分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-06-19 合作期刊: 《计算机应用研究》
摘要： 离散二进制粒子群算法（BPSO）在各种离散优化问题中有着诸多优势，但其很容易由于非线性的问题陷入局部最优解，无法得到最佳特征子集。而降噪自编码器可通过多层非线性网络进行映射与重构，对中医药数据有良好的处理效果。因此提出了一种融合降噪自编码器与BPSO的特征组合方法，该方法主要是利用降噪自编码器对特征进行非线性映射形成超完备基，然后在超完备基中通过BPSO进行搜索，从而得到最佳特征子集。分别采用临床糖尿病数据集和UCI数据集进行分析处理，实验结果表明，融合降噪自编码器与BPSO的特征组合方法对中医药临床实验数据有较好的适应性。
分类： 信息科学与系统科学 >> 控制科学与技术 提交时间： 2024-01-06
摘要： 人工智能的核心课题之一是神经网络与深度学习，它们模仿人脑的工作原理，通过多层次的神经元连接来从数据中挖掘有价值的知识和规律。神经网络的研究始于上世纪四十年代，经过几次起伏和革新，目前已经涵盖了多个种类和领域，如卷积神经网络、循环神经网络、语音识别、计算机视觉和自然语言处理等。深度学习是指利用多层神经网络来处理复杂的非线性问题，它依赖于海量的数据和计算资源，以及高效的训练和优化技术。深度学习在近几年取得了令人惊叹的进展，但也存在着一些难题和挑战，如模型解释性、泛化能力、安全性和可靠性等。深度学习仍是一个充满活力和前景的研究领域，有望为人类的智能和生活开辟更多的机会和可能。本文将从神经网络到深度学习来简要介绍一下部分类型的神经网络结构以及部分深度学习的模型结构。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2019-01-28 合作期刊: 《计算机应用研究》
摘要： 大数据时代，利用传统的社区发现算法对大规模复杂网络进行社区结构挖掘显得愈发困难，准确率也较低。因此，提出一种基于平滑L_1范数的深度稀疏自编码器社区发现算法L_1-ECDA（community discovery algorithm for deep sparse self-encoder based on smooth L_1 norm）。该算法首先采用基于s跳的方法对网络图的邻接矩阵进行预处理；然后构建基于平滑L_1范数的深度稀疏自编码器，并通过训练网络图相似度矩阵得到低维特征矩阵；最后采用K-means算法对低维特征矩阵进行聚类得到网络社区结构。通过在仿真网络与真实网络数据集上实验表明，L_1-ECDA算法有效提高了社区识别的准确率，且比DBCS算法准确率平均高4%，比Deepwalk算法和CoDDA算法平均高5.4%。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-10-11 合作期刊: 《计算机应用研究》
摘要： 针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究，提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换，获取时频图像；然后对图像进行灰度和阈值二值化处理，将处理后的图像向量化操作输入到降噪自编码器中，提取降噪自编码器隐藏层特征数据完成降维处理，再重构成图片矩阵输入到卷积神经网络中，利用常用的Softmax分类器进行分类识别。通过仿真表明，添加降噪自编码器降维处理后的模型相比较原模型，时间复杂度大幅度下降，在SNR=-6 dB，识别效果能达到80%以上，与利用传统降维方式性能相比，识别效果明显提高。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2020-09-28 合作期刊: 《计算机应用研究》
摘要： 从单文档中生成简短精炼的摘要文本可有效缓解信息爆炸给人们带来的阅读压力。近年来，序列到序列(sequence-to-sequence，Seq2Seq)模型在各文本生成任务中广泛应用，其中结合注意力机制的Seq2Seq模型已成为生成式文本摘要的基本框架。然而，与机器翻译等任务不同，摘要文本还包含特定的写作风格特征。为生成能体现这种特征的摘要，在基于注意力和覆盖率机制的Seq2Seq模型基础上，在解码阶段利用变分自编码器(variational auto-encoder，VAE)刻画摘要风格特征并用于指导摘要文本生成；最后，利用指针生成网络来缓解模型中可能出现的未登录词问题。基于新浪微博LCSTS数据集的实验结果表明，提出的方法能有效刻画摘要风格特征、缓解未登录词及重复生成问题，使得生成的摘要准确性高于基准模型。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-04-17 合作期刊: 《计算机应用研究》
摘要： 在社交网络上，用户常创造一些变体词来替代部分实体名词，将这些变体词还原为原目标词是自然语言处理中的一项重要工作。针对现有变体词还原方法准确率不够高的问题，提出了基于有效上下文信息的变体词还原方法。该方法利用点互信息抽取出变体词和候选目标词的有效上下文信息，并将其融合进自编码器模型中，获得变体词和候选目标词更准确的编码，并依据此计算相似度进行候选目标词排序，更准确的实现了变体词还原任务。实验表明，该方法较当前主流的几种方法相比效果有显著提升，提高了变体词还原的准确率。
分类： 计算机科学 >> 计算机科学技术其他学科 提交时间： 2025-03-13
摘要： 随着医学影像技术的快速发展，医学影像数据的应用已成为现代医疗中的重要组成部分。神经网络训练需要大量的医学影像数据，然而，获取高质量、标注完整的医学影像数据往往面临着高成本、时间消耗以及数据隐私等问题。为了克服这些挑战，数据扩充技术应运而生，尤其是基于深度生成模型的数据扩充方法，因其在生成高质量合成数据方面的潜力而受到广泛关注。本文主要内容包括生成对抗网络（Generative Adversarial Networks, GAN）、变分自编码器（Variational Auto-Encoders, VAE）、扩散模型（Diffusion Models，DM）等模型的原理、应用及其在医学影像领域的最新进展，分析了现有方法的优缺点，并探讨了未来研究的方向。
点击量
通过
点击量
下载量
评论
待评议
