一种利用负熵局部选择外生变量的DirectLingam算法

非高斯性数据间的因果网络已经在经济学、生物学和环境学等学科得到了广泛应用.DirectLingam(Direct Method for Learning a Linear Non-Gaussian Structural Equation Model)算法是其中一个经典解法,但其存在维度达到25维度以上时外生变量(exogenous variable)识别率低的问题,进而产生级联效应,使得整个网络的估计误差随着层数增大越来越大.为此提出了一种基于负熵局部选择外生变量的DirectLingam算法(LS-DirectLingam),把变量的非高斯性作为外生变量选择的标准,用负熵来度量变量的非高斯,选择负熵最大的k个变量存入局部目标变量集合Lv中,在集合Lv中进一步去寻找外生变量,从而提高了外生变量的识别率.与基本的DirectLingam算法进行实验比较,结果表明LS-DirectLingam算法优于DirectLingam算法.

基于Skyline和局部选择的启发式服务组合方法

为了改善现有基于QoS的Web服务组合方法的效率,在已有服务组合算法的基础上提出了一种新颖的基于Skyline点和局部选择的启发式服务组合方法SLOMIP(Skyline local optimi-zation mixed integer programming).该方法首先从候选服务集合中选出Skyline服务,可以证明如果存在最优服务组合方案,则其一定是由Skyline服务集中的服务组成的.然后,为了进一步缩小解空间,再从Skyline服务集中选取最优的K个服务进行最终服务组合方案的优化求解.与传统启发式服务组合方法的不同之处在于,该方法一旦获得解,必然是最优解而不是次优解.实验结果表明:在固定任务总数和固定候选服务个数的情况下,该方法的效率都远高于传统方法;K值越大,该方法的准确率越高.该方法可较大幅度地提高服务组合的效率,提升用户体验.

动态多尺度决策信息系统局部最优尺度的更新规律

在对象动态增加的情况下,对多尺度决策信息系统(MDIS)保持局部决策类不确定性的最优尺度更新规律进行研究。首先,介绍决策信息系统和多尺度决策信息系统决策类不确定性的基本知识,以及MDIS保持局部决策类不确定性的最优尺度定义。然后,在增加一个对象的条件下,分析MDIS局部决策类不确定性的更新规律。最后,采用增量学习方法,给出增加一个对象条件下MDIS局部最优尺度不变和变大的充分必要条件。结果表明:文中方法可以快速地确定更新系统局部最优尺度。

一种基于多维服务质量的局部最优服务选择模型

全局最优和局部最优是服务选择的两种策略.现有的全局最优服务选择算法提供端对端约束下最优单解而非可接受的多解,既无法充分体现用户偏好和服务个性,也不利于激励服务提供者优化服务质量.首先,在引入序数效用函数作为局部服务排序的数值尺度的基础上,提出一种基于多维服务质量的局部最优服务选择模型MLOMSS(Multi-QoS based Local Opti mal Model of Service Selection),为自动选取优质服务提供重要依据.然后,构造客观赋权模式、主观赋权模式和主客观赋权模式来确定各服务质量属性的权重,既体现用户偏好和服务质量的客观性,又有助于快速生成聚合服务链.最后,通过语义Web服务集成平台SEWSIP(Semantic Enable Web Serv-ice Integration Platform)证明MLOMSS模型的有效性和灵活性.

一种基于FAHP的多维QoS局部最优服务选择模型

为更全面地考量服务质量(QoS)属性对服务最优选择的影响,进而提高服务组合的效率,该文提出了一种基于模糊层次分析法(FAHP)的多维QoS局部最优服务选择模型.模型首先定义了以QoS的真实度属性作为分量之一的多维QoS向量,并将QoS的真实度属性值作为赋权计算的依据,以使权重结果更合理、可信;之后,建立了包含双重质量属性(客观属性和主观评价)的模糊层次结构,以全面考量主客观QoS属性对服务最优选择的影响;在此基础上,构造了可根据决策者的偏好与侧重动态调整权重分辨率的FAHP赋权模式,该赋权模式与传统的赋权模式不同,该赋权模式下的权向量不是唯一的(但权重的排序唯一),而是一个包含可调参数的函数,通过参数的调整,可保留(或剔除)决策者偏好(或放弃)的候选服务,一方面使服务使用者在选择服务时更理智,另一方面也促使服务提供者进一步完善服务质量;最后,利用组合权向量及序数效用函数值得到了局部最优服务.与文献中已有赋权模式的对比实验(包括候选服务效用值的对比、相关QoS属性值的对比等)及参数的敏感性分析说明了模型的有效性,其决策结果在一定程度上提高了局部最优服务选择的科学性及合理性.

