标签约束的半监督栈式自编码器分类算法

栈式自编码器通过逐层无监督学习能够表达数据的语义特征,但面对具体领域问题时其特征训练缺乏针对性,所处理的数据用于分类领域时易导致分类准确度低,稳定性差等问题.针对这些问题,提出了一种标签约束的半监督栈式自编码器(LSSAE),结合无监督学习与监督学习的优势,在有效抽取样本内在特征的同时保证特征训练目标化.引入的标签约束项,以监督学习的方式逐层比对实际标签与期望标签,针对性地调整网络参数,进一步提高分类准确率.为验证所提方法的有效性,实验中对多个数据集进行广泛测试,其结果表明,相对自编码器(AE),稀疏自编码器(SAE),以及深度信念网络(DBN)等,LSSAE明显提高分类准确率和稳定性.

递归划分的标签约束可达性计算方法

现实世界中的图往往在结点和边上包含描述信息,可达性查询是图数据管理和挖掘中的基本操作之一。针对图数据中标签约束的可达性计算问题,提出一种基于递归划分的可达性计算方法 RP-Hop。该算法基于层次划分思想,利用独立集性质,在保持标签和可达性前提下对大规模图进行递归划分,并结合贪婪扩展思想和递归编码,为标签约束的可达性查询提供压缩索引。经过合成和真实数据集上的实验,结果表明,RP-Hop算法不仅降低了索引大小和构建时间,而且提高了查询效率。

标签约束图上的k步可达性查询

标签约束图上的k步可达性查询问题,回答了在一个标签约束图上两点之间是否存在一条长度不大于k的路径并且这条路径上的标签都在用户给定的标签集中的问题。标签约束图上的k步可达性查询问题在现实中有着广泛的应用,然而现有算法无法直接回答这个问题。因此,首先提出LK2H算法。LK2H算法主要包括构建索引和查询两个步骤。第一步是给图上的所有顶点构建一组包含k和标签信息的2-Hop索引,第二步是基于构建好的索引进行查询。在查询时,为了尽可能地为用户返回更多的信息,LK2H算法优化了一类不可达查询的返回结果:当用户无法明确所有的标签类型,不能给出完整的标签约束,进而导致查询结果为不可达时,将完整的标签集返回给用户。其次,提出优化算法LK2H+。LK2H+算法通过构建部分顶点的2-Hop索引进一步缩减索引大小和索引的构建时间,并基于构建好的索引进行查询。查询时,需要对顶点按照是否构建了索引进行分类讨论。最后,基于15个真实数据集进行测试。实验结果表明,LK2H算法和LK2H+算法都可以高效地解决标签约束图上的k步可达性查询问题。

标签约束可达查询的高效处理方法

基于标签约束的可达性查询s→Lt用于回答给定图中顶点s到顶点t是否存在路径标签属于L的有向路径.针对现有方法索引构建时间长、索引规模大、查询效率低的问题,首先基于k个点构建双向路径标签索引,并提出相应的优化措施减小索引规模,以此来加速可达查询的处理速度.由于其索引没有完全覆盖可达查询,虽然索引规模小,但仍然无法避免查询过程中的图遍历操作.为此,进一步提出覆盖所有可达信息的双向路径标签索引,基于该索引,查询处理时可以完全避免图上的遍历操作.最后,基于多个真实数据集进行测试,实验结果从索引大小、索引构建时间和查询响应时间方面验证了所提方法相对现有方法具有索引规模小、索引时间短且查询响应快的优势.

稀疏和标签约束半监督自动编码器的分类算法

自动编码器通过深度无监督学习能够表达数据的语义特征,但由于其隐含层节点个数难以有效确定,所处理的数据进一步用于分类时常会导致分类准确度低、稳定性弱等问题。针对这些问题,提出了一种稀疏和标签约束的半监督自动编码器(SLRAE),以实现无监督学习与监督学习的有机结合,更准确地抽取样本的本质特征。稀疏约束项针对每个隐含节点的响应添加约束条件,从而在隐含神经元数量较多的情况下仍可发现数据中潜在的结构;同时引入标签约束项,以监督学习的方式比对实际标签与期望标签,针对性地调整网络参数,进一步提高分类准确率。为验证所提方法的有效性,实验中对多个数据集进行广泛测试,其结果表明,相对传统自动编码器(AE)、稀疏自动机(SAE)以及极限学习机(ELM),SLRAE所处理的数据应用于同一分类器,能明显提高分类准确率和稳定性。

