有效保留模型特征的自适应分层算法_李文康
一种自适应权重的多视图判别方法[发明专利]
![一种自适应权重的多视图判别方法[发明专利]](https://img.taocdn.com/s3/m/cc039c03dc36a32d7375a417866fb84ae45cc38f.png)
专利名称:一种自适应权重的多视图判别方法
专利类型:发明专利
发明人:刘同来,刘双印,张万桢,徐龙琴,郭建军,曹亮,尹航,李锦慧
申请号:CN202111218365.8
申请日:20211019
公开号:CN114037931A
公开日:
20220211
专利内容由知识产权出版社提供
摘要:本发明公开了一种自适应权重的多视图判别方法,包括以下步骤:构建数据集不同视图的无向权重图,并计算出拉普拉斯矩阵Ls;基于希尔伯特‑施密特独立性准则
(Hilbert‑SchmidtIndependenceCriteria,HSIC)对不同视图数据进行一致性约束,并计算出约束矩阵T;结合共识的低秩稀疏表征学习方法对投影矩阵P进行优化;引入权重参数并根据每个视图数据包含的信息量自适应地赋予相应的权重;构造最终的自适应权重的多视图判别模型;通过求解目标模型,求得模型最优的多视图投影矩阵;对测试集样本进行判别分析,运用KNN算法获取图像识别的准确率。
本发明针对于在噪声污染的图像数据能够保持不同视图的一致性结构,具有很强的准确性以及鲁棒性。
申请人:仲恺农业工程学院
地址:510225 广东省广州市海珠区纺织路东沙街24号
国籍:CN
代理机构:东莞市卓易专利代理事务所(普通合伙)
代理人:江梅
更多信息请下载全文后查看。
自适应特征权重的K—means聚类算法

第 6期
计 算 机 技 术 与 发 展
COMP U I ER TE CHNOL OGY AND DEVEL OPME NT
Vo 1 . 2 3 No . 6
2 0 1 3年 6月
J u n e 2 0 1 3
自适 应 特 征 权 重 的 K — me a n s聚 类 算 法
LI S i — ha i . M AN Zi — bi n
( 1 . G a n s u C o l l e g e o f T r a d i d o n a l C h i n e s e Me d i c i n e , L a n z h o u 7 3 0 0 0 0, C h i n a ; 2 . L a n z h o u U n i v e r s i t y o f T e c h n o l o g y , L a n z h o u 7 3 0 0 5 0 , C in h a )
U C I 上的 B C W 乳 腺肿 瘤 等数据 集对 算法 的有效 性进显 好于 传统 K — m e a n s
算法。
关键 词 : K — m e a n s ; 医学 数据 聚类 ; 自适 应特 征权 重 ; 聚类评 价 ; 混 淆矩 阵 中 图分类 号 : T P 1 8 1 文献标 识码 : A 文章 编 号 : 1 6 7 3 - 6 2 9 X( 2 0 1 3 ) 0 6 — 0 0 9 8 — 0 4
d o i : 1 0 . 3 9 6 9 / j . i s s n . 1 6 7 3 - 6 2 9 X. 2 0 1 3 . 0 6. 0 2 5
K- me a n s Cl us t e r i n g Al g o r i t h m Ba s e d o n Ada pt i v e Fe a t u r e W e i g h t e d
基于终身机器学习的主题挖掘与评分预测联合模型

P 2 ,PV 2表示评分预测部分的优化参数,4表示用来平 衡公式2个部分的预设超参数% HFT模型通过
式(4)将项目的潜在特征与评论主题进行关联%
/ =]
其中,"是用来控制转换强度的参数,其在训练过程 中学习得到%
在训练时,HFT采用最大期望(ExpectationMaximization,EM)算法,先用梯度下降法对整体损 失函数中的参数进行更新,再固定项目潜在特征和 评论主题分布,对评论集中的每个单词进行采样,如 此往复直到收敛为止%
目前,LML主要应用于自然语言处理领域%文 献['0 ]研究了终身概念学习的方法,其采用二元分 类法识别每个已知任务或新任务的特殊概念或类
别%文献[11 ]提出一种积累学习的方法,该方法在 处理新任务的同时更新已有的分类器,使之能够识 别已知的所有任务的类别%文献[12 ]利用终身松弛 标记算法以解决非监督的分类问题%文献[13 ]构建 了一种基于终身学习的主题模型,从历史任务的主 题词语分布中关联共同出现在多个主题中的词语, 并将这些关联词语应用于当前任务,以提高文本主 题模型的学习效果% LML除了应用于自然语言处 理领域之外,文献[14 ]构建了 一种处理用户反馈的 LML模型%尽管LML的概念早已被提出,但在推
