适用于水下目标识别的快速降维卷积模型

针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。

一种基于群集的并行数据处理中间件

HPDPM系统是基于无共享群集结构的支持并行数据处理的中间件.提出了中间件系统的体系结构和主要功能模块,详细论述了利用中间件系统实现并行数据处理的方法.阐述了实现数据放置、缓存管理等关键技术的策略和方法.给出了实验和现场测试结果.利用中间件系统,为用户提供统一的服务接口和管理平台,提高了系统性能,增强了系统的可用性和可维护性,保护了用户已有投资.系统目前在大型应用工程中得到实际应用,应用中涉及的数据规模达到TB级.

基于卷积神经网络的水下目标特征提取方法

针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构。该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失。以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他方法相比,有效提高了目标的识别精度。所提框架能有效分类识别水下目标,具有良好的识别精度,且具备模块化结构,无需复杂预处理,实现简单。

一种数据处理中间件系统语义缓存技术

高性能数据处理中间件系统是采用语义缓存技术实现的一个并行数据处理中间件.提出了采用语义缓存技术,充分利用用户查询的相关性,减少网络通讯开销,进而提高并行数据处理中间件系统响应能力的方法.论述了基于语义缓存的支持数据并行处理的中间件系统的体系结构和主要功能模块,提出了中间件系统中应用语义缓存技术的基本思想和工作原理,替换策略和一致性维护方法,实验结果表明该技术能够有效地改善系统性能,提高系统响应能力.该系统目前在国家大型工程中得到实际应用.

支持高效路径查询的数据空间索引方法

首先,通过索引连接例子,分析了影响效率的因素。在扩展倒排索引基础上,构建了B-树索引,以支持大规模数据的高效查找。然后,构建了二级索引,以减少索引连接中的大量重复判断。最后,提出了路径查询算法。实验结果表明:该索引方法能够有效地解决索引连接问题和显著地改善数据空间路径查询效率。

数据处理中间件的存储分配策略

提出一种用于高性能数据处理中间件系统的数据分配策略,以提高系统并行性、减少通信开销、使总体查询负载代价最小并增强系统响应能力。基于该策略的基本思想和工作原理,给出中间件系统的体系结构和主要功能模块,通过实验证明其有效性。该系统已在一项国家大型工程中得到应用。

二分K均值聚类算法优化及并行化研究

二分K均值聚类算法在二分聚类过程中的初始质心选取速度方面存在不足。为此,提出以极大距离点作为二分聚类初始质心的思想,提升算法的运行速度。研究如何在群集系统中进行快速聚类,根据二分K均值聚类算法的特性,采用数据并行的思想和均匀划分的策略,对算法进行并行化处理。实验结果表明,改进后的算法能获得比较理想的加速比和较高的使用效率。

基于非结构化数据的本体学习研究

语义Web的创建需要一套共同的标准概念体系,即本体(Ontology)。而现在本体的构造手段仍然是以手工构造为主,效率和准确率都非常低,很容易导致知识获取的瓶颈。近年来,自动创建领域本体可以克服手工方法的不足,成为当前的研究热点之一;本体学习是自动或半自动构建本体的一系列方法和技术。提出了一种利用知网,基于非结构化数据的特定领域概念及其之间关系的提取算法,从军事领域选取4个种子概念:舰、导弹、机和炮,并通过实验测试了该算法。

一种本体学习中的领域概念筛选算法

由于现有领域概念筛选方法中领域筛选存在不准确的缺点,提出了一种改进的本体学习中的领域概念筛选算法。该算法针对领域相关度和领域一致度公式存在的信息描述不全的缺点进行改进,给出了改进公式和领域概念筛选算法。实验数据表明,该方法提高了领域概念筛选的有效性,取得了很好的效果。

基于遗传算法和种子概念的本体概念提取算法

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体(半)自动构建的一项技术。通过研究中文本体学习这一领域存在的问题,提出了基于遗传算法和种子概念的本体概念提取算法。介绍了当前基于非结构化数据源的本体概念主要提取算法,在遗传算法和种子概念的基础上,设计了一种基于非结构化数据源的本体概念提取算法。实验证明,本算法在特定领域本体学习方面取得了良好的效果。