大规模动态图中标签约束的频繁子图Top-K查询

Top-K子图查询作为重要的图搜索技术,因可更具针对性地为用户返回查询结果而被广泛应用于社交网、生物信息网等新兴领域。随着图规模增大且动态演变,用户通常希望通过增加约束条件而快速、准确获得查询结果。鉴于上述查询需求,提出了一种标签约束的频繁子图Top-K查询方法(LVC-FS Top-K)。该方法通过建立频繁结构映射与标签值聚合的二级索引(FSM-LVA),快速准确地锁定查询图结构并根据约束限制剪枝过滤,缩小查询范围,提高查询效率;利用FSM-LVA索引对同构于查询图的频繁结构进行查找以实现频繁结构查询,同时结合查询图的约束条件及K值限制对频繁子图进行匹配筛选,缩小比较空间,加快查询效率。实验结果表明提出的方法能快速准确地在大规模动态图中进行具有约束限制的频繁子图Top-K查询。

带标签约束的心肺音分离方法

心音信号和肺音信号在时频域上的混叠会影响听诊效果,而传统基于非负矩阵分解(NMF)的心肺音分离方法在获取参考信号过程中没有利用心音和肺音的标签信息,使得分离精度受限。为此,在NMF的基础上引入标签约束,提出一种心肺音分离方法。将心肺音特有的频率特性以标签形式加入到心肺音分离算法中,经NMF分解得到心音和肺音的参考信号。在此基础上,通过分析参考信号和原始信号的相关性完成聚类,采用时频掩码实现心肺音信号分离。实验结果表明,与传统NMF方法和带通滤波法相比,该方法获得的信噪比和相关系数较高,且能对真实心肺音混合信号进行有效分离。

高光谱半监督分类的标签约束弹性网图算法

图半监督算法联合利用少量的标定样本与大量的无标签数据进行学习,可缓解高光谱图像的维数灾难问题,被广泛应用于高光谱图像分类,其核心在于如何确定图模型中各样本的近邻样本。提出一种高光谱图像半监督分类的标签约束弹性网图算法。充分利用有限的样本标签信息,通过顶点间的约束传递形成标签约束矩阵,进而针对每一顶点自适应选取符合标签约束的像素作为表示字典。通过在该字典上的弹性网表示来选择与其最为关联的近邻样本,构建高光谱图像的图表示模型,并基于该图模型实现高光谱图像的半监督分类。实验结果验证了该算法的有效性,相比多个半监督算法,分类准确性更高。

标签集约束近似频繁模式的并行挖掘

近似频繁模式衍生于频繁模式,综合了频繁项集与频繁子图的特点。针对该模式的研究集中在无标签图上,其应用场景主要为社交网络、语义网络、智能电网等。近似频繁模式挖掘过程同时涉及频繁项集挖掘和频繁子图挖掘,因此已有的处理频繁模式挖掘算法无法较好地解决近似频繁模式挖掘问题。基于近似频繁模式结构,将其拓展到带标签图中,引入标签集约束,并设计标签集约束近似频繁模式挖掘算法LCPP(Label-Constraint Proximity Pattern),该算法并行部署在Map Reduce计算模型中,弥补了开源p FP算法处理大规模数据时效率不高的缺点。实验结果验证了该算法的有效性和可扩展性,表明了LCPP算法是p FP算法的极佳补充。