尽管已有的推荐系统能够同时挖掘评分和评论 内容,但它们不能通过学习任务积累知识,也无法在 学习新任务的时候利用知识提高推荐精度% 1.2终身机器学习
终身机器学习,也称作终身学习机,是一种能够 在训练任务的过程中积累知识并在训练新任务时使 用这些知识的机器学习模型%这种机制类似于人类 的学习过程,在学习和理解新事物时不需要大量的 训练数据和冗长的训练过程,能够根据已有的经验 和方法迅速掌握和理解新事物%
基于层次聚类多任务学习的人类行为识别

基于层次聚类多任务学习的人类行为识别李云红;郑婷婷;王震亚;王延年;惠史科【摘要】为了实现对人类行为的有效识别,提出了一种基于层次聚类多任务学习(HC-MTL)的人类行为识别方法.采用正则化最小二乘法制定目标函数,并对模型参数和分组信息这2个潜在的变量进行联合优化.使用聚类范数正则化方式进行多任务学习,并求解任务相关性,进而对人类行为进行有效识别.该方法打破了所有行为是独立的个人学习的假设,通过任务聚类的方式建立起多任务之间的关系,共享同类任务之间的相关信息,提高了人类行为识别的准确度.试验结果表明,与聚类多任务学习方法(CMTL)和鲁棒多任务学习方法(RMTL)相比,HC-MTL方法可以发现任务的潜在相关性,有助于诱导群体多任务学习.通过同一类任务之间的共享信息,减少了误差,并提高了行为识别的精确度.%In order to realize the effective recognition of human behavior,the method based on hierarchical clustering multi-task learning(HC-MTL) is proposed. Using the regularized least square method,the objective function is formulated,and the two potential variables of model parameter and grouping information are jointly optimized. The multi-task learning is conducted and the task relevance is solved with the clustering norm regularization approach,then the human behavior is effectively recognized. The method breaks the hypothesis, i. e. , all the behaviors are independent individual learning, and through the way of task clustering,the relationship between multi-task and the relevant information among similar sharing tasks are established,thus the accuracy of human behavior recognition is enhanced. The test results show that compared with clustered multi -task learning method( CMTL) and robustmultitasking learning method( RMTL) ,the HC-MTL method can discover the potential relevance of the tasks and help to induce the group multi-task learning,through sharing information among the same types of tasks,the error is reduced and the accuracy of behavior recognition is improved.【期刊名称】《自动化仪表》【年(卷),期】2017(038)010【总页数】4页(P78-81)【关键词】行为识别;多任务学习;任务相关性;层次聚类;任务分组【作者】李云红;郑婷婷;王震亚;王延年;惠史科【作者单位】西安工程大学电子信息学院,陕西西安 710048;西安工程大学电子信息学院,陕西西安 710048;西安工程大学电子信息学院,陕西西安 710048;西安工程大学电子信息学院,陕西西安 710048;西安工程大学电子信息学院,陕西西安710048【正文语种】中文【中图分类】TH701;TP391人类行为识别[1-4]是视频监控、多媒体内容分析和数字娱乐等多种应用的基本构件。
