基于结构保持对抗网络的跨模态实体分辨

跨模态实体分辨旨在从不同模态的数据中找到对同一实体的不同客观描述.常用的跨模态实体分辨方法通过将不同模态数据映射到同一空间中进行相似性度量,大多通过使用类别信息建立映射前后的语义联系,却忽略了对跨模态成对样本信息的有效利用.在真实数据源中,给大量的数据进行标注耗时费力,难以获得足够的标签数据来完成监督学习.对此,提出一种基于结构保持的对抗网络跨模态实体分辨方法(Structure Maintenance based Adversarial Network,SMAN),在对抗网络模型下构建模态间的K近邻结构损失,利用模态间成对信息在映射前后的结构保持学习更一致的表示,引入联合注意力机制实现模态间成对样本信息的对齐.实验结果表明,在不同数据集上,SMAN和其他无监督方法和一些典型的有监督方法相比有更好的性能.     

局部敏感哈希在高维向量K近邻搜索中的应用

在图片相似性搜索中,需要将图片特征向量的相似性搜索问题转化为K近邻问题,这就需要了解K近邻问题的定义,以及局部敏感哈希的数学定义。此外,还需引入一个可以用于实际应用的局部敏感哈希的算法,并分析此算法的正确率和算法复杂度。     

改进的K-近邻算法在中文网页分类的应用

K-邻近算法作为一种比较简单,易于实现并且错误低的分类算法,广泛应用于网页分类、模式识别和数据挖掘等多个领域中.本文介绍了传统K-邻近算法并分析了该算法在网页相似度值的计算存在的不足,在此基础上,本文提出了基于类中心向量的K-近邻算法,通过理论分析和仿真实验结果证明了该算法对于中文网页分类具有较好的分类效果.     

基于改进的朴素贝叶斯文本分类研究

文本分类(Text Categorization,TC)指的是把一个自然语言文本,根据其主题归入到预先定义好的类别中的过程.文本分类是自然语言处理的一个基础性工作,也是近年来人们研究的热点话题.针对朴素贝叶斯算法在小样本集分类效果不高的原因进行了分析,对其进行了改进和调整,提出了基于改进的朴素贝叶斯文本分类方法,试验结果表明,该方法取得了更好的效果.     

结合加权相似值和相似投票的视频流人脸识别

为了提高利用Gabor特征进行人脸识别的识别率和鲁棒性,文章提出了一种新的视频流人脸识别方法.首先根据人脸不同位置特征点的识别能力不同,选取对识别贡献比较大的眉毛和眼睛部位进行特征提取;然后根据不同特征点Gabor特征的分类能力,采用加权相似值和相似性投票相结合的方法进行视频流人脸识别.实验结果表明,该方法比传统方法具...     

英语主语和谓语动词在数方面的一致关系

英语中各种一致关系很多，但最主要的是主语和谓语在数方面的一致关系．就其一致关系必须遵守的语法一致、概念一致、近邻词一致等原则，论述了英语中主语和谓语在数方面一致的多种情况．     

基于委员会投票选择方法的主动学习的研究

讨论了利用QBC(委员会投票选择)的主动学习方法来学习贝叶斯网络分类器,通过对基于投票熵和基于KL-divergence的QBC算法的研究,指出了两者存在的缺陷;同时提出了基于投票熵与类条件后验最大熵相结合的QBC算法。实验证明,该算法提高了分类器的精度,并使用了较少的训练样本,这有效解决了大数据量训练样本获得困难的情况下分类器建模问题。     

一种综合分析多种测井信息自动识别储层的方法

该文提出一种由计算机自动识别复杂岩性地层的方法。首先在储层各类地质模型基础上建立了诊断储层类型的物理特征参数模型;其次根据模式识别、专家系统技术建立了识别各类储层的判定系统;最后建立了划分储层序列的彩色绘图系统。该系统在大庆油田试验,取得了良好效果。     

机器学习算法用于乳腺癌检测的性能研究

乳腺癌排在女性恶性肿瘤首位,早期发现和诊断是治疗的关键。使用开源乳腺癌数据集,使用了K-近邻、逻辑回归、支持向量机等主流机器学习算法对数据集进行了大量的训练和测试,分析了它们在训练过程中的学习曲线,对训练和测试结果进行了对比,分析和研究了这些算法在乳腺癌检测中的性能,并对未来的研究方向和技术进行了展望。     

基于度量学习的邻域k凸包集成方法

k局部凸包分类方法通过改进k近邻算法在处理小样本问题时的决策边界而显著提高分类性能,k子凸包分类方法通过克服k凸包分类对类数和样本环状分布的敏感性而改善了分类性能。但是,该方法仍然对样本距离度量方法敏感,并且在k邻域内不同类的样本数经常严重失衡,导致分类性能下降。针对上述问题,文章提出了一种邻域k凸包分类方法,并通过引入距离度量学习和集成学习技术来提高算法对样本空间度量的鲁棒性。大量实验表明,文中提出的基于度量学习的邻域k凸包集成方法具有显著的分类性能优势。