融合视觉风格和标签约束的少数民族服装图像解析

目的少数民族服装款式结构复杂,视觉风格各异。由于缺少民族服装语义标签、局部特征繁杂以及语义标签之间存在相互干扰等因素导致少数民族服装图像解析准确率和精度较低。因此,本文提出了一种融合视觉风格和标签约束的少数民族服装图像解析方法。方法首先基于本文构建的包含55个少数民族的服装图像数据集,按照基本款式结构、着装区域、配饰和不同视觉风格自定义少数民族服装的通用语义标签和民族语义标签,同时设置4组标注对,共8个标注点;然后,结合自定义语义标签和带有标注对的训练图像,在深度完全卷积神经网络Seg Net中加入视觉风格以融合局部特征和全局特征,并引入属性预测、风格预测和三元组损失函数对输入的待解析图像进行初步解析;最后,通过构建的标签约束网络进一步优化初步解析结果,避免标签相互干扰,得到优化后的最终解析结果。结果在构建的少数民族服装图像数据集上进行验证,实验结果表明,标注对有效提升了局部特征的检测准确率,构建的视觉风格网络能够有效融合少数民族服装的全局特征和局部特征,标签约束网络解决了标签之间相互干扰的问题,在结合视觉风格网络和标签约束网络后,能够明显提升少数民族服装解析的平均精度,像素准确度达到了90.54%。结论本文提出的融合视觉风格和标签约束的少数民族服装图像解析方法,能够提高少数民族服装图像解析的准确率和精度,对传承祖国文化、保护非物质文化遗产具有很好的意义。

大规模图上标签集约束路径的集合查询

图数据模型被广泛用于社交网络、生物技术、语义网络等开放、异构环境下的数据建模。标签集约束路径查询是基本路径查询问题之一,因其具有路径描述的灵活性而受到目前研究的重视。目前重点研究布尔查询问题:判断给定顶点对间是否有满足标签集约束的路径,返回是或否。现研究布尔查询问题的正交问题,称为集合查询问题:给定标签约束集,返回满足标签集约束可达的顶点对。集合查询问题面临两个困难:1)简单地将集合查询问题简化为布尔查询问题的迭代会陷入穷举困境;2)压缩传递闭包的生成树结构虽然能够有效地回答布尔查询问题,但是,这种压缩结构不能有效支持集合查询,因为集合查询需要搜索满足约束连通的所有顶点对。为此,继续采用生成树来压缩标签路径传递闭包,用倒排索引表来加快集合查询所导致的搜索,并进一步给出两个优化算法。在大规模的数据集上的测试表明,本方法在时间和空间效率方面都具有优势。

产品评论中领域情感词典的构建

领域情感词典是情感分析最重要的基础。由于产品评论的数量巨大、领域众多,如何自动构建领域情感词典已经成为近年来的一个研究热点。该文提出了一个两阶段的领域情感词典构建算法。第一阶段,利用情感词间的点互信息和上下文约束,使用基于约束的标签传播算法构造基本情感词典;第二阶段,根据情感冲突的频率来识别领域相关情感词,并根据其上下文约束以及修饰的特征完善领域情感词典。实验结果表明,该方法在实际产品评论数据集上取得了较好的效果。

一种迭代加权更新的带加速算子的半监督AP聚类算法

为了提高AP算法的数据集分类准确度和收敛速度,提出一种基于改进AP算法的迭代加权更新的带加速算子的半监督AP聚类算法(AP-SSM)。该算法采用带约束的标签映射的方法对样本所属子簇进行分类,在采用传统AP聚类算法上引入了迭代加权更新方法来吸引度参数和适选度参数,并在算法聚类过程中引入了加速因子,考虑到了子簇自身数据中心和权重值的加速因子可以提高聚类精度和算法收敛性能。仿真实验结果表明,AP-SSM算法相比AP、AP-VSM、SAP算法,在数据集分类准确度和算法运行速度上具有更好的效果。

智能光网络控制平面模型的研究

首先介绍了IETF的基于GMPLS对等模型和ITU T的ASON重叠模型,并且比较了它们之间的关系;接着阐述了基于GMPLS智能光网络控制平面的功能模块;最后在Berkeley实验室开发的NS 2网络仿真器平台上对基于GMPLS智能光网络模型进行了设计和仿真。

使用CR-LDP协议实现组播的研究

扩展RSVP从设计之初就考虑了支持组播技术,而CR-LDP没有提供支持组播的机制。虽然已经有了关于MPLS组播的规范草案,但其中只是对组播路由协议的选择以及与组播的各种可选项的关系进行了讨论,并没有提出如何使用CR-LDP实现组播机制。通过对CR-LDP的消息进行扩展,可以在MPLS网络中建立组播路径和LSP,从而实现具有流量工程特征的组播路径。该文对如何使用CR-LDP实现组播进行了详细的论述。