基于分层门控神经网络的长文本摘要相似度模型

基于分层门控神经网络的长文本摘要相似度模型
宋金洋;陈亮
【期刊名称】《工业控制计算机》
【年(卷),期】2024(37)6
【摘要】长文本特征抽取是语义理解和关键信息抽取领域的研究热点,如何从长文本中抽取有效信息并进行长文本之间的相似度计算一直是自然语言处理的主要研究方向之一。
基于此,提出了一种基于分层门控神经网络的长文本摘要相似度模型。
该模型主要分为两个部分:(1)基于BiLSTM的摘要生成,在BiLSTM模型的基础上加入多头注意力机制,使模型可以提取到更加深层次的特征;(2)基于摘要的文本相似度计算,将传统的相似度分类模型转变成回归模型,采用多层BiLSTM对生成的摘要进行特征提取并加入自适应因子作为门控,控制每层BiLSTM信息量的输出。
实验结果表明该算法能够实现对长文本的特征提取,同时能够基于提取出的特征,利用余弦距离进行相似度比较。
【总页数】4页(P58-60)
【作者】宋金洋;陈亮
【作者单位】沈阳理工大学自动化与电气工程学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于分层信息过滤的生成式文本摘要模型
2.基于门控机制和卷积神经网络的中文文本情感分析模型
3.基于关键n-grams和门控循环神经网络的文本分类模型
4.基于编码器共享和门控网络的生成式文本摘要方法
因版权原因,仅展示原文概要,查看原文内容请购买。
自适应特征融合结构

自适应特征融合结构介绍在计算机视觉领域中,特征融合是一种常见的方法,用于将不同层次的特征进行整合以提高模型性能。
最近,自适应特征融合结构受到了广泛关注。
本文将对自适应特征融合结构进行深入的探讨。
自适应特征融合结构的概念自适应特征融合结构是一种神经网络结构,用于自适应地融合多层次的特征。
传统的特征融合方法通常是通过简单的操作(例如相加、拼接等)将不同层次的特征进行融合。
而自适应特征融合结构通过学习权重来自适应地融合特征,从而提高模型的表示能力。
自适应特征融合结构的优势•灵活性:自适应特征融合结构能够自适应地学习权重,从而适应不同任务和数据的特点。
这种灵活性使得模型能够更好地适应各种应用场景。
•高性能:相比传统的特征融合方法,自适应特征融合结构能够更充分地利用不同层次的特征信息,从而提高模型的性能。
这种高性能使得模型在各种计算机视觉任务中表现出色。
自适应特征融合结构的实现1. 多层次特征提取自适应特征融合结构首先需要进行多层次的特征提取。
通常,我们可以使用预训练的卷积神经网络(CNN)来提取图像的低层次和高层次特征。
这些特征具有不同的语义信息,为后续的特征融合提供了基础。
2. 特征融合在获得多层次的特征之后,自适应特征融合结构将对这些特征进行融合。
传统的特征融合方法包括简单的操作,例如将特征进行相加或拼接。
而自适应特征融合结构通过引入学习参数,从而能够自适应地融合特征。
这些学习参数可以通过反向传播算法进行优化,从而使得模型能够自动地学习到最佳的特征融合权重。
3. 自适应权重学习为了实现自适应的特征融合,自适应特征融合结构引入了自适应权重学习机制。
这个机制通过学习权重来自适应地融合特征。
具体来说,自适应特征融合结构将学习到的权重应用于不同层次的特征,从而将它们融合成一个更具有代表性的特征表示。
这种自适应的权重学习机制使得模型能够更好地适应各种任务和数据的特点。
自适应特征融合结构的应用自适应特征融合结构在计算机视觉领域中具有广泛的应用。
自适应权重多特征融合目标跟踪算法

Chinese Academy of SciencesꎬBeijing 100039ꎬChina)
Abstract:In order to solve the problem of tracking failure due to target rotation and target occlusion in target
基于分割掩码和拉格朗日方程的联合滤波器组快速优化方法ꎻ基于 VOT2016 基准测试平台ꎬ对算法进行了实验测
试ꎮ 结果表明:本文算法所设计的跟踪器在目标物体快速旋转变化、目标物体过大尺度变化、目标物体遭遇部分遮
挡及其在被完全遮挡后复现等情况下ꎬ都能对目标物体实现精准实时跟踪ꎮ
关键词:目标追踪ꎻ联合滤波器组ꎻ多通道特征融合ꎻ自适应权重
中图分类号:TP391 文献标志码:A
