期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
属性内-外融合与信息智能挖掘-分离
1
作者 徐凤生 于秀清 史开泉 《计算机科学》 CSCD 北大核心 2014年第7期254-260,共7页
P-集合(packet sets)是一个动态数学模型(动态信息模型,动态数据模型),P-推理是P-集合生成的一个动态推理,属性合取范式是P-集合中的元素与属性之间的逻辑特征。将P-集合、P-推理与属性合取交叉、渗透,给出属性内-融合及属性外-融合与... P-集合(packet sets)是一个动态数学模型(动态信息模型,动态数据模型),P-推理是P-集合生成的一个动态推理,属性合取范式是P-集合中的元素与属性之间的逻辑特征。将P-集合、P-推理与属性合取交叉、渗透,给出属性内-融合及属性外-融合与属性内-外融合概念、属性内-外融合定理、属性内-外融合与属性合取范式扩展-收缩关系、扩展-收缩关系定理,以及P-推理与属性内-外融合智能生成。利用这些理论结果,给出属性内-外融合在信息智能挖掘-分离中的应用。属性融合(属性内融合、属性外-融合、属性内-外融合)是潜藏在P-集合内的一个重要应用特性。 展开更多
关键词 P-集合 P-推理 属性合取 属性融合 融合智能生成 信息智能挖掘-分离 应用
下载PDF
电力设备缺陷文本的双通道语义增强网络挖掘方法 被引量:1
2
作者 张宇波 王有元 +1 位作者 梁玄鸿 夏宇 《高电压技术》 EI CAS CSCD 北大核心 2024年第5期1923-1932,共10页
电力设备运维环节积累的缺陷文本可指导设备的状态评价和检修工作。然而缺陷文本结构多样且背景噪声强,导致智能挖掘信息的难度大。针对该问题,提出了基于双通道语义增强网络的电力设备缺陷文本挖掘方法。首先,分析缺陷文本的内容,结合... 电力设备运维环节积累的缺陷文本可指导设备的状态评价和检修工作。然而缺陷文本结构多样且背景噪声强,导致智能挖掘信息的难度大。针对该问题,提出了基于双通道语义增强网络的电力设备缺陷文本挖掘方法。首先,分析缺陷文本的内容,结合自然语言处理方法预处理缺陷文本。利用Glove词向量嵌入模型将缺陷文本映射至数值空间表征语义。然后,基于词移距离构建缺陷文本的增强文本,通过含注意力机制的双向长短时记忆神经网络分别提取缺陷文本和增强文本的特征,进而在网络末端融合特征实现关键信息加强,提升模型分类性能。实例表明,所提双通道语义增强网络的分类Macro-F1指标相比于传统机器学习方法、单通道深度学习方法至少提高6.2%、5.2%,同时所提方法为实现图像、文本等多源运维数据的特征增强提供新思路。 展开更多
关键词 缺陷文本 信息智能挖掘 词移距离 双通道语义增强网络 特征融合
下载PDF
滇池流域生态系统完整性变化及其驱动机理实证研究
3
作者 陈德超 范金鼎 +2 位作者 赵海霞 顾斌杰 李欣 《生态经济》 北大核心 2024年第4期185-193,205,共10页
滇池流域是长江水源的重要涵养地和我国西南的生态安全屏障,其生态系统完整性变化是整个流域生态系统质量和稳定性的重要体现,对生态系统保护和修复具有重要指导意义。通过ArcGIS空间分析、地理探测器模型和皮尔逊相关分析等方法,基于... 滇池流域是长江水源的重要涵养地和我国西南的生态安全屏障,其生态系统完整性变化是整个流域生态系统质量和稳定性的重要体现,对生态系统保护和修复具有重要指导意义。通过ArcGIS空间分析、地理探测器模型和皮尔逊相关分析等方法,基于生态系统结构、功能和弹性三方面构建综合指数,评估2000—2020年滇池流域生态系统完整性时空变化,分析生态系统完整性演变的驱动因子及其作用机理。结果表明:(1)滇池流域生态系统完整性先下降后上升,但整体有所降低,其中结构完整性明显降低、生态系统弹性显著减弱。(2)生态系统完整性在空间上呈中部低四周高的分布格局,完整性高的区域分布在城市外围的山体,靠近滇池北部的中心城区则较低;全流域36.24%的区域完整性降低、35.31%的区域升高。(3)生态系统完整性的时空变化受自然条件和人文社会经济等多种因素的共同影响,高程、气温和土地利用变化是主导因子,完整性与高程呈正相关,与气温呈负相关,但土地利用变化的影响具有双重性。研究结果可为流域生态系统完整性评估提供新思路,同时为滇池流域生态系统的管护提供科学依据。 展开更多
关键词 生态系统完整性 时空变化 驱动力分析 地理信息智能挖掘 滇池流域
下载PDF
Study on Applying Hybrid Machine Learning into Family Apparel Expenditure
4
作者 沈蕾 《Journal of Donghua University(English Edition)》 EI CAS 2008年第6期632-637,共6页
Hybrid Machine Learning (HML) is a kind of advanced algorithm in the field of intelligent information process. It combines the induced learning based-on decision-making tree with the blocking neural network. And it pr... Hybrid Machine Learning (HML) is a kind of advanced algorithm in the field of intelligent information process. It combines the induced learning based-on decision-making tree with the blocking neural network. And it provides a useful intelligent knowledge-based data mining technique. Its core algorithm is ID3 and Field Theory based ART (FTART). The paper introduces the principals of hybrid machine learning firstly, and then applies it into analyzing family apparel expenditures and their influencing factors systematically. Finally, compared with those from the traditional statistic methods, the results from HML is more friendly and easily to be understood. Besides, the forecasting by HML is more correct than by the traditional ways. 展开更多
关键词 hybrid machine learning family apparelexpenditure influencing factor
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部