任务学习的出发点是在解决新问题时利用14317期张 钰等:多任务学习的知识会习惯地受到已有相关问题的启发,借助于以往的经验可以提高学习效果.以往单任务学习(Single tasklearning)是指每次只学习一个分类任务,并且只使用对应任务本身的数据集,在单任务学习中经常假定训练样本之间是独立并且同分布的.但是现实世界中存在很多相关的数据集,例如,在遥感图像处理问题中,每组图像数据都是在特定的地理位置收集的,此时数据源来自于同一设备不同视角,存在高度相关性,但是并不为每个感测任务设计单独的分类器,而是希望在任务之间共享数据,以提高整体感知性能[2 4].因此在很多情况下,虽然任务数据采集的来源和分布是相似的,即可能存在共同的归纳偏置,但是由于学习的目的不完全相同,不能简单地将它们合并为一个任务,此时可以将它们看作是由多个相关的任务组成,选择多个任务联合学习,从而获得一些潜在信息以提高各自任务的学习效果.而且,对于一些训练样本个数少且特征维数高的任务,单任务学习出现秩亏并且有过拟合的风险,通过在一定结构的共享空间之内并行学习,当前任务可以接收其它辅助任务传入的特征信息,这样在交互过程中间接增加了单个任务样本空间的大小,另外多任务之间平均了各自的噪声差异,得到了更一般的表示模型,这样其它任务可以为相关的特征提供额外的参考信息,可以有效降低单个任务过拟合和泛化能力差的风险.多任务学习虽然是一种迁移学习方法,但是不同于其它种类迁移学习,多任务学习并不注重源领域和未知领域的知识迁移,它主要利用域之间相似的知识信息,提升特定任务的学习效果,注重领域知识的共享性.两者特点的不同决定了学习过程的差别,迁移学习的目的是通过从源任务中转移知识来提升目标任务中的性能,而多任务学习则试图同时学习目标任务和源任务.从这个层面上来说,其它迁移学习方法应该侧重于归纳转移,而多任务学习侧重于共享.1 1 多任务的类型分类1.1.1 相关任务的分类多任务学习有很多形式,联合学习(jointlearning)、自主学习(learningtolearn)和带有辅助任务的学习(learningwithauxiliarytask)等都可以称为多任务学习.联合学习又称为对称多任务学习,试图同时执行所有任务以便提高单个任务的学习性能,由于时间、地点、设备、人工标注差异或其它变化因素,各个任务数据的统计特性可能有所不同,但是任务之间肯定存在高度相似,联合学习多个分类任务有助于减少任务之间概率分布差异,因此,在这个意义上,联合学习认为模型是对称的,不区分主任务和辅助任务.一般的多任务应用都是指对称多任务学习,出发点是将几个类似的学习任务同时进行训练,通过任务之间的特征信息迁移共同地提升所有任务的学习效率,本文中绝大部分算法也都是针对对称多任务学习,彼此没有主次之分.自主学习又称为非对称多任务学习,目标是利用源任务的信息来改进某些目标任务的学习性能,通常在源任务被学习后使用[5],和迁移学习不同的是,自主学习仍是建立在共同学习基础上,并不强调源域和目标域分布的差异性,如果分布相似性条件不成立,使用非对称多任务学习是不合理的,只能考虑迁移学习.针对辅助任务的用处不同,又可以将多任务学习划分为输入变输出逆多任务学习,对抗性多任务学习,辅助任务提供注意力特征的多任务学习和附加预测性辅助任务的多任务学习.1.1.2 将输入变输出的逆多任务学习一般在有监督的学习任务中,输入和输出之间有很明显的区分,观测值是输入,要预测的值是输出,也称为监督信号.有监督的学习模式中,任务利用训练集的样例学习相关特征表示用于测试集的预测,而在无监督学习中并没有监督信号,因此解决的办法是将特征同时作为输入和输出,利用不同的无监督样例的特征信息为彼此提供监督信号,此时允许测试样例的特征作为输入,将其它样例上的特征作为输出,进而达到不同的学习效果,最大地发挥这些特征的作用.借鉴无监督学习的模式,文献[6]提出在有监督的多任务学习中如果存在比作为输入更有价值的特征时,可以使用其它任务上的样例的特征作为监督信号,学习目标任务训练集上其它的输入特征到这部分特征的映射关系,学习映射关系的过程可以作为辅助任务.这些特征可以提供监督信号的根本原因是当特征中存在噪声时,附加的辅助输出中的噪声往往比附加的辅助输入中的噪声小.1.1.3 对抗性多任务学习对抗性多任务学习借鉴了生成对抗网络中的观点,该观点最初是由Ganin等人[7 8]在解决无监督域适应学习问题时提出的,文献[9]将它用在了有监督的RNN多任务学习中.受到生成对抗网络中生成式模型的启发,引入对抗任务是为了加强学习任务间不变性表示的能力.在标准的多任务学习中为了2431计 算 机 学 报2020年最大限度地提高主要任务和次要任务的分类精度,学习表示的过程是共享的.不同于标准的多任务学习,对抗性多任务学习要得到的是对主要任务有利而与次要任务对抗的表示.文献[9]提出的多任务学习框架不断利用辅助任务包含的相反信息,消除主要任务的噪声,从而学习到接近底层数据真实表示的特征.图1 对抗性任务具有两个任务的对抗性网络如图1所示.它由三个子网络组成,包括主要任务输出子网络,次要任务输出子网络以及主次任务共同的输入网络,其中两个子网络是独立的,输入层提取任务间共享表示.次要任务在反向传播过程中经过一个反转层将梯度方向反转,弱化了对抗任务的分类精度,目的是学习次要任务的对抗表示,所以对主任务有损害且无关的域依赖信息将从表示中清除.通过共同学习一个辅助任务域和主要任务域的不变表示,对抗性任务可以发现目标任务最本质的特征,训练完成后将对抗性任务的输出子网删除,最终经过对抗学习过程之后,主任务学习的是去除无关信息的特征表示,鲁棒性增加,进而学习效果得到提升.更一般的,如果学习分类任务,各个任务彼此之间也可以看作是一种特殊的对抗任务,因为每个任务中含有直接影响分类结果的判别特征,需要最大程度地区别出各个分类的差异性.1.1.4 辅助任务提供注意力特征的多任务学习这里的辅助任务可以称为提示性任务,是一种为监督学习增加信息的方式.文献[6]首先提出了这个概念,作者列举使用图像学习转向任务中检测路标的问题,转向问题本身不着重于路标检测,因为路标图像只占整个图像很小的一部分,但是自动驾驶问题中路标的检测是必要的,如果采用单任务学习,难以让这部分特征作为有效的输入,于是引入这些路标图像检测作为辅助任务,通过与转向任务学习相同的共享结构,在共享结构中添加上关于路标的特征.此后,文献[10]将提示性任务用于带有生僻字检测的命名体识别系统,利用上下文提示信息作为辅助任务进行特征放大,为生僻词提供线索,避免了一些词语的词性标签对于词句的语义标注和外部词汇表的依赖性.可以看到,在单任务学习过程中,一些显著特征对学习结果的影响较大,一些不常用特征往往被忽略,但是这类特征对于任务的某些功能是必要的,在一般的多任务学习中,这部分不常用的特征可以通过辅助任务单独引入,在共同学习过程中将其放大,平衡显著特征带来的学习不充分问题.