密度核估计的局部窗宽选择法

密度核估计的局部窗宽选择法中,光滑Bootstrap法只有在目标函数具有较高阶的连续导数时,窗宽h才能获得理想的取值。为此,减弱条件提出了新的计算方法,经过证明分析该方法是较切合实际的。

基于局部类相似的特征选择方法

常用的特征选择方法利用样本空间的整个区域提取最优的特征子集.与此相反,提出一种新的局部特征选择方法,即样本空间的每个区域都与各自不同的最优特征集相关联,这些特征集能够最优地适应样本空间的局部变化.同时,在求解最优特征集对应的子空间时,基于最近邻思想,提出了一种度量测试数据与各个类相似性的方法,用来对测试样本进行分类.提出的方法可以描述为线性规划优化问题,因此可以通过简单的凸优化来求解全局最优解.在3组真实数据集和3个主流的方法上进行的对比实验,结果证明了该算法的可行性和有效性.

内镜下选择性局部处理治疗非黎区鼻出血

目的 :探讨非黎氏区鼻出血的治疗。方法 :对 45例非黎氏区鼻出血患者行内镜下针对出血点的选择性局部处理止血 ,并疗效评价。结果 :45例病人中 ,43例止血成功 ,2例失败 ,无并发症发生 ,治疗有效率 95 .6 %。结论 :内镜下选择性局部处理治疗非黎区鼻出血疗效肯定 ,并发症少 ,是一种有效、微创、快捷的治疗方法 。

一种局部最优型动态集成选择算法

提出一种建立在局部最优基础上的动态集成选择算法,并从理论上对算法进行了分析.该算法首先在多个局部特征空间上构造最优集成,然后使用动态集成选择技术对未知样本进行识别.局部空间上的集成构造问题被转换为一个单目标优化问题,并使用多种群遗传算法进行了求解.基于UCI数据集的实验表明,相对于现有的动态分类器选择算法和动态集成选择算法,新算法能够取得更高的识别率.同时,相对于现有的动态集成选择算法,新算法构造的集成规模更小,识别速度更快.

基于最大决策边界的局部在线流特征选择

现有的在线流特征选择算法通常选择一个最优的全局特征子集,并假设该子集适用于样本空间的所有区域.但是,样本空间的每个区域都使用独有的特征子集进行准确描述,这些特征子集的特征和大小可能有所不同.因此,文中提出基于最大决策边界的局部在线流特征选择算法.引入局部特征选择,在充分利用局部信息的基础上,设计基于最大决策边界的特征衡量标准,尽可能分开同类样本和不同类样本.同时,使用最大化平均决策边界、最大化决策边界和最小化冗余3种策略选择合适的特征.针对局部区域选择最优的特征子集,然后使用类相似度测量方法进行分类.在14个数据集上的实验结果和统计假设检验验证文中算法的分类有效性和稳定性.

具有选择性局部注意力和前序信息解码器的代码生成模型

提出一种基于语法的代码生成模型,该模型具有选择性局部注意力和包含前序信息的长短期记忆(LSTM)神经网络解码器,通过更改上下文向量的计算范围,并在解码过程中融合更多的前序信息,增强单词之间的相关性。在Hearthstone和Django两个数据集上进行的代码生成实验证实了所提模型的有效性,与最新的模型相比,所提模型不仅表现出更出色的准确率和双语评估学习成绩,还可以使计算工作量最小化。

局部协同选择聚类的多视角社区发现研究

近年来,随着各种网络应用平台愈演愈烈,多种关系网络中用户之间往往存在大量相似的局部社区结构.鉴于传统单视角社区发现算法在划分时无法同时考虑多种因素,本文将在多视角原理上提出一种基于局部协同选择聚类的多视角社区发现模型,该模型中主要解决了传统多视角聚类算法的条件限制问题(节点,聚类个数和充分的属性信息)和过度调整问题.首先,构建选择调节矩阵来训练各视角中的共同部分节点集,并集成其共同节点的社团结构,然后,构建局部优化矩阵将共同节点结构做为训练集,利用核岭回归(KRR)原理完成各视角中孤立节点的划分,最后通过UCI数据集和DBLP数据集来分别验证聚类精度和算法适用性.

