广西中南部语法化区域的两个共享特征

广西中南部汉、壮语共享两个特征,即量词重叠(CL+CL)表任指、“对”有存在动词、处所/时间介词的功能,模式语都是壮语,汉语复制了其语法功能。前一共享特征在如下结构的演变中获得,即:V_(1)+CL+哪,CL+那+V_(2)>V_(1)+CL,CL+V_(2)>V_(1)+CL+CL+V_(2),触发演变的语境是五言壮语歌谣。后一共享特征的来源是:壮族人意识到壮语的“V+te:■^(1)”与汉语官话的“V+对”是相对应的,推测出壮语的te:■^(1)就是官话的“对”,他们将壮语“te:■^(1)+N”结构类推为壮式官话的“对+N”。随着壮式官话“对+N”在宜州官话中的扩展,导致“对”获得存在动词、处所/时间介词的功能。

融合子空间共享特征的多尺度跨模态行人重识别方法

跨模态行人重识别(Re-ID)是智能监控系统所面临的一项具有很大挑战的问题,现有的跨模态研究方法中主要基于全局或局部学习表示有区别的模态共享特征。然而,很少有研究尝试融合全局与局部的特征表示。该文提出一种新的多粒度共享特征融合(MSFF)网络,该网络结合了全局和局部特征来学习两种模态的不同粒度表示,从骨干网络中提取多尺度、多层次的特征,全局特征表示的粗粒度信息与局部特征表示的细粒度信息相互协同,形成更具有区别度的特征描述符。此外,为使网络能够提取更有效的共享特征,该文还针对网络中的两种模态的嵌入模式提出了子空间共享特征模块的改进方法,改变传统模态特征权重的特征嵌入方式。将该模块提前放入骨干网络中,使两种模态的各自特征映射到同一子空间中,经过骨干网络产生更丰富的共享权值。在两个公共数据集实验结果证明了所提方法的有效性,SYSU-MM01数据集最困难全搜索单镜头模式下平均精度m AP达到了60.62%。

基于共享特征相对属性的零样本图像分类

在利用相对属性学习实现零样本图像分类中,现有的方法并没有考虑属性与类别之间的关系,为此该文提出一种基于共享特征相对属性的零样本图像分类方法。该方法采用多任务学习的思想来共同学习类别分类器和属性分类器,获得一个低维的共享特征子空间,挖掘属性与类别之间的关系。同时,利用共享特征来学习属性排序函数,得到基于共享特征的相对属性模型,解决了相对属性学习过程中丢失属性与类别关系的问题。另外,将基于共享特征的相对属性模型用于零样本图像分类中,有效提高了零样本图像分类的识别率。实验数据集上的结果表明,该方法具有较高的相对属性学习性能和零样本图像分类精度。

基于共享特征的高分辨率遥感影像多级分类

高分辨率遥感影像细节丰富,具有类内差异大、类间差异不明显的特点。为此,模拟人的目视解译方式,提出一种基于共享特征的多级二叉树分类算法,把多类分类问题划分为多个两类分类问题,每级两类分类都提取共享特征,仅解译一类目标,已解译的类别不再参加后面的分类,利用这样的逐步淘汰机制完成一幅遥感影像的全部解译。实验结果表明,与K近邻、支持向量机等其他多类分类算法相比,该算法具有更高的分类精度。

基于相似领域共享特征的分类学习模型

传统上下文在分类研究中通常存在失真和有效性等问题。引入研究对象领域的相似领域作为上下文,借助迁移学习理论,使用结构化相似性学习方法构建研究对象领域和其相似领域间的低维共享特征,提出一种基于相似领域共享特征的分类学习模型。实验以QQ空间的个性化设置数据作为上下文,对用户电子商务网站页面的风格偏好进行分类,验证了所提模型的可行性和有效性。

基于创新发展需求的科技信息资源整合共享特征

针对创新发展对科技信息资源的需求和科技信息资源的特殊性,详细论述了科技信息资源及其整合共享的内容、特点及动因机理,为科技信息资源开发利用、发挥其在创新驱动发展中的重要作用提供了科学依据,也为建设山西科技创新城提供了较好的借鉴素材。

浅析会计师事务所共享特征对上市公司并购交易的影响

在并购交易事件中,第三方中介机构的介入具有积极效应,对并购交易的达成和并购结果具有重要影响。本文通过梳理国内外文献和理论分析发现,共享特征可以使并购双方的非书面信息传递更加有效,使并购交易达成率更高、并购溢价更低,对并购交易的发生、完成和并购双方利益都产生了显著影响。

基于判别共享字典模型的机织物纹理稀疏表征及应用

以不同经、纬纱密度的平纹组织、斜纹组织、经面缎纹组织、纬面缎纹组织、方平组织、复合斜纹组织、菱形斜纹组织、蜂巢组织为样本,研究机织物纹理图像的分类方案对判别共享字典学习模型性能的影响。该字典学习模型由判别字典和共享字典组成。对机织物纹理图像进行子窗口分割得到子样本,再将子样本展开成列向量,并将所有的列向量首尾相连组成灰度矩阵,最后对样本矩阵进行字典学习和重构。研究结果表明,判别共享字典对不同种类的机织物纹理有非常好的重构效果,经、纬纱密度或组织结构作为分类依据均会对重构效果产生显著影响,相比经、纬纱密度,组织结构对字典判别性能的影响更加显著。