此类在目标任务中需要单独放大的特征一般称为需要注意力集中的特征.1.1.5 附加预测性辅助任务的多任务学习在线学习问题中包含很多对于主任务学习有价值的特征,但是有些特征不能作为输入,因为这些特征在学习过程中不能够被及时得到,而是在训练以及预测完成之后才能获得,例如在文献[6]中列举的自动驾驶问题中的路标检测,由于技术原因,在行驶过程中无法及时获得前方道路交通标示,只有当接近它的时候才能准确的测量,但是提前辨识路标对于适应路况必不可少,此时没有这部分特征的定性描述,也没有这部分特征的任何信息可以获取,这种情况下如果要识别这些特征,只能将这部分特征通过离线学习收集并添加到训练集作为实例样本.与1.1.2节输入变输出的特征正好相反,这部分特征可以称作输出变输入的特征.因此,当出现一些与主任务相关的未知特征时,往往可以将这些特征的学习作为辅助任务,在离线过程中收集,而在在线过程中为主任务提供额外的信息,帮助主任务学习更合理的归纳表示,这类辅助任务就称为预测性任务,这些额外的任务产生的未来特征测量值,可以应用于很多离线问题.34317期张 钰等:多任务学习本节介绍了几种多任务的类型和非对称任务中的几种典型辅助任务,可以看到,引入辅助任务主要为目标任务增加有效的特征信息,为提高数据的使用效率提供了启发,一般旨在提升目标任务中不容易被使用特征的利用效率.辅助任务与目标任务的特征相似度可以是局部的,只考虑主要特征的需求,例如对抗性任务只利用浅层的鲁棒不变表示;也可以是全局的,例如离线搜集数据当作辅助预测任务引导自动驾驶,当然,对于带有辅助任务的多任务学习,数据要进行预处理,转换到同一个特征空间下讨论,因为数据的来源往往都不相同.本文中只有2.7节非监督多任务学习中涉及到了非对称任务,其余情形还是着重讨论对称多任务学习,因为实际应用中对称多任务学习的适用场景较为广泛,也更多的应用到了平均提升每个任务泛化性能的思想.由于每个任务中特征的权重占比不同,如何选取合适的算法以高效利用数据找到适合于多任务关系的结构是一个难点,我们将在下一节多任务学习具体算法中介绍.2 多任务学习算法2 1 多任务学习的定义在多任务学习中,给定犕个任务的训练集{犜犿}犕犿=1,对于第犿个任务犜犿,训练集犇犿包含狀犿个样例 标签对{狓犿,犼,狔犿,犼}狀犿犼=1,狓犿,犼∈犚犇为第犿个任务的第犼个样例,狔犿,犼∈犚代表其对应的输出,狀犿是第犿个任务的训练样本的个数,犠∈犚犇×犕代表权值矩阵,即多任务模型参数矩阵,ε犿代表任务下的噪声,则有线性模型:狔犿,犼=狑T犿狓犿,犼+ε犿(1)其中第犿个任务的模型向量狑犿为犠中的一列,大多数现有MTL算法的一个关键假设是,所有任务都通过某种结构相互关联,多任务中任务信息共享是通过特征的联系实现的,一般来说,多任务选取的特征属性都是相似的,而各个任务之间特征的重要性通过模型向量狑犿反映,如果在模型向量中所占比重相似才能说明任务特征之间具有迁移性,因此多任务学习的目的是通过学习犠的不同结构来反映任务之间的关系.为了概念的统一,本文的多任务模型参数指的是模型参数矩阵.2 2 多任务算法的分类MTL算法按照学习模式的不同,可以分为传统的结构化学习方法和深度多任务学习方法.传统的结构化学习方法并不会像深度学习方法一样改变特征的表现形式,即不利用抽象后的特征,最终以结构约束的形式体现任务联系.按照学习结构的不同,又可以分为基于任务层面的多任务学习和基于特征层面的多任务学习,其中基于任务层面的方法通常将大部分特征视为彼此相关的,并且任务的相关性是全局的,因此它注重总体特征的共享迁移,一般是同时考虑多个特征,而基于特征层面的学习方法是单独对各个任务中的特征进行建模,注重个体特征的共享迁移.结构化学习方法从任务层面上可以分为模型参数共享方法,公共特征共享方法,多任务聚类结构方法和多任务子空间学习方法;从特征层面上可以分为鲁棒特征学习方法,联合低秩稀疏方法,脏模型方法,可变簇聚类方法,协同聚类方法.并且,在结构化学习方法中,均可以采用基于块正则化的判别式方法和基于贝叶斯概率统计的生成式方法作为不同的实现手段.有别于结构化学习方法,深度多任务方法对各个任务的特征逐层进行建模,任务关系的表述是通过改变层与层之间的连接方式.深度多任务方法主要有硬参数共享、软参数共享、张量网络、自适应层连接和自适应层分堆.在图2中,我们根据以上描述的学习模式对多任务学习进行了分类.4431计 算 机 学 报2020年2 3 基于任务层面的学习方法2.3.1 模型参数共享在早期阶段,许多多任务方法侧重于利用任务关系的先验信息,例如,基于所有任务的域知识彼此相似,Caruana在文献[4]中提出了多层前馈神经网络,是最早的多任务统一共享结构学习模型之一.在神经网络中,隐含层代表来自所有任务的共同特征,输出层中的每个神经元通常对应于一个任务的输出.与神经网络相似,多任务支持向量机方法[11]是文献[4]的自然扩展,它假定存在一个通用的多任务模型,权衡每个任务到此通用模型的中心偏离度和模型参数平均值,使得总体损失函数达到最优.每个支持向量机要学习的模型定义为犠狋=犠0+犞狋,犠0是任务集隐含的共同模型,犞狋表示各个任务和中心模型的距离,通过犔2范数正则化约束中心模型参数犠0和各自任务模型参数犞狋的平均距离,使所有任务的模型参数接近此共同模型.除了支持向量机,参数共享也可以通过鼓励所有任务参数相似实现,文献[12]根据给定的任务相似性图模型设计出一些基于拉普拉斯的正则化算子;文献[11]采用最小化参数差异的Frobenius范数;文献[13 14]将其转换到希尔伯特空间中讨论,其结果都保证了任务之间的总体相似度,因此,这类方法也可以称为平均约束学习.总体来说,模型参数共享的出发点比较简单和直接,建立在任务相似性比较大的基础上,基本都是假设任务相互关联,学习目标是获得一个中心模型来描述这些任务的公共特征集,所以可以看到大多数约束都是使得各个任务模型足够靠近这个模型均值,而现实情况中大部分多任务之间很难满足非常紧密的相关性,于是出现了只挑选一些主要特征的公共特征共享方法.2.3.2 公共特征共享在公共特征共享的方法中,假设各种任务共享相同的稀疏模式,表现在参数矩阵上就是一些特征行整体被诱导为零,作用是强制所有任务共享一组公共特征来建模任务之间的相关性.这类模型将联合损失定义为各任务损失和正则化项之和:min犠∑犕犿=1犠T犿犡犿-犢犿22+λ1Ω(犠)(2)其中,λ1是权重参数,Ω(犠)是正则化项,一般称为组套索(group LASSO)结构,Ω(犠)可以对比单任务回归中施加的正则化项,比如套索(LASSO)模型中的犔1范数和岭回归(Ridge)模型中的犔2范数,由于多任务的求解目标是参数矩阵,所以经常使用组合范数正则化进行约束,即可以防止过拟合又能满足通过稀疏挑选共享特征的要求,参数矩阵犠的(狉,狆)范数定义为:犠狉,狆··=∑犕犿=1犠犿狆()狉1狆,常见的正则化是使用犔2,1组合范数,通过统一计算参数矩阵犠所有任务的第犱行特征的犔2范数保证任务在这个特征属性上的相似度得到犫(犠)=(犠1,:2,…,犠犱,:2),然后再对犫(犠)施加犔1范数,在一些特征上达到稀疏的效果和筛选的效果.