基于局部特征选择的微博中文文本分类研究

微博文本内容短小、用词不规范等缺点,使得微博文本的研究区别于通常的文本研究。目前微博研究很多,但缺少合适的带有标签的微博语料库。分析微博数据获取方案给出合适的带有分类标签的微博语料库,然后通过传统分类算法进行分类评估验证;由于微博短文本维度高存在严重的特征稀疏问题,全局特征选择算法容易忽略对某个类别重要但对语料集关联度小的特征,并采用局部特征选择方案。实验结果证明局部特征选择方法可以获得更高的分类效果。

重型颅脑损伤行标准大骨瓣减压术联合选择性脑局部亚低温的疗效观察

目的探究标准大骨瓣减压术联合选择性脑局部亚低温治疗重型颅脑损伤的效果。方法资料随机选取2007年3月至2014年3月于本院治疗重型颅脑损伤的125例患者,随机分为研究组63例,对照组62例。对照组予以标准大骨瓣减压术,研究组予以标准大骨瓣减压术联合选择性脑局部亚低温,分析两组治疗前后颅内压变化和预后情况。结果研究组治疗后颅内压水平均低于对照组;研究组恢复良好人数多于对照组(P<0.05)。结论标准大骨瓣减压术联合选择性脑局部亚低温治疗重型颅脑损伤疗效显著,可有效降低患者病死率,值得临床推广。

选择型低压断路器的发展动态

在低压配电系统的用电设备和分支回路增多的情况下,为了保证低压配电线路供电的连续性和可靠性,选择性保护变得越来越重要。本文介绍了近期低压选择型断路器发展的动态,包括:局部选择性提升到全局选择性;低压配电系统的选择性保护范围从电源侧向终端侧延伸;采用机械式短延时的选择性小型断路器。

低压开关设备和控制设备过电流保护装置(续一)——过电流条件下的选择性

重点论述了低压电器系统的选择性,包括全选择性和局部选择性,对断路器与断路器、断路器与熔断器、剩余电流保护器与电动机起动器等各类电器元件之间配合的选择性作了说明。为进一步提高系统的选择性,介绍了区域选择性联锁的原理与应用。对各种情况均有举例说明,对电器和电路设计均有参考意义。

基于Local-Global-VIT细粒度分类算法的蝴蝶识别

【目的】准确鉴别蝴蝶种类,动态观测蝴蝶群落多样性变化对生境质量评估、生态环境恢复等方面具有重要意义。针对现有蝴蝶识别方法仅依靠整体特征,忽略了局部特征导致识别生态图像能力不足的问题,本研究旨在开发一种Local-Global-VIT细粒度分类算法的蝴蝶识别方法。【方法】本研究以5科200种共计25 279张蝴蝶图像为识别对象,采用多种数据增强方法扩充图像数据;通过视觉Transformer(vision transformer, VIT)层级结构及自注意力机制逐层选择局部令牌并保留至最后一层学习蝴蝶局部判别部位信息;聚合高层全局令牌消除复杂背景干扰;通过对比损失拉大类间距提高区分度。除此之外,使用合理的学习率调整策略和迁移学习方法,优化了模型收敛过程,在不增加参数量的情况下提高了性能。【结果】Local-Global-VIT算法在大规模细粒度公开数据集Butterfly-200上识别准确率达91.20%,较改进前提升了1.15%,比最优的一般害虫识别算法EfficientNet_b0和细粒度分类算法TransFG准确率分别高了1.83%和0.64%,F1分值分别提高了1.89%和0.88%。【结论】Local-Global-VIT算法以细粒度识别方式有效解决了蝴蝶类内差异大、类间差异小的分类难题,能准确地识别蝴蝶种类,有助于高效评估生境质量。

局部文本特征选取算法的比较和改进研究

本文通过实验比较了互信息、X^2统计算法和优势率三种算法在用于局部文本特征选取时对文本分类性能的影响。实验结果显示，在应用于局部特征选择的情况下，文本特征选取算法仍然可以将特征空间的维度降低90％以上，而不降低文本分类的性能。同时，我们发现在应用于局部文本特征选取时，优势率算法的性能不如互信息和X^2统计算法。另外，对于K最近邻分类算法，随着足值的增大，文本分类的查准率在增加，而查全率在降低。最后，本文详细分析了造成这三种算法性能差异的原因，并提出了一种改进算法，来提高优势率算法应用于局部文本特征选取时的性能。

综合视觉注意模型的显著性局部特征提取算法研究

图像检索过程中往往会提取大量的局部特征,这将加大图像检索的计算量和复杂度,影响其应用。针对这一问题,提出了一种应用综合视觉注意模型的显著性分析提取局部特征的方法:在图像尺度空间中提取关键点,利用模糊增长技术查找原始图像的显著性区域,计算其综合视觉显著性权值并分类,提取SIFT描述因子,保留最突出的局部特征以提高检索性能。相比于传统的局部特征提取算法,本方法在图像检索精度和检索速度方面都具有明显优势。

低压断路器过电流选择性探讨

根据国家相关规范要求,探讨了断路器、隔离开关的功能和应用等问题,阐述了断路器在低压配电系统中的上下级配合,并进行了分析,以期为电气设计人员提供参考。