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际;2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。

基于多任务特征层共享的表面缺陷检测

在基于卷积神经网络的工业表面缺陷检测中,往往将缺陷检测任务视为单任务进行学习。针对单任务学习数据来源单一、样本量缺乏的问题,提出了一种基于多任务特征层共享的表面缺陷检测方法(Feature-shared Multi-task Network,FSMTNet)。该方法首先对原图像数据分别进行高斯滤波和canny算子边缘提取,处理后的两组图像数据和原数据视为三个相关联的任务;三组图像分别输入以AlexNet为主干的网络,通过一种共享单元(Shared unit)进行任务间的特征共享;并在一系列可学习权重的作用下,自主学习出最佳共享组合。在不进行任何数据增强的前提下,该方法达到了96.111%的平均准确率,对比传统方法提升6%,子类准确率最大提升27%。实验结果表明,基于多任务特征层共享的缺陷检测网络性能优于同类单任务网络。

基于预训练和多模态融合的假新闻检测

现有的多模态检测模型通常对每个模态的特征进行简单拼接,不能对模态之间的相关性进行有效建模,而且很难迁移到标签稀少的领域。提出一种基于预训练和多模态融合的假新闻检测模型PMFD。提取新闻附带图像不同区域的特征作为图像原始向量,合并图像原始向量作为图像引导向量,设计早期融合、中期融合、后期融合3种不同的多模态融合方式。在早期融合阶段,通过图像引导向量初始化文本特征提取器,获取文本原始向量,合并文本原始向量作为文本引导向量。在中期融合阶段,使用模态的原始向量集合与其他模态的引导向量构造模态的特征表示。在后期融合阶段,融合不同模态的特征表示,构造新闻的特征表示。为提高模型的泛化能力,在标签丰富的数据上对PMFD进行预训练,然后再在标签稀少的数据上对PMFD进行微调。在公开数据集上的实验结果表明,PMFD能有效检测假新闻结果,相对传统模型CNN、LSTM、BERT等有10%以上的提升,相对EANN、M_model多模态假新闻检测模型有2%~3%的提升。

具有特征选择的多源自适应分类框架

对于现有的多源自适应学习方案无法有效区分多个源域中的有用信息并迁移至目标域的问题,提出一种具有特征选择的多源自适应分类框架(MACFFS),并将特征选择和共享特征子空间学习整合到统一框架中进行联合特征学习。具体来说,MACFFS将来自多个源域的特征数据投影至不同的潜在空间中来学习得到多个源域分类模型,实现目标域的分类。然后,将得到的多个分类结果进行整合用于目标域分类模型的学习。此外,框架还利用L2,1范数稀疏回归代替传统的基于L2范数的最小二乘回归来提高鲁棒性。最后,把多种现有方法在两项任务中与MACFFS进行实验比较分析。实验结果表明,与现有方法中表现最好的DSM相比,MACFFS节省了接近1/4的计算时间,并且提升了大约2%的识别率。总的来说,MACFFS结合了机器学习、统计学习等相关知识,为多源自适应方法提供了一个新的思路,且该方法在现实场景下的识别应用中比现有方法具有更好的性能。

开放共享型体育设施实践——以新加坡社区体育综合体为例

当前我国城市建设进入更为细致深入时期,作为社区公共服务设施的重要一环,社区体育综合设施仍存在着总量不足和效益较低的现实问题。纵观国内外体育服务设施的发展,新加坡历经半个多世纪,逐步完善社区服务设施体系,形成独有的开放共享型社区体育综合体建设模式。文章以新加坡社区体育综合体为例,基于层级架构和业态特征,筛选出其中7个典型案例,揭示其发展的内在动力,分析归纳出共享空间类型和共享建筑特征,体现其通过开放共享激活社区活力、提升综合服务能力的设计思路,对我国未来社区综合文体服务设施的建设具有重要参考价值。

稀疏约束下快速低秩共享的字典学习方法及其人脸识别

字典学习是重要的特征表示方法之一,在人脸识别等方面有广泛的应用,特别适合解决姿态变化下的人脸识别问题,因而倍受研究者的关注.为有效增强字典的判别能力,研究者结合领域知识和抗噪等策略提出大量的字典学习模型,其中包括最近提出的同时进行降维和字典学习的方法,但这些方法侧重考虑样本中特定类的信息,未能有效考虑训练样本间的共享信息.因此,提出了一种稀疏约束下快速低秩共享的字典学习方法.该方法采用降维和字典联合进行学习的方式,并嵌入Fisher判别准则获得特定类字典和编码系数,同时施加低秩约束获得低秩共享字典,以此增强字典和编码系数的判别能力.此外,运用Cayley变换保护投影矩阵的正交性来获得紧凑的特征集合.在AR,Extended Yale B,CMU PIE和FERET四个数据集上的人脸识别实验验证所提方法的优越性.实验结果表明所提方法在表情变化下的人脸识别具有很强的鲁棒性,并对光照起到了抑制作用,尤其适合解决光照、表情变化下的小样本问题.