犔2,1是多任务用来特征共享最经典而且使用最多的组合范数.文献[15]直接对模型参数施加犔2,1范数正则化约束的,犔2,1范数本身是不光滑的凸函数,所以在式(2)中,当损失函数选择凸函数(例如平方损失函数)时,整个目标函数就是可以找到全局最优解的凸函数.以往优化通常使用的二阶锥规划和内点法,计算代价高且收敛慢,针对这个问题,文献[15]使用块提升算法进行优化,但是无法确定步长和收敛速度,文献[16 17]使用近端梯度加速法和一阶nestrov加速最优化黑箱方法,进一步确定了在犔2,1范数优化问题中参数的学习步长,对迭代过程收敛速度进行了加速.更近一步地,文献[18 19]考虑了组合范数的一般形式,文献[18]研究了组合范数的基数犔0稀疏,文献[19]详尽地介绍了混合范数犔狆,1,狆>1的用法,将犔狆,1范数进行欧几里得投影并通过加速梯度算法求解优化,文献[20]提出了一个关于犔狆,1范数的统一解决方案,优化中结合了投影梯度法和拉格朗日乘子法,通过区间二分法找到了保证收敛的拉格朗日参数,使犔狆,1范数可以拓展到大规模数量的任务,并且作者通过理论分析证明,狆值选取的越大,使用组套索提取后的特征之间耦合程度越高.因此,文献[21 25]使用了犔∞,1范数以后,保证了筛选特征之间的聚合程度更加紧密.此外,受弹性网络的启发,文献[26 27]提出了一种包括平方范数正则化器的校准多任务特征学习公式,文献[27]对平方损失函数引入了校准砝码:1/(σ犿狀槡犿),其中,狀犿是第犿个任务的样本容量,σ犿1T犿狓犿-狔犿是校准权重,不仅如此,文献[校准砝码的基础上又在正则化项中加入了·犉范数来保证一个平滑的能对偶求解的问题.文献[28]同时考虑了犔∞,1和犔2,1两种范数,将组套索拓展到了既有分类任务又有回归任务异质任务集合中.以上的多任务特征选择算法都假设任务之间具有正相关性,还有一类文献[29]考虑了另外一种情54317期张 钰等:多任务学习。
智能思政“信息茧房”的生成机理与治理路径

DOI:10.16614/j.gznuj.skb.2023.05.004智能思政“信息茧房”的生成机理与治理路径王天民,郑丽丽(北京师范大学马克思主义学院,北京 100875)摘 要:智能思政作为思想政治教育与智能技术深度融合的新型教育形态,“信息茧房”是其必然遭遇且又必须着力破除的现实蔽障。
智能思政“信息茧房”是在选择性心理机制、智能信息服务、圈层传播结构等多种因素综合作用下形成的,在满足教育对象信息需求的同时产生信息窄化、认知固化、圈层壁垒等负面效应,严重影响教育内容的全面性、教育主体的能动性和教育观念的认同度。
破除智能思政“信息茧房”困境,必须要对症下药、多策并举,既要巩固主流价值导向,构建智能思政优质内容推荐图谱,又要增强智能素养教育,提升智能思政主体技术应用能力,同时还要推进信息共享融合,强化智能思政教育应用平台建设。
关键词:智能思政;信息茧房;算法机制;圈层结构中图分类号:G41 文献标识码:A 文章编号:1001-733X(2023)05-0030-13TheGenerationMechanismandGovernancePathofIntelligentIdeologicalandPolitical“InformationCocoon”WANGTian-min,ZHENGLi-li(SchoolofMarxism,BeijingNormalUniversity,Beijing100875,China)Abstract:Asanewformofeducationthatdeeplyintegratesideologicalandpoliticaleducationandintelligenttechnology,the“informationcocoon”isaseriousobstaclethatitinevitablyencountersandmustbebrokenthrough.Theintelligentide ologicalandpoliticaleducation“informationcocoon”isformedunderthecomprehensiveactionofvariousfactorssuchasselectivepsychologicalmechanism,intelligentinformationservice,circlecommunicationstructure,etc.,whichproducesnegativeeffectssuchasinformationnarrowing,cognitivesolidification,andcirclebarrierswhilemeetingtheinformationneedsofeducationobjects,affectingthecomprehensivenessofeducationalcontent,theinitiativeofeducationalsubjectsandtherecognitionofeducationalconcepts.Tobreakthedilemmaofintelligentideologicalandpoliticaleducation“informationcocoon”,wemustadheretotherightmedicineandmultiplemeasuresatthesametime:consolidatethemainstreamvalueorientationandbuildahigh-qualitycontentrecommendationmapofintelligentideologicalandpoliticaleducationcontent;enhanceintelligentliteracyeducationandimprovetheintelligentideologicalandpoliticaleducators’abilityofapplyingtechnology;promoteinformationsharingandintegration,andstrengthentheconstructionofideologicalandpoliticaleduca tionapplicationplatforms.Keywords:intelligentideologyandpolitics;informationcocoon;algorithmicmechanisms;circlelayerstructure智能思政是思想政治教育与大数据、算法推荐、深度学习等智能技术深度融合的新型教育形态。
申请博士硕士专业学位授权点简况表-广东工业大学研究生院

近五年
成果名称
获奖类别及等级,发表刊物、页码及
代 表 性 (获奖、论文、专著、专利、 引用次数,出版单位及总印数,专利
时间
5
署名情况
成果(限
咨询报告等名称)
3 项)
Decomposition of a multiobjective
