基于相对熵和二元熵的多粒度直觉语言TODIM决策方法

针对评估信息为多粒度直觉语言集的决策问题,提出一种基于相对熵和二元熵的TODIM方法。该方法首先定义了直觉语言数的相对熵和二元熵,以度量决策信息的差异和不确定性;其次,构建了基于相对熵和二元熵的专家赋权模型,并建立了主观权重完全已知、部分已知和完全未知场景下的属性赋权模型;最后,为集结多粒度群体决策信息,提出了多粒度直觉语言加权算术平均(MIL-WAA)算子。算例分析表明,该方法能够较好地度量决策信息的不确定性和差异性,并考虑了决策者的有限理性行为,具有一定的合理性和有效性。

测树因子二元概率分布:以毛竹为例

应用二元联合熵函数,仿照一元最大熵函数的推导过程,构建测树因子二元最大熵概率密度函数,指出该函数实际上是二元多参数指数族分布,其幂是二维连续函数空间基的线性组合;一元与二元最大熵函数的构建可以得出:这种构建模型的方法可以推广到测树因子二元以上概率分布的情形;对二元最大熵函数与二元Weibull分布模型做对比分析,并指出前者具有更广的适应性;对已有二元函数如二元SBB函数与二元Beta函数做了概述,介绍SBB函数初值选取方法,并指出二元SBB函数能反映2个随机变量的相关程度;用二元最大熵函数、二元SBB函数与二元Beta函数分别测量浙江省域尺度毛竹胸径、年龄联合分布信息,结果表明前2者的测量精度非常高,都适合于描述毛竹胸径、年龄联合分布规律,回归离差平方和、R2与柯尔莫哥洛夫检验统计量依次为9.97677e-05,0.9960,0.99983;0.00084,0.96400,0.97998;二元Beta函数测量精度最低,函数初值选取与变量区间变换还有待于进一步研究。

一类多变量信息函数的最大值

我们确定了一类多变量信息函数的最大值，这个结果推广了Ａｈｌｓｗｅｄｅ，叶剑平和张箴的单变量情形。

基于文本引导图像语义融合的跨模态哈希检索

基于哈希的跨模态检索算法具有存储消耗低和搜索效率高的特点,跨模态哈希检索在多媒体数据中的应用成为当前的研究热点。目前对于跨模态哈希检索的主流方法是研究模态间哈希码的学习能力,忽视了不同模态之间的特征学习能力以及语义融合能力。将Clip中的图像-文本匹配问题转换为像素-文本匹配问题,文本特征经过Transformer解码器查询图片特征,鼓励文本特征学习到最相关的图片像素级信息,并将像素-文本匹配得分引导图片模态的特征学习,挖掘出不同模态之间的更深层次的相关联的语义信息,并引入二元交叉熵损失函数来提升模态之间的语义融合能力,在高维特征映射到低维的汉明空间时能够得到高质量的二值哈希码。在MIRFLICKR-25K和NUS-WIDE数据集上进行对比实验,实验结果表明所提算法模型在不同长度的哈希码条件下的检索效果均优于目前主流的算法。

基于CHF-CNN的语音分离

深度神经网络已经在语音分离方面取得很好的表现,但是卷积神经网络获取的语音信息会更全面。经常用来评估预测目标好坏的分类准确率和命中率-错误率(HIT-FA)之间存在不平衡现象。为了解决这种不平衡,对卷积神经网络的损失函数进行了改进,提出使用二元交叉熵及命中率-错误率混合(CHF)损失函数,构成CHF-CNN模型。实验证明,使用CHF-CNN模型可以同时提高分类准确率和命中率-错误率(HIT-FA)来避免不平衡现象。此外,还验证了不同信噪比下的语音分离成果,发现当信噪比匹配时效果比不匹配时明显好,同时随着信噪比的增大效果会越来越好。