基于iMeMex数据模型的数据空间索引方法研究

目前,个人和组织的信息呈现急剧增长趋势,且非结构化数据所占比重在不断增加,这些属于某个主体的海量、分布、异构和共存的数据构成了一个异构数据空间,如何为用户提供高效、便捷和多样化的搜索查询服务是数据空间面临的巨大挑战,为数据空间中异构数据构建高效的索引方法是解决这一问题的基础。对iMeMex数据模型的特点和数据空间中查询方法进行了分析,在此基础上通过扩展倒排列表方法,提出了一种基于iMeMex数据模型的索引方法,来提高对数据空间中异构数据的搜索查询效率。新的索引方法通过扩展倒排列表的关键字列和链表节点信息索引资源视图,来支持和提高关键字查询、谓词查询和路径查询的处理效率。实验结果表明,该索引方法能够有效、可行地解决数据空间中异构数据索引和查询效率问题。

基于相似度计算的本体映射框架

本体映射是实现异构本体知识共享与互操作的有效手段。提出计算相似度的方法,考虑确定的映射对未进行计算的相关概念相似度的影响,并给出一种基于本体内定义的规则来验证映射结果的方法,在保证映射准确性的前提下,有效提高映射速度。除判别相等与相似的概念,还考虑映射概念的子类与超类关系。

关系数据库关键字查询结果排序方法

为了提高传统排序方法的排序准确率及效率,本文提出一种列表级的并行学习排序方法,用于关系数据库关键字查询结果的排序。采用一种列表级学习排序算法并在此基础上引入并行框架,使训练过程能够在多个节点上并行执行,有效地减少训练时间;并且提出一种基于贪婪搜索算法和排序性能的弱排序器分层构建策略,提高排序模型的训练效率和有效性;分别在公开数据集IMDB和Wikipedia上进行实验。实验结果表明:与传统的排序算法相比,本文方法具有较高的训练效率及排序准确率。

基于主题和表单属性的深层网络数据源分类方法

当前深层网络中蕴含着高质量的海量信息并且其数量不断地增长,由于深层网络具有分布、异构、自治等特点,用户高效、快捷地获取自己感兴趣的信息面临巨大挑战.将深层网络数据源按领域分类是解决这一挑战的基础.本文以对航空订票、图书、汽车和房地产领域的200多个数据源的统计和分析为基础,充分利用主题和表单属性信息,提出了一种新的深层网络数据源分类方法以及改进的查询接口相似性度量方法,实现深层网络数据源的自动分类.本文还提出了一种查询接口标记策略,以降低随机选择初始中心点所产生的影响.实验结果表明该方法具有较高的分类精度.

基于UML的本体表示方法研究

研究本体表示相关技术,并且从表达和推理能力等方面对当前本体表示方法进行分析和比较,总结各种表示方法的利弊。在此基础上提出一种基于统一建模语言(UML)和对象约束语言的本体表示方法,特别研究该表示方法的推理机制,并对这种表示方法进行应用。

结合最近邻与闭模式子空间聚类方法

针对传统距离度量在高维数据上效果不明显问题,提出一种共享最近邻子空间聚类算法(SNN_SC),按照维把数据集转变为多个最近邻事务数据库,挖掘事务数据库中最大共现对象集,即一维上聚类。在一维聚类集上进一步挖掘闭频繁项集,包含闭频繁项集的维是子空间,闭频繁项集是子空间上聚类。实验对比结果表明,SNN_SC能够更准确定位子空间,并在子空间上产生完整聚类。

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法。然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大。为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法。首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重。Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到"好而不同"的基分类器。然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率。在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果。

基于查询意图的数据空间预取方法

为在查询前预取用户可能访问的数据,提出了一种利用查询日志的数据空间预取方法。该方法从查询日志中提取意图特征,并采用聚类技术对其进行聚类,识别用户查询意图,并基于该意图预取查询结果。实验结果表明:该方法在预取准确率和查询效率方面均显著优于已有方法。

基于本体论的联邦式多主体系统设计

智能主体是一个多用途.适应性的系统。它可以根据其环境执行不同的活动，动态地完成目标。多主体系统强调利用多个主体的能力完成复杂的任务。每个主体具有自治性；但当主体的数量增多时，主体间交互成为重要的问题。为了减轻主体交互的负担，作者采用联邦式的多主体系统结构。利用联盟体为主体的交互提供服务。并以本林沦作为交互的基础。

KISO:一种基于本体论的集成知识系统设计

我们注意到不同的应用背景、编程语言、建模工具及网络协议是应用及用户间实现互操作的主要问题．为了解决基于知识的复杂求解问题．必须考虑系统的互操作性．本文提出一种基于本体论的设计方案。