optimizationproblem into a number
of simple multiobjectivesubproblems
3
目标优化问题研究工业统计和质量控制问题。把生态位构建特征引入到生态与工业控制 交叉学科邻域。本方向有教授 4 人,副教授 7 人,15 人获得博士学位,行业教师 5 人, 其中高工 4 人。
注:专业学位领域(方向)按照各专业学位类别申请基本条件的要求填写。
Ⅱ师资队伍
II-1 专任教师基本情况
专业技 术职务
全国现有 103 个应用统计硕士专业学位点,其中北京 15 个,上海 6 个,江苏 10 个。广东省仅 2 个, 难以支撑广东省制造业的转型升级和满足当前大数据行业对专业人才的需求。本学科聚集了一批学缘结构 合理,老中青结合,学术水平较高的科研队伍,但缺乏专业硕士学位点的支撑,严重制约了学科发展。
3、与 行业或 职业发 展的衔 接 学院已经与 10 家行业单位合作建立了实践教学基地,从合作办学单位外聘了 10 名行业教师,其中 高工 7 名,在各自行业从业皆超过 8 年,完成了 10 余项专业实践活动与成果,合作完成实践教学专著 1 项。与单一的课堂教学形式相比,在实践教学基地接受具有行业指导的实践教学,有更强的吸引力,取得 了较好的教学效果,更重要的是实现了与行业的对接,有利于学生未来职业的发展。 4、人才培养及思想政治教育 在近 5 年中,共招收了 1299 名本科生,培养了 1396 名本科毕业生,平均就业率 95%以上,共招收 了 116 名硕士研究生,获得硕士学位的毕业生有 112 名,就业率 100%。组织学生参加美国大学生数学 建模竞赛、全国大学生数学建模竞赛和全国大学生数学竞赛等活动,共获得省级以上奖励 102 项,其中 国际级奖励 31 项,国家级 15 项。大学生创新创业训练项目国家级 6 项,省级 16 项。学生毕业创业成功 并成立公司 1 项。学生参与申请专利 4 项,发表核心期刊以上论文 50 余篇,其中 SCI 收录 7 篇。获广东 省优秀硕士毕业论文 1 篇。
张钹院士:基于大数据的人工智能

比如在图像识别(微软)和语音识别()领 域机器都超过了或略低于人类深度学习成功的三大法宝 数据 计算资源 算法
AlphaGo用了两个多星期的时间,学了7千万局 棋局。最好的棋手一生中所下的棋局是百万级, 而AlphaGo下过的棋局是几十亿级的。 除了数据和计算资源之外,AlphaGo能够在两三 周里学到几千万个棋局,靠的是学习算法,它自 己能自己下棋,靠的是强化学习算法,
和国际先进水平相比,中国的人工智能处于什么位置?
看起来
这几年,中国在学术研究方面取得很多进展,在重要 的国际会议、重要的期刊杂志上,中国论文也占了相 当的比重。中国有数量庞大的网民,在网络数据上占 有相当优势的地位,中国市场需求巨大
实际上
在基础、算法的研究上,中国和世界顶尖水平还相差 甚远。人工智自1956年诞生至今,一直是美国在引领 人工智能领域的发展。 美国和加拿大等国的科学家还在不断的创新,如果我 们不重视基础/算法理论研究,要赶上或超过世界的先 进水平是有困难的。
基于大数据的人工智能
---张钹院士| 首届世界智能大会 2017
张钹 1935年3月26日出生于福建福清,计算机科学与技术专
家,俄罗斯自然科学院外籍院士、中国科学院院士,清华 大学教授、博士生导师。现任清华大学人工智能研究院院 长。 主要从事人工智能理论、人工神经网络、遗传算法、分 形和小波等理论研究;以及把上述理论应用于模式识别、 知识工程、智能机器人与智能控制等领域的应用技术研究
• 鲁棒性差
今后的方向----人机合作
• 人机合作的关键
– 机器如何理解人。
• 自然语言理解:机器可以听懂人类用自然语言发的 命令
– 人如何理解机器
• 深度学习导致的机器的不可理解性:深度学习建立 的系统,实际上跟人的思路很不一样。 • 为什么机器的思路跟人不一样:因为机器要用专业 的语言处理任务。 • 比如机器怎么识别猫:它只是从一些局部的特征, 局部的纹理来识别,而不是从猫的整体。机器要取 得整体的特性是非常困难的,所以它都是在利用局 部特性,在一个特征空间里去认识猫,和人认识猫 的角度完全不同,
挑战杯历届全国特等奖、一等奖作品

国家历届挑战杯特等奖、一等奖作品第一届“挑战杯”全国大学生课外学术科技作品竞赛由清华大学于1989年承办:清华大学摘得“挑战杯”一等奖获奖名单如下:北京大学刘闯在地理信息系统中土地评价模型的建模研究清华大学陈邕涛等中华学习机CAI软件开发工具清华大学吴丹策等电脑照相及微机图像处理系统清华大学金龙文等竹草木漂白系列新工艺的研究华中理工大学吴敏等建筑方案“将居民安置在发种种的小镇中”新疆石河子医学院王惠民门脉系的内分泌学意义第二届“挑战杯”全国大学生课外学术科技作品竞赛由浙江大学于1991年承办:上海交通大学摘得“挑战杯”一等奖获奖名单如下:浙江大学微机遥感图像显示操作及处理系统郑州大学方兴未艾福利企业国防科技大学Hyperview(v1.01)系统北方交通大学铁道部及各地区财务基准收益率的测定上海交通大学光纤中自然聚焦光场的环形结构上海医科大学他莫昔芬枸橡酸新工艺的研究及其原理的讨论上海交通大学农村民居建筑调研华中理工大学微量泄漏检测仪北京航天航空大学简繁五笔汉字系统及其为通道汉卡四川成都电子科技大学通信母板自动测试系统第三届“挑战杯”全国大学生课外学术科技作品竞赛由上海交通大学于1993年承办:北京大学获得“挑战杯”一等奖获奖名单如下:北京大学基于具有更佳频率分辨率的正交子波变换及自适应VQ技术的图像压缩北京大学危机与出路.....从九二深圳股市看中国B股清华大学铁基合金薄膜中铁原子磁矩的反常增大等作品获奖东北大学超级电子档案系统吉林大学镧系离子荧光探针探测天花粉蛋白结构和分子间能量传递武汉大学信安-I型计算机网络信息保护系统浙江大学PLT陶瓷期间合金电极成型新技术四川师范大学四川西部蝶类资源调查天津财经学院建立会计逻辑学体系的构想北方交通大学多渠道多方式利用外资发展我国的铁路的探讨中国科技大学本原矩阵指数的一个猜想证明上海交通大学浦东开发区环境调查及综合防治上海医科大学Z曲线显示和分析DNA系列的直观工具南京理工大学激光全息场再现图像的离子自动检测华东理工大学化学气相淀积反应器中超细粒子形成过程研究及产物形态控制华中理工大学将城市引入农村,农村引入城市-繁忙江南水乡的僻静水上花园齐齐哈尔工学院黑龙江省甜菜糖业产品结构调整战略研究报告北京航空航天大学空中机器人系统北京航空航天大学智能化电力电容在线检测仪第四届“挑战杯”全国大学生课外学术科技作品竞赛由武汉大学于1995年承办:复旦大学摘得“挑战杯”一等奖获奖名单如下:复旦大学载能束合成新型共价氮化碳超硬材料研究河北大学BaZrXTil-03固溶体的合成,结构与物性武汉大学高性能镍/金属氢化物电池和锂离子蓄电池暨南大学物体三维形貌测试技术的研究等作品获奖北京大学物体三维形貌测试技术的研究云南大学村落文化贫困地区农村妇女生育健康服务模式——武定县中山大学