An adaptive weight multi ̄feature fusion target tracking algorithm
LIU Jizhong 1 ꎬLI Zhiling 1 ꎬZENG Cheng 1 ꎬXU Jungang 2
(1.Nanchang Key Laboratory of Medical and Technology ResearchꎬNanchang UniversityꎬNanchang 330031ꎬChinaꎻ
showed that in the case of rapid rotation change of the target objectꎬor excessively large scale change of the target
基于最小树切割的自适应聚类方法

基于最小树切割的自适应聚类方法
李玉鑑
【期刊名称】《北京工业大学学报》
【年(卷),期】2007(033)003
【摘要】为了简单有效地对数据集进行结构分析,提出了一种基于最小树进行聚类的算法(MSTCA).其基本思想是在最小树中切割所有大于一定阈值的边,对数据集进行子类划分,同时对较小的子类进行合并.MSTCA产生的聚类结果在不考虑子类次序时是唯一的,对它的递归调用还可在若干不同粒度层次上形成数据集的聚类结构.计算实验表明,MSTCA不仅能为具有各种不同聚类形状的数据集自适应地选择较好的聚类个数,而且只需简单的参数选择就能准确地分析出数据中存在的合理聚类和例外样本.
【总页数】6页(P331-336)
【作者】李玉鑑
【作者单位】北京工业大学,计算机学院,多媒体与智能软件技术北京市重点实验室,北京,100022
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于自适应PSO和混合转换策略的X结构Steiner最小树算法 [J], 刘耿耿;陈志盛;郭文忠;陈国龙
2.硬脆材料切割过程中基于线锯速度的切割力自适应控制 [J], 安蓓;李淑娟;郝政;赵雯;王嘉宾;梁列
3.基于聚类方法和神经网络的非线性系统多模型自适应控制 [J], 唐伟强;龙文堃;孙丽娟;黄小丽
4.基于深度神经网络的多模态特征自适应聚类方法 [J], 敬明旻
5.基于颜色空间分层非监督自适应聚类方法的研究 [J], 张羽
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)。
0
引言
3D 打印也称增材制造 ( Additive Manufacturing, AM ) [1] ,
它的基本原理是: 在某一方向上, 用足够多的分层平面去切三 维模型, 那么在每一层上就得到分层平面与模型相交的所有 轮廓信息, 利用轮廓彼此的包含关系判断出要打印的部分, 再 通过对打印材料的逐层堆积粘结, 最终打印出想要打印的三 维实体( 3D 打印的方法不仅限于分层制造, 也有基于体素的 3D 打印[2] 等方法, 但本文讨论的 3D 打印采用分层制造的方 法) 。3D 打 印 中 的 三 维 模 型 可 以 是 计 算 机 辅 助 设 计 ( Computer Aided Design,CAD) 模型、 通过求反工程得到的点 云数 据 模 型 和 由 CAD 模 型 转 变 而 来 的 立 体 光 刻 ( STereoLithography, STL) 文件格式的模型。 其中 STL 由于格 [3 ] 式简单、 通用性良好, 目前已成为增材 制 造 的 工 业 标 准 。 STL 文件是用许多空间小三角形来逼近 CAD 模型的表面, 是
Adaptive slicing algorithm to retain model characteristics
LI Wenkang1,2 , CHEN Changbo1 , WU Wenyuan1
( 1 . Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences, Chongqing 400714 , China; 2 . College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065 , China)
征的自适应分层算法。首先, 扩展了模型特征的定义 , 引入了模型特征丢失和偏移的概念 ; 然后, 提出了一种特征识别 其识别模型特征的关键在于利用了模型特征出现的地方必然伴随着模型表面复杂度或切片轮廓数的变化这 的方法, 一性质; 最后, 在已有自适应分层算法的基础上 , 通过在特征附近用最小的分层厚度处理模型来保留模型的特征 。 在 自主开发的软件 Slicer3DP 上实现了均匀分层、 自适应分层和所提的分层算法 , 对比发现所提算法能有效解决模型特 征的丢失和偏移, 兼顾了分层精度和效率 。仿真表明该算法可以用于对模型精度要求较高的 3D 打印中。 关键词: 3D 打印; 模型特征; 特征识别; 分层算法; 自适应分层 中图分类号: TP391. 7 文献标志码: A