用户自定义特征库分类模型研究

针对传统CAD系统中用户自定义特征库分类不支持特征共享的问题,提出了基于有向无环图的用户自定义特征库分类模型。通过将特征信息作为公共子节点附加到分类树中形成有向无环图,实现了特征的分类和共享,并利用中性的XML文档实现了模型的存储,提高了模型的移植性;最后给出了模型的建立过程。实例表明,该模型简单灵活,极大地提高了用户自定义特征库的分类和共享能力。

加标算法与打破句法对称性--《句法中的对称性、共享标签和移动》介评

文章对Blümel《句法中的对称性、共享标签和移动》一书作介绍和评述。Chomsky关于加标算法的讨论旨在为由合并而生成的句法构件添加标签,使之能为接口层所用。Blümel一书是Chomsky加标算法下关于如何打破对称性、如何利用共享特征为句法构件加标以及这样的加标算法会产生怎样的影响所做的一次探索和实践。该书运用最小搜索机制,对连续循环A’-移位、标准冻结以及越界移位等现象进行重新分析,并把上述现象归结为接口层和运算高效性交互作用的结果,向读者展示语言设计第三要素在最简句法中的作用。

基于VMD-MTL-TCN的综合能源系统多元负荷预测

考虑到综合能源系统多元负荷序列的高度不确定和强波动性,提出了一种变分模态分解(VMD)组合多任务学习时序卷积神经网络的预测方法。利用VMD削弱多元负荷序列的波动性,通过多任务学习机制构建特征共享层,并行预测电、冷、热负荷。与TCN和MTLTCN相比,所提模型在电、冷、热负荷预测上更准确可靠,验证了所提模型的有效性。

异质信息网络高阶层次化嵌入学习与推荐预测

异质信息网络是一种异质数据表示形式,如何融合异质数据复杂语义信息,是推荐系统面临的挑战之一.利用弱关系具有的丰富语义和信息传递能力,构建一种面向推荐系统的异质信息网络高阶嵌入学习框架,主要包括:初始化信息嵌入、高阶信息嵌入聚合与推荐预测3个模块.初始化信息嵌入模块首先采用基于弱关系的异质信息网络最佳信任路径筛选算法,有效地避免在全关系异质信息网络中,采样固定数量邻居造成的信息损失,其次利用新定义的基于多头图注意力的多任务共享特征重要性度量因子,筛选出节点的语义信息,并结合交互结构,有效地表征网络节点;高阶信息嵌入聚合模块通过融入弱关系及网络嵌入对知识良好的表征能力,实现高阶信息表达,并利用异质信息网络的层级传播机制,将被采样节点的特征聚合到待预测节点;推荐预测模块利用高阶信息的影响力推荐方法,实现了推荐任务.该框架具有嵌入节点类型丰富、融合共享属性和隐式交互信息等特点.最后,实验验证UI-HEHo学习框架可有效地改善评级预测的准确性,以及推荐生成的针对性、新颖性和多样性,尤其是在数据稀疏的应用场景中,具有良好的推荐效果.

基于多级金字塔卷积神经网络的快速特征表示方法

由于在大尺度图像中卷积滤波的过程速度过慢,导致卷积神经网络(convolutional neural network,CNN)参数调节困难、训练时间过长。针对这一问题,通过对传统卷积神经网络(traditional convolution neural network,TCNN)的改进,提出一种快速有效的多级金字塔卷积神经网络(multi-level pyramid CNN,MLPCNN)。这一网络使用权值共享的方法将低级的滤波权值共享到高级,保证CNN的训练只在较小尺寸的图像块上进行,加快了训练速度。实验表明,在特征维数比较低的情况下,MLPCNN提取到的特征比传统的特征提取方法更加有效,在Caltech101数据库上,MLPCNN识别率达到81.32%,而且训练速度较TCNN提高了约2.5倍。

融合图卷积网络的花样滑冰动作识别方法

针对花样滑冰运动中动作特征复杂、特征提取不全面和现有的动作识别方法识别准确率不高的问题,提出了共享多分支特征和注意力的多尺度时空图卷积网络的花样滑冰动作识别方法。使用OpenPose算法提取人体运动的骨骼点数据,消除噪声干扰;其次,改进通道注意力结构,改进后的注意力机制使模型提取更全面、关键的特征;构建融合注意力机制的多尺度时空图卷积网络,提取时序特征更完整;最后,提取多分支特征融合后的共享特征输入网络,使模型共享数据的同时挖掘语义特征。结果表明所提模型在花样滑冰30种动作类型的FSD-10数据集的识别准确率为64.5%。与ST-GCN和CTR-GCN方法相比,该算法的准确率均有提升,说明对花样滑冰动作识别效果更好。