《劳动法》与外来工的权益保障北京大学光WDM(波分复用)中的激光波长控制清华大学高速中西文激光打印/照排控制器北京师范大学论教师的教学效能感南京理工大学走出困境再创辉煌——重庆军工企业走上发展之路的启示北京科技大学双拇指型多指手大连理工大学大学物理实验CAI教学软件包华中理式大学新型宜人化计算机辅助设计绘图系统——开目CAD华北师范大学松树花粉的培养和它萌发时营养万分的变化吉林工业大学梁的大挠度强迫振动的非线性响应的分析的新方法苏州丝绸工学院真丝新村料的研制及产品开发北京航天航空大学遥控多用途空中飞行平台第五届“挑战杯”全国大学生课外学术科技作品竞赛由南京理工大学于1997年承办:清华大学摘得“挑战杯”一等奖获奖名单清华大学《十字路口看乡企》——中国农村乡镇企业转制问题调查报告清华大学蛋白质去折叠与折叠机制的研究清华大学基于界面设计的多层膜技术获得新型合金清华大学文本无关的说话人语音语音识别系统北京大学两家名油企业生活后勤体制变革北京大学股市中操纵市场行为及防范的法律对策北京大学 Runge—lenz矢量与升降算子武汉大学武汉市再就业工程调研报告南京理工大学小波变换中的视觉门限模型和图像的层次分割优生权编码复旦大学通用工件识别系统生成工具VisionExport南京大学水煤奖添加剂NDF上海交通大学柔体机器人(组件)云南大学边疆民族地区生态环境变迁与脱贫致富——云南省怒江傈族自治州经济开发新模式研究北京航空航天大学三翼面微型无人驾驶验证机国科学技术大学酶反应的理论研究——方法及在葡萄糖异构酶中的应用四川联合大学利用红矾母液和铬酐下脚料生产蒙囿吸收铬鞣粉剂石油大学河南西峡恐龙蛋化石层及恐龙绝灭原因初探中国政法大学青少年创造能力培养和知识产权保护教育调查报告吉林工业大学轿车车身焊装用微机控制自动螺柱焊机第六届“挑战杯”全国大学生课外学术科技作品竞赛由重庆大学于1999年承办:复旦大学获得“挑战杯”一、二等奖获奖名单北京航空航天大学鱼类运动仿生研究及其柔体舰艇模型东北大学微型足球机器人系统江苏理工大学高性能铝合金材料的应用研究复旦大学指间区纹的进化和遗传南京大学体内可降解吸收医用高分子材料及其制品大连海事大学椭圆波导中的场中国科学技术大学关于α和β环糊精与苯衍生物之间的包含驱动力及包合结构的新模型上海交通大学面向软件无线电的数字发射机(激励器部分)东南大学中文个人数字助理(ASICPDA-2000)北方交通大学大规模发展交通仿真及公交智能调度指挥平台开发重庆大学 AV-100S型双面表格自动阅读机苏州大学真丝新材料-差别化柞桑弹力真丝的研制与产品开发北京大学从法院状告新闻媒体谈起——一起名誉侵权官司引发的思考复旦大学适应环境变化,构建新型企业——上海国有外贸企业改革调查华东师范大学师范大学生专业思想状况调查哈尔滨理工大学侵华日军731部队罪证网站国立华侨大学基于可持续发展的水资源定价试探华中理工大学基于针式传感器的多功能扫描探针显微装置南京大学电动自行车综合测试仪吉林工学院轿车深冲件应用国产冷轧IF钢板研究江苏理工大学 4LGT-130型稻麦联合收割机的研制重庆大学虚拟式小波变换信号分析仪重庆医科大学手握(傻瓜)式纯水检测仪华东理工大学清洁化生产取代芳胺磺酸中国科学技术大学超支化聚(胺-酯)的合成及其光固化性能研究吉林工学院汽车内饰件粘合剂的研制同济大学茶多酚提取新工艺及其系列产品开发无锡轻工大学 UASB-CAAS系统处理高浓度有机废水的工程技术无锡轻工大学维生素在光滑球拟酵母发酵生产丙铜酸中的关键作用广西师范大学湘西洛塔植物区系及开发利用研究重庆大学心肌收缩能力的一种无伤性检测和评估方法研究山西大学 Hie Senberg 方程的换算表示复旦大学国内首家微波硫灯的研制桂林工学院 NETWARE高级编程接口及未公开的核心技术武汉交通科技大学二维条码自动识别应用技术研究西安电子科技大学高速分组无线网长沙铁道学院空调客车状态参数集中管理系统成都电子科技大学校园网上的学生管理信息系统中国科学技术大学基于中文实时语音技术的有声电子系统北京理工大学《圣林3.0》实时三维图象引擎武汉大学系列安全容错智能卡应用系统重庆邮电学院多链路中国NO.7的信令分析仪华中理工大学基于LAN/INTERNET的H.323视频会议系统西安电子科技大学自控光阀及其在防弧光领域的应用清华大学细菌基因快速鉴测仪中国地质大学(武汉)油气资源储量评价系统华东理工大学无规共聚高分子相平衡的研究武汉大学新型固相微萃取探针复旦大学智能酒气电子鼻山东工业大学弹性管束热交换器的结构、动态特性及自动控制过程仿真重庆建筑大学新型高效掺合料北京大学社区的构成清华大学走近21世纪的中国环境技术中国人民大学面对挑战,中国对外经济的立足点北京师范大学困境与出路——城镇企业下岗职工再就业状况调查北京师范大学面向21世纪发展远程教育——关于中国远程教育中若干问题的调查与思考中国政法大学中国农民法律意识现状探讨西南政法大学典权的过程分析及性质研究山西大学刚玉之路河海大学江苏省水资源可持结发展模式探讨中国药科大学我国药品价格现状分析及管理对策的研究杭州商学院论国有企业激励机制湖南财经学院买方市场:高教与经济增长—发展高教是推动经济增长的重要途径华中农业大学农业科技推广中的几点思考第七届“挑战杯”全国大学生课外学术科技作品竞赛由西安交通大学于2001年承办:复旦大学和东南大学获得“挑战杯”特等奖北京大学锆基固体电解质纳米晶薄膜材料的制备及微结构与电学性质研究清华大学结构光三维扫描仪北京航空航天大学数字立体电视其计算机成像系统南开大学发光锌纳米分子复旦大学上海越族后裔与台湾高山族的渊源华东师范大学师范生对教育类课程看法的调查报告东南大学 OSC2001微型掌上数字存储示波器东南大学南京市流动民工现状调查山东大学换热器动态仿真及智能控制系统山东大学紫外倍频晶体K2AL2B207的生长技术汕头大学 LCD生产过程的基板自动对位贴合及ITO、SPACER自动检测系统电子科技大学考虑交易费用与风险情况下移动平均交易规则的检验四川大学论对抽象行政行为的司法监督重庆大学“移民者的乐园”——三峡库区“棚户现象”调查研究与城市(镇)迁建、移民问题思考渝州大学绿色贸易壁垒及重庆之应对贵阳中医学院《针穴II》虚拟三维教学系统西安交通大学金纳米球壳微粒的空腔谐振吸收特性)西安交通大学一种适用于小C臂X光机的数字成像系统一等奖北京大学中国高龄老人健康状况和健康预期寿命研究北京航空航天大学环形翼飞机北京航空航天大学弹射座椅地面综合测试仪及其嵌入式系统北京航空航天大学多机器鱼协调及机器鱼的机动性研究北京科技大学喷丝板自动检测系统北京科技大学灵丘贫锰银矿综合利用技术研究北京理工大学哈勃常数的实验估计北京理工大学发动机润滑系统仿真软件包北京师范大学教师反馈、学生的归因模式与学生学业成绩关系的研究:一项行动研究及其对学校心理健康教育的启示中国人民大学真茵寡聚糖诱导子诱导悬浮培养红豆杉细胞的信号转导途径及其过程模型的研究天津理工学院缔合色心型X线影像板河北大学陆马峰的发育与筑巢行为的研究河北科技大学 