随机梯度下降多重分割本体算法的工程应用

随机梯度下降多重分割本体算法是通过对步长和步长序列进行控制,迭代优化正则经验误差模型而实现的。该算法已从理论的角度得到了有关学习率的证明。从具体本体应用的角度出发,描述算法如何与实际工程相结合。同时,将算法作用于基因本体和计算机软件本体中,说明算法对这些工程应用领域都具有较高的效率。     

排序框架下梯度下降迭代本体算法

从本体顶点排序的思想入手,得到排序框架下梯度下降迭代本体算法。选取边集合作为样本集,使用再生核希尔伯特空间作为函数空间,用步长控制迭代次数。最后,将得到的本体相似度计算和本体映射算法分别作用于植物学PO本体和计算机软件本体中,通过实验数据对比说明算法具有较高的效率。     

受约束的两类数据分割算法及其应用

针对权值约束、相互制约的两类数据A、B分类问题,提出一种带修补规则的数据分割算法。首先,基于密度法,依赖于数据类B确定数据类A的代表点,并依据最短距离原则和数据类A的代表点,对数据类B进行分类;进而,依据邻域法的思想及数据类B的权值,对各个分类进行修补,使各类满足权值约束;最后,基于优化模型,对数据类B的分类进行优化。实验结果表明,该分割算法获得了满意的分类效果。     

潜在表示学习框架下的低冗余多视图聚类算法

基于潜在空间学习的多视图聚类研究得到了较大发展,但其通常忽略了原始数据中冗余信息的存在可能会带来不理想的聚类结果。为解决这个问题,提出一种潜在表示学习框架下的低冗余多视图聚类算法。基于k-means的方法,直接从各视图数据学习其低维表示,由于该低维表示的各个特征相互正交,学习到的低维表示通常含有较少的冗余信息。基于潜在空间的假设,各视图的低维表示可由同一个潜在表示投影得到。将两者结合,就能得到一个具有低冗余信息的统一的潜在表示。设计了一个优化算法来求解目标问题,在多个公开数据集上的实验表明了该算法的有效性。     

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.     

本体学习算法的RO稳定性

主要研究了本体学习算法在替换一个样本点(RO)情况下的稳定性.定义多个本体学习算法的稳定性相关概念并得到它们之间的相互关系.另外结果还显示RO稳定性是本体学习算法的充分必要条件.     

两类动态时变系统的参数估计新算法

本文应用作者提出的修正的自适应滤波算法,给出了两类有广泛应用前景的时变动态系统的参数估计新算法。模拟例子说明其方法的有效性。     

结合字典学习和稀疏聚类的医学图像分割算法

为了改善医学图像的分割效果,结合字典学习和聚类算法,提出了一种以字典作为聚类中心,以稀疏表示实现聚类分割的医学图像分割算法.对于单幅的医学图像,可以通过交互进行稀疏表示和字典更新至收敛,从而实现无监督自适应分割;对于序列图像,则可以利用样本图像训练字典,并利用训练字典完成序列图像的分割.通过对SBD数据库的大脑MRI序列图像进行分割实验,结果表明,该算法有较好的分割精度,且能够保持序列医学图像分割的准确性和一致性.     

基于数据挖掘的本体关系学习算法

如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题.     

卫星图像分割的聚类算法

组卷问题是一个在一定约束条件下的多目标参数优化问题,而它的约束条件难以用数学形式描述,所以采用传统的数学方法求解十分困难。实践证明,用遗传算法求解组卷问题有较好的效果。本文中提出的改进的遗传算法,采用功能块结构,可以在初始种群时满足试卷的部分约束(题型、题数、题分),并无须在进化过程中对这些约束进行控制,降低了问题的难度,提高了问题求解的效率。而且在保证整个试卷的分数不变的前提下,适当地增大误差,可以大幅度减少组卷时间,尤其适用于网络环境下用户对组卷速度要求较高的考试情况。     

卫星图像分割的聚类算法

文章首先阐述了图像K-L变换的基本原理,然后再对处理后的图像应用ISODATA,FCM等方法进行图像分割,最后运用FCM算法的思想,改进方案,将聚类与传统图像处理方法相结合,对街区卫星图像进行分析,实验结果表明,改进的方案明显提高了卫星地图图像的分割速度和精度。     