有效保留模型特征的自适应分层算法
1,2 1 1 李文康 ,陈长波 ,吴文渊
*ቤተ መጻሕፍቲ ባይዱ
( 1. 中国科学院 重庆绿色智能技术研究院 ,重庆 400714;
2. 重庆邮电大学 计算机科学与技术学院,重庆 400065)
( * 通信作者电子邮箱 chenchangbo@ cigit. ac. cn)
摘
要: 针对 3D 打印中已有自适应分层算法不能有效保留模型特征的问题 , 提出了一种新的识别和保留模型特
Journal of Computer Applications 计算机应用,2015,35( 8) : 2295 - 2300 文章编号: 1001-9081 ( 2015 ) 08-2295-06
ISSN 1001-9081 CODEN JYIIDU
2015-08-10 http: / / www. joca. cn doi: 10. 11772 / j. issn. 1001-9081. 2015. 08. 2295
CAD 模型经过三角网格化后得到的 。 从上面快速成型的原 理可以看出, 对三维模型的分层处理是快速成型中的重要步 骤之一, 因此, 设计出良好的分层算法是非常有必要的 。 目前基于 STL 文件的 3D 打印分层算法主要有均匀分层 [4 ] 和自适应分层两种。 均匀分层 即采用统一的分层厚度对 模型进行分层处理, 由于 3D 打印逐层累积打印的固有缺陷, [5 ] 分层算法会带来阶梯误差 , 均匀分层会造成阶梯误差的不 均匀, 使得在打印所得实体的有些地方误差过大 。 自适应分 [5 ] 层 主要是为了降低 3D 打印中的阶梯误差提出来的, 它会 。 自动调节分层厚度 自适应分层 根据模型表面的复杂情况, 6]采用了根据模型的表面复杂情况直 的算法很多, 如文献[ 7]采用了逐 接决定分层厚度的直接自适应分层算法; 文献[ 8]采用逐步 次应用均匀分层对模型进行切片的方法; 文献[ 9]提出的自 细分分层厚度的方法来处理复杂的模型; 文献[ 适应分层算法应用了一种新的度量表面复杂度的方法; 文献
收稿日期: 2015-03-25 ; 修回日期: 2015-05-05 。 基金项目: 国家自然科学基金青年项目( 11301524 ) ; 重庆市科技攻关重点项目( cstc2012ggB40004 ) 。 作者简介: 李文康( 1990 - ) , 男, 湖北石首人, 硕士研究生, 主要研究方向: 3D 打印分层算法、 可视化软件; 陈长波( 1981 - ) , 男, 山东济宁 人, 副研究员, 博士, 主要研究方向: 计算机代数; 吴文渊( 1976 - ) , 男, 四川成都人, 副研究员, 博士, 主要研究方向: 符号数值混合计算。
片的除交点外的其他点的 Z 坐标值全部大于或者全部小于交 点的 Z 坐标值, 如图 1 中的 6 。 1. 2 模型特征的丢失和偏移 三维模型分层后, 每一层按打印过程重新累积后的模型 我们称之为打印实体。 模型特征的丢失( 或偏移) 是指三维 模型分层后, 原三维模型的特征( 特征点、 特征线、 特征面) 在 。 打印实体中消失( 或位移) 下面用例子来说明模型特征是 如何丢失和偏移的。 图 2 显示了图 1 中的模型过特征点 6 的截面。 对该模型 进行均匀分层, 如图 3 ( a ) 所示 ( 虚线为分层平面所在的地 方) , 得到打印实体, 如图 3 ( b) 所示。 由图 3 ( b) 可得, 打印实体是不光滑的, 这是由于逐层累 积造成的阶梯误差。除去阶梯误差带来的模型特征形变的影 3、 4、 6 分别偏移到 响, 可以看到特征大多产生了偏移, 特征 2 、 p、 q、 r 处, 了图 3 ( a) 的 o、 同时特征 5 由于没被分层处理到, 丢 3D 打印中的误差来源主要有阶梯误差及 失掉了。总的来说, 模型特征的丢失和偏移 。对于图 3 ( b) , 模型的阶梯误差和形 这里主要为了演示的 变在真实的 3D 打印中并没有这么大, 方便而加大了分层厚度 。
2296
计算机应用
第 35 卷