L-抗坏血酸-2-三聚磷酸酯的合成研究华北电力大学民事举证责任倒置问题探析大连海事大学船舶运动控制试验平台大连理工大学冰柜监控管理系统大连理工大学单金属、双金属催化剂表面CO氧化反应的模拟模型大连理工大学医学层析图象三维几何重建与可视化仿真东北大学般若企业互联网络综合应用平台吉林工学院溶液法银纳米微粉的光化学制备哈尔滨理工大学地下管线定位仪东华大学中国绿色服装发展探究复旦大学转动基板的激光测温复旦大学知识产权新课题——基因专利复旦大学以企业信息化迎接B2B挑战华东师范大学 GSEEK码路天使——中西文著者号码自动生成系统上海财经大学高级管理层激励与上市公司经营绩效上海交通大学全光通信系统仿真软件上海师范大学如何在中国农村普及信息技术教育同济大学多高层建筑结构设计系统(简称MTS)东南大学均压型行波形超声波电机苏州大学真丝调拒水拒油防污多功能整理新技术研究及产品开发苏州大学非接触式高精度数字图像面积测量仪苏州大学激发型抗人CD40单克隆抗体的研制及产品开发扬州大学 Xa21基因导入水稻广亲和恢复系SWR20提高白叶枯病抗性中国药科大学脆壁克鲁维酵母菌乳糖酶的开发与应用浙江大学基于综合推理的集成化智能书法创作合肥工业大学关于安徽农村税费改革的调查和建议中国科学技术大学语音合成芯片郑州工程学院王涛河南省高校大学生创新能力现状调查与对策研究郑州工程学院袁少勇在WTO框架下:中国粮食流通体制改革研究华中师范大学我国城市社区的阶层化趋势研究武汉大学用人市场对大学毕业生质量评价的社会学分析武汉理工大学谈广义M集的演化及其在图形防伪中的应用中国地质大学(武汉) 全球古大陆再造软件开发研究国防科学技术大学 Windows变速器国防科学技术大学数字水印新技术华南农业大学车八岭保护区及其邻近地区的木兰科植物种群及其群落特征的研究中山大学中国南沙群岛海域浮游原生动物生物多样性研究中山大学珠江三角洲富裕农村主观剩余劳动力问题研究华南热带农业学院蝗虫霉菌的培养及致病性初步实验西南石油学院油藏压裂模拟设计与分析软件系统重庆大学可穿戴式计算机——Netdaily云南大学便携式高精度数字燃油流量计云南大学传统法文化的断裂与现代法治的真空——少数民族农村法治秩序建构路径选择的社区个案研究长安大学 The Problems and the Solutions on Ecological Architecture in Developing Countries西安电子科技大学单片机模糊控制软件仿真和生成平台西安理工大学 Sn02:F透明电热膜加热管兰州大学纳米微阵电极组装体系的制备和初步研究宁夏大学宁夏移民区可持续发展模式研究宁夏大学历史上固原地区人地关系的两次转型对生态建设的启示新疆大学维-汉-英三向背单词系统、电脑词典第八届“挑战杯”全国大学生课外学术科技作品竞赛由华南理工大学于2003年承办:清华大学获得“挑战杯”复旦大学获得挑战杯永久纪念碑一座一等奖获奖名单北京大学司法判决书中“双高”现象并存的另一种解释进路北京大学贫困学生怎么上大学?——中国高校学生贷款运行机制案例分析及其国际比较北京航空航天大学仿生飞翼布局飞机北京航空航天大学纳米光催化空气消毒净化器清华大学北京市流动儿童受教育状况及心理健康现状调查报告中国地质大学(北京)大学生创新精神和实践能力培养的调查研究——团体创新模式分析中国农业大学 AISCR-1-100微机控制全自动智能除雪机器人中国人民大学资本市场融资条件与产品市场竞争双重约束下的中国上市公司融资行为研究北京城市学院北京市乞丐现状调查报告天津大学桩基承台前方设挡土结构的大型码头结构河北科技师范学院杏树新害虫---JT虫生物学特性及无公害防治研究山西财经大学货币需求中的认知因素分析大连理工大学基于元胞自动机和Penna模型的生态系统模拟模型吉林大学国有经济控制力及控制方式新探吉林大学兽疫链球菌突变株产生的透明质酸的纯化及表征北华大学气动蠕动式缆索机器人哈尔滨医科大学中药复方抗心律失常药物筛选平台的建立复旦大学手晃电子显示棒上海财经大学城市轨道交通投资对周边地价变动影响的实证分析上海交通大学新型水葫芦打捞船上海交通大学基于 Inter PXA250的无线个人客户端的开发(wireless personal client)同济大学轨道交通运输组织仿真系统开发同济大学城市之桥—上海世博会人行过江“花”桥的结构概念设计同济大学四轮独立驱动燃料电池微型汽车东南大学通用手持概念仪器东南大学江苏省企业电子商务应用调查研究报告南京大学一种新型的磁力吸盘南京大学他们怎样生存——三峡移民迁前生存状况调查南京工业大学绿色紧凑的冷冻式空气干燥机南京理工大学鱼类旋涡射流推进理论及其应用南京师范大学稀土有机配合物生态转光剂的制备南京师范大学推进乡镇机构改革的对策研究——苏南、苏北若干典型乡镇机构改革的比较分析南京邮电学院基于动态路由控制的高性能IP宽带接入网关中国矿业大学花生收获机华东船舶工业学院仿生波动推进器绍兴文理学院组织的镶嵌、链接和整合——中国轻纺城地方商会个案分析浙江工业大学“AH-Assemble”汇编语言集成开发平台浙江师范大学村委会选举中乡镇政府的角色转换——以浙江省昌镇村委会选举为个案中国科学技术大学σ键超共轭作用在丙烯旋转能垒中的重要性中国科学技术大学最小超对称标准模型下的R宇称破坏机制对CERN LHC上轻子对产生过程的影响中国科学技术大学 Bcl-rambo β的发现和功能研究福建农林大学甘蔗近缘属植物斑茅的杂交利用与抗逆性评价福州大学基于评价方法属性层次的组合评价研究华侨大学三维自然纹理的反求设计与制造厦门大学从“三农”问题透视乡镇政权——以福建省枫亭镇和大济镇为例山东理工大学竹红菌甲素--一种新型抗生素的抑菌作用研究郑州工程学院大学生诚信缺失徂源及对策——转型期大学生信用行为分析湖北大学论诚信的劣变与对教育理性的质问----关于当代大学生诚信状况的分析以及对当代教育的反思华中科技大学北京、武汉高校人才培养与学生素质状况调查报告武汉大学绿色铅酸蓄电池及其生产工艺武汉化工学院水性聚酯树脂的合成及其涂料研制中国地质大学(武汉)求解动态TSP问题的新型演化算法国防科技大学新概念路标系统与无人驾驶汽车模型湖南大学 RSY-1肉类水分快速测定仪湖南大学入世过渡期:银行不良资产处置模式的比较分析与路径选择湖南师范大学传统文化与党风廉政建设湖南师范大学走向权利时代的民工权益——来自深圳民工的调查中南大学三峡移民的文化差异与文化融合——以湖南岳阳地区新市、杨林两地三峡移民为样本分析的调查报告中南大学基于等离子体聚合膜技术的压电免疫传感器的研究及其在急性白血病免疫分型中的应用广州大学岭南城市广场与公园热环境研究华南理工大学新型高分子点阵发光显示屏华南农业大学园艺植物自然分类系统及其汉拉英名称对照广东商学院 21世纪中国人口老龄化与银色产业开发四川大学通过分子复合实现聚乙烯醇的吹塑成膜西南石油学院现代试井分析技术及软件系统第三军医大学以纳米金为报告系统的病原体快速检测基因芯片第三军医大学抑制胆固醇合成对乳腺癌细胞离子跨膜流动、细胞骨架形成及细胞通讯功能影响的研究重庆工学院一个非常值得关注的“三农”问题——重庆市农村养老问题调查研究云南师范大学微波加热技术在催化化学反应中的应用长安大学环保型野生植物杀虫剂的研究西安科技大学基于虚拟仪器技术的多种机械量测试系统西安交通大学透平叶片型线设计及优化软件西安交通大学金纳米棒状微粒的吸收光谱宁夏大学数字显微镜模拟目镜及病理远程诊断系统新疆大学新疆家蚕抗菌肽基因工程产品的开发与应用第九届“挑战杯”全国大学生课外学术科技作品竞赛由复旦大学于2005年承办:复旦大学获得“挑战杯”复旦大学以总分420分的最高分夺得第九届“挑战杯”;北京大学、中国矿业大学、南京大学等20所高校捧得“优胜杯”;清华大学由于累计3次捧杯,获得“挑战杯‘永久纪念杯’”。