MapReduce框架下常用聚类算法比较研究

大数据处理在各个行业的应用中占有越来越重要的地位。本文以基于MapReduce框架的大数据处理平台为基础,分析了MapReduce计算框架的工作流程及在该框架下四种常用的聚类算法,包括K-means算法、密度聚类算法、FCM算法与层次聚类算法的原理与优缺点,并对这些算法的进一步优化进行了分析。     

基于领域本体的学习资源管理系统框架研究

提出了一种基于领域本体的学习资源管理系统框架。该框架首先利用本体建立特定领域的语义模型,在此基础上实现对学习资源的有效管理和基于语义的搜索。并对资源的标注、资源的搜索等关键问题进行了深入的研究,最后给出其实现。     

深度学习框架下混合协同过滤算法研究

传统的推荐系统在面对大量动态、复杂的数据时,仅仅通过用户的已知数据和历史行为进行分析,得到评分准则继而进行推荐,存在推荐精度不高、数据稀疏性和冷启动问题,难以满足用户对信息的需求.针对这一情况提出深度学习框架下基于用户的混合协同过滤算法,利用深度神经网络模型进行特征提取解决用户信息不对称带来的数据稀疏问题,同时将评分矩...     

本体稀疏向量凸优化学习算法

随着大数据时代的到来,本体模型所要处理的数据量越来越庞大.在这一背景下,本体稀疏学习算法越来越受到重视.文中利用稀疏向量学习得到本体函数,用凸优化模型得到本体稀疏向量.使用平衡函数构建平衡项,给出凸集的选取方法,并通过迭代策略得到平衡函数的表达式.最后,两个仿真验证实验表明算法是有效的.     

有噪条件下基于正则化模型的本体学习算法

对原有的正则化本体模型加以改进,分别从再生核希尔伯特空间及线性空间Rm出发,得到有噪或半监督学习框架下的新正则化求解模型,将计算模型的注意力集中到假设空间的设置上.实验表明,新算法对特定的应用领域具有较高的效率.     

图像分割的谱聚类集成算法

针对谱聚类算法对尺度参数敏感的问题,利用集成学习算法良好的鲁棒性和泛化能力,提出了一种无监督集成学习算法——谱聚类集成算法.该算法先利用谱聚类的内在特性产生集成学习所需的多个聚类个体,再采用Hungarian算法对生成的聚类个体进行重新标记,计算每个样本点关于每一个类别所占的比例,得到一个成分向量,然后运用对数比变换将所得的成分向量映射到另一个空间,去除成分数据的不适定性,最后对映射后的数据进行聚类,从而得到最终的集成结果.通过对UCI数据集和纹理图像的仿真实验表明,所提算法的聚类准确率与常用的共识函数具有一定的可比性,且运算代价较小,所需时间大约为MCLA算法的一半,同时避免了精确选择谱聚类算法的尺度参数.     

基于不平衡排序的本体学习算法

运用不平衡排序的思想,得到新的本体学习方法,并将新算法应用于数学本体和化学指数本体,从而分别验证算法对相似度计算和构建本体映射的效率.     

基于TLP经验模型的本体学习算法

将TLP和本体回归算法相融合,提出基于TLP经验模型的本体相似度计算和本体映射算法。新算法继承了TCP的特点,使其具有无偏参数估计的特征。将新算法应用于GO本体和物理教育本体,通过实验结果表明新算法对特定的应用领域具有较高的效率。     

基于SOM-K聚类的图像分割算法

针对介电弹性体图像在电致形变实验中存在噪声过多、光照不均和无法准确分割等缺陷,提出一种基于形态学重建、核聚类算法与分水岭算法相结合的目标图像分割改进算法.首先选取合适的结构元素对图像进行形态学重建,然后对重建后的形态学梯度图像进行分水岭分割,最后通过SOM-K算法聚类所得分割图像,合并相似区域,以降低过分割的影响.结果表明该分割算法准确度高且可行性好.