[ 10] 通过建立 STL 文件中三角面片的拓扑结构来加快自适 11] 应切片的过程; 文献[ 提出了一种具有高鲁棒性的自适应 12] 分层算法; 文献[ 对由功能梯度材料组成的模型提出了一 13]提出了一种适用于金属 3D 打 种自适应分层算法; 文献[ 印的自适应分层算法。 通过文献调研发现, 针对 STL 文件切片算法的研究主要 集中于如何在分层数少的情况下降低模型的阶梯误差, 如何 减少切片的时间, 如何增加切片的可靠性以及切片算法在特 还没有发现文献对模型特征的讨论, 只有在 定领域中的应用, 8] 文献[ 中提到了模型特征的概念 。 受此启发, 本文提出 3D 打印中的误差除了阶梯误差外, 还有模型特征的丢失和偏移 。 8]中给出的三维模型特征的定义进行扩展, 首先对文献[ 然 后引入模型特征丢失和偏移的概念, 并为降低 3D 打印中的 误差, 提出一种新的识别和保留模型特征的自适应分层方法 。 8]所提的分层算法 本文提出的自适应分层算法与文献[ 8] 在对模型特征处理上的不同之处在于: 1 ) 文献[ 在特征的定 义中并未给出特征点的完整定义, 只是给出了特征点可能存在 8] 的地方; 而本文则给出了特征的完全定义方法。2 ) 文献[ 对 于特征的识别采用穷举法, 此方法的代价非常高, 虽然有提到 模型特征出现的地方必然伴随着相邻分层平面上切片轮廓数 的变化, 但此说法是不完全的, 因为相邻分层平面上和相邻分 层平面间模型表面复杂度的变化也可能是模型特征出现的地 8] 方; 本文则给出了特征识别的具体方法。3 ) 文献[ 对特征的 处理方法是在特征所在的地方插入一分层平面, 此方法能解决 模型特征的丢失, 但是由于阶梯误差的存在, 该方法不能有效 地解决模型特征的偏移; 本文则通过在有特征所在的相邻分层 平面间用最小的分层厚度来处理模型, 能有效地解决模型特征 的丢失和偏移, 从而更有效地保留模型的特征。
*
Abstract: To resolve the problem that the existing adaptive slicing algorithm in 3D printing cannot retain effectively model characteristics, a new adaptive slicing method for recognizing and retaining model characteristics was proposed. Firstly, the definition of model characteristic was extended, and the concept of loss and offset of model characteristic was introduced. Secondly, a characteristic recognition method was proposed, the key point of which is to make use of the fact that the surface complexity and number of contours must change around the model characteristics. Finally, based on existing adaptive slicing algorithms, this algorithm retained model characteristics by slicing the model with minimum layer thickness near the model characteristics. On the selfdeveloped software Slicer3DP, the following algorithms were implemented: the uniform slicing algorithm, the adaptive slicing algorithm and the proposed slicing algorithm. By comparing these algorithms, it is found that the proposed slicing algorithm resolves effectively the loss and offset of model characteristics while maintaining both slicing precision and efficiency. The result shows that the proposed method can be used for 3D printing with high precision requirement. Key words: 3D printing; model characteristic; characteristic recognition; slicing algorithm; adaptive slicing