医学图像边缘检测的Levy-DNA-ACO算法研究
1引言边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。
边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。
医学图像的边缘检测是对医学图像进行边缘信息提取的过程,其目的是提取出医学图像中灰度值不连续或者变化迅速的点[1-2]。
医学图像的边缘检测作为医学图像后期处理及分析的重要指标,是临床确诊及医疗研究方面的重要依据,具有重大的研究意义及价值。
传统的医学图像边缘检测是根据卷积在空间域微分运算而得出的,主要是基于高通滤波技术。
目前,传统的医学图像检测算法包括Roberts算子[3]、Sobel算子[4]、Prewitt算子[5]、Laplacian算子[6]、Canny算子[7]等。
由于医学图像本身较为复杂,即使是同一个组织结构,也有可能具有不同的灰度,图像既包括丰富的细节又包含大量的噪声,因此传统的医学图像边缘检测算法存在检测效果不佳、漏检、误检等问题[8]。
蚁群算法是一种新的仿生学算法,由意大利学者M.Dorigo提出[9]。
该算法模仿蚂蚁觅食时的行为,按照启发式思想,通过信息传媒——信息素的诱导作用,逐步收敛到问题的全局较优解。
蚁群算法在医学图像边缘检测领域的应用研究主要集中在基于图像边缘特征的蚁群算法[10]、基于模糊聚类的蚁群算法[11]以及与其他算法融合[12]的改进蚁群算法三方面。
本文以带Levy飞行特性的新型DNA-蚁群算法为手段,提出了一种新的医学图像边缘检测优化智能算法。
带Levy飞行特性的新型DNA-蚁群算法通过利用Levy飞行特性的扰动性避免基本算法陷入局部最优,利用DNA交叉与变异操作来调控算法参数,从而缩短医学图像边缘检测的Levy-DNA-ACO算法研究张经宇,滕建辅,白煜ZHANG Jingyu,TENG Jianfu,BAI Yu天津大学电气自动化与信息工程学院,天津300072School of Electrical Automation and Information Engineering,Tianjin University,Tianjin300072,ChinaZHANG Jingyu,TENG Jianfu,BAI Yu.Research on Levy-DNA-ACO algorithm for medical image edge detection. Computer Engineering and Applications,2018,54(8):14-20.Abstract:Based on the new DNA-ant colony algorithm with Levy flight characteristics,this paper proposes a new intelli-gent optimization algorithm for medical image edge detection.The new DNA-ant colony algorithm with Levy flight char-acteristics can avoid the local optimum by utilizing the perturbation of Levy flight characteristics,and use the DNA cross-over and mutation operation to regulate the parameters,so as to shorten the search time and improve the search accuracy. It uses the new improved ant colony algorithm to solve the medical image edge detection.And the results show that the improved ant colony algorithm is more precise and effective in solving this problem.Key words:medical image;edge detection;ant colony optimization;Levy flight;DNA cross;DNA variation摘要:以带Levy飞行特性的新型DNA-蚁群算法为手段,提出了一种新的医学图像边缘检测优化智能算法。
基于有向无环图的支持合约的分布式账本共识方法与系统[发明专利]
专利名称:基于有向无环图的支持合约的分布式账本共识方法与系统
专利类型:发明专利
发明人:沈国华,卞书钰,黄志球,杨阳,李井涵,张小玉
申请号:CN202110709125.1
申请日:20210625
公开号:CN113472870B
公开日:
20220419
专利内容由知识产权出版社提供
摘要:本发明公开了一种基于有向无环图的支持合约的分布式账本共识方法与系统,属于区块链技术领域。
本发明设计了基于有向无环图的去中心化分布式账本数据结构,通过引入强连接、弱连接关系实现有向无环图内的局部全序关系,从而支持智能合约;并通过具备权值更新的顶点添加方法,为并发添加顶点提供可验证的规则;此外,还设计了分叉剪枝方法,利用权值对顶点进行可信或不可信标记,并删除不可信顶点及相关边,解决了现实中分布式账本存在的网络延迟、黑客攻击等问题。
与现有技术相比,本发明结合了有向无环图的高并发优势和区块链的全序关系优势,在支持智能合约的基础上,提高了去中心化分布式账本的并发性能,使其应用领域更为开阔。
申请人:南京航空航天大学
地址:210016 江苏省南京市秦淮区御道街29号
国籍:CN
代理机构:南京苏高专利商标事务所(普通合伙)
代理人:孟红梅
更多信息请下载全文后查看。
基于BP网络的孤立数字识别
基于BP网络的孤立数字识别
金琰;张健
【期刊名称】《辽宁工业大学学报(自然科学版)》
【年(卷),期】2007(027)006
【摘要】通过Mel频率倒谱系数的方法对语音信号波形进行处理,采用BP网络作为分类器,实现了孤立数字的语音识别系统,在matlab环境下对算法进行仿真.实验表明,这种方法具有计算简单,识别精度高的特点.
【总页数】4页(P365-367,371)
【作者】金琰;张健
【作者单位】辽宁工业大学,信息科学与工程学院,辽宁,锦州,121001;辽宁工业大学,信息科学与工程学院,辽宁,锦州,121001
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于BP神经网络的手写数字识别及优化方法 [J], 夏少杰;项鲲
2.基于BP神经网络的手写数字识别系统 [J], 黄一格; 张炎生
3.基于BP神经网络的手写数字识别 [J], 许朋
4.基于BP神经网络的数字识别探究 [J], 王赟
5.基于BP神经网络数字识别技术的研究 [J], 王永亮
因版权原因,仅展示原文概要,查看原文内容请购买。
分块布局下的主题型网页的内容抽取
分块布局下的主题型网页的内容抽取
聂卉;张津华
【期刊名称】《情报学报》
【年(卷),期】2012(031)001
【摘要】本篇论文以去除网页噪声,整合网页内容为目标,提出了面向主题型网页,根据网页规划布局抽取网页内容的方法.算法首先分析原始网页的DOM结构生成标签树,再根据标签分类和对应节点的信息对标签树自底向上进行划分,并依据划分块的文字密度,链接密度及图片密度,分类信息块.进一步,提炼网页主题的文本特征向量,采用基于词条空间的文本相似度计算,获取划分块的主题相关度,以主题相关度为量化基准剔除噪声,识别网页主旨内容,重构页面描述.这一算法被应用于面向人才资讯的信息采集项目中,实验表明,算法适用于主题型网页的"去噪"及内容提取,具体应用中有较理想的表现.
【总页数】9页(P31-39)
【作者】聂卉;张津华
【作者单位】中山大学资讯管理学院,广州,510275;中山大学资讯管理学院,广州,510275
【正文语种】中文
【相关文献】
1.一种校园网环境下的网页正文内容抽取算法 [J], 林强
2.基于分块的新闻网页信息抽取算法 [J], 姬鑫;钟诚
3.美化我们的网页--"表格布局之后的网页内容填充"教学设计 [J], 毕文慧
4.基于视觉特征的主题型网页信息抽取 [J], 胡瑞;郭星;黄永聪
5.基于分块的网页主题文本抽取 [J], 任玉;樊勇;郑家恒
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
The Algorithmic Side
Assumptions:
In
any step, the message holder u knows
The range of local contacts of all nodes The location on the lattice of the target t The locations and long-range contacts of all nodes that have previously touched the message
4
Modeling a social network
Create a graph: node for every person in the world an edge between two people (nodes) if they know each other on a first name basis If almost every pair of nodes have “short” paths between them, we say this is a small world
19
Analysis
Questions: How many steps will the algorithm take? How many steps will we spend in phase j? In a given step, with what probability will phase j end in this step? What is the probability that node u has a node v as its long range contact?
Does
11
Modeling a social network
[d (u, v)] r Pr [u has v as its long range contact] : r [ d ( u , v )]
v : v u
Infinite family of networks:
r = 0: each node’s long-range contacts are chosen independently of its position on the grid As r increases, the long range contacts of a node become clustered in its vicinity on the grid.
16
Analysis
Algorithm in phase j:
At
a given step, 2j < d(u,t) ≤ 2j+1 Αlg. is in phase 0 :
message is no more than 2 lattice steps away from the target t.
The Small World Phenomenon:
An Algorithmic Perspective
Speaker: Jinbei Zhang
An Experiment by Milgram (1967)
Chose a target person Asked randomly chosen “starters” to forward a letter to the target
6
Modeling a social network
Imagine everyone lives on an n x n grid “lattice distance” – number of lattice steps between two points Constants p,q
7
Modeling a social network
12
The Algorithmic Side
Input:
Grid
G = (V,E) arbitrary nodes s, t
Goal: Transmit a message from s to t in as few steps as possible using only locally available information
10
Modeling a social network
Kleinberg (2000)
Why
should arbitrary pairs of strangers, using only locally available information, be able to find short chains of acquaintances that link them together? this occur in all small-world networks, or are there properties that must exist for this to happen?
p: range of local contacts
Nodes are connected to all other nodes within distance p.
8
Modeling a social network
q: number of long-range contacts
add directed edges from node u to q other nodes using independent random trials
Name,
address, and some personal information were provided for the target person The participants could only forward a letter to a single person that he/she knew on a first name basis Goal: To advance the letter to the target as quickly as possible
Thus u has v as its long-range contact with probability
1 4ln(6n) [d (u, v)]2
20
Analysis
Questions: How many steps will the algorithm take? How many steps will we spend in phase j? In a given step, with what probability will phase j end in this step? What is the probability that node u has a node v as its long range contact?
u
does not know
the long-range contacts of nodes that have not touched the message
14
r=2
15
The Algorithm
In each step the current message holder passes the message to the contact that is as close to the target as possible.
5
Modeling a social network
Watts – Strogatz (1998)
Created
a model for small-world networks
Local contacts Long-range contacts
Effectively
incorporated closed triads and short paths into the same model
operating with purely local information are very adept at finding these paths
3
What is the “small world” phenomenon?
Principle that most people in a society are linked by short chains of acquaintances Sometimes referred to as the “six degrees of separation” theory
18
Analysis
Questions: How many steps will the algorithm take? How many steps will we spend in phase j? In a given step, with what probability will phase j end in this step? What is the probability that node u has a node v as its long range contits long range contact ] ?
[d (u, v)]2 2 [ d ( u , v )]
v : v u
1 1 2 2 n 2 1 4 1 4 2 4 3 4j [ d ( u , v )] 2 1 4 2 4 2 v : v2u [ ... d( u , v )] 2 2 2 2 v : v u 8 1 2 3 2 21 2 2 j 1 j v : v u d [(u, v )]