可拓扑生成的L-fuzzy保序算子空间的ω-分解定理及ω-可数性

讨论可拓扑生成的L-fuzzy保序算子空间的若干性质,如分解定理、可数性等。

基于子空间投影的生成对抗网络红外图像降噪

针对红外图像信噪比低、边缘信息模糊、杂波干扰多等检测难点,提出一种基于子空间投影的生成对抗网络红外图像降噪方法。首先,生成器由U-Net结构和子空间注意力网络构成,编码阶段由4层下采样实现图像特征提取,解码阶段由4层上采样重建图像。其次,在每层跳跃连接中加入子空间投影网络,每层特征图与同层上采样后图像共同放入子空间投影网络进行图像特征融合,将投影特征图与原始高级特征融合实现图像降噪。最后,将图像输入到鉴别器进行对抗训练,得到清晰重建图像。实验结果表明,与BM3D,DnCNN等常用算法相比,改进的生成对抗网络算法有更好的客观评价指标效果,PSNR和SSIM分别达到了34.36,0.9852 dB,从而验证了改进算法的良好降噪性能。

FC-空间上子集生成的FC-子空间的性质及KKM型定理

给出FC-空间和FC-子空间以及KKM映射的定义,引入由子集生成的FC-子空间的概念并讨论其性质,最后得出FC-空间上闭[开]形式的KKM型定理.

可拓扑生成的L-双fuzzy拓扑空间的紧性

讨论由双拓扑空间(x,■_1,■_2)拓扑生成的L-双fuzzy拓扑空间(L^X,ω_L(■_1),ω_1(■_2)的紧性。

再论Fuzzy子空间

本文利用点态表示方法进一步探讨了Fuzzy子空间理论,着重研究了生成Fuzzy子空间的结构,给出了Fuzzy集与其生成Fuzzy子空间之间的各种关系,进而,文章还给出了Fuzzy子空间的一个点态表示定理。

确定生成子空间基的一种方法

设P是任一个数域,V是P上的有限维线性空间,σ是V的一个线性变换,对于V中任意m个线性无关的向量α_1,α_2,…,α_m,由σ(α_1),σ(α_2),…,σ(α_m)生成的子空间L(σ(α_1),σ(α_2),…,σ(α_m))的基的一种确定方法被给定。

Fuzzy拓扑空间的一种子空间

给出Fuzzy拓扑空间（Ix，η）的广义子空间，其中为η在上的诱导余拓扑，讨论其基本性质，得到若干结果．

李群机器学习(LML)的学习子空间轨道生成格算法

给出了李群机器学习(LML)的学习子空间轨道生成格及相关的基本概念,包括:李群机器学习中的样例数据集,轨道生成格理论及其算法,同时也给出了实例验证分析,并与决策树学习算法C4.5作比较,在分类的正确性方面优于C4.5算法,由此进一步证明了该理论的可行性以及算法的有效性。

模糊向量空间的有限生成子空间的一般基

提出模糊n元向量空间Vn 的有限生成子空间的一般基的概念 ,并讨论了它的一些性质 .

李群机器学习(LML)的学习子空间轨道生成理论及算法初探

给出了Lie群机器学习(LML)的学习子空间轨道生成格及相关的基本概念,包括李群机器学习中的样例数据集、轨道生成格理论及其算法,同时也给出了实例验证分析,与C4.5、N-Bayes算法在分类正确率上进行了比较,由此进一步证明了该理论的可行性以及算法的有效性.

Fuzzy子空间的隶属向量

本文讨论了 Fuzzy 子空间的标准基之间的关系,给出 Fuzzy 子空间的隶属向量的概念,证明了 Fuzzy 子空间同构的充分必要条件是它们有相同的隶属向量.

全Fock空间中生成子的谱研究

借助hyponormal算子的谱的性质,对全Fock空间中生成子的谱的相关性质进行研究,得出生成子的近似点谱包含在复平面中以原点为心半径1的方体内.

p^n中生成子空间的交与和的基与维数

在线性空间的讨论中，有几个重要的子空间：生成子空间，子空间的交与和．对于有限维线性空间，确定它的维数与一组基是一个关键，故而重点讨论在有限维线性空间中，如何来确定生成子空间交与和的基与维数．

用贴边矩阵求F^n中生成子空间的基

运用矩阵的初等变换和初等矩阵的理论，给出了用贴边矩阵求向量空间Fn中某些生成子空间的基和维数的一个方法。

亲子互动空间特色景观生成设计研究

新时代亲子互动空间设计不仅要具有时代创新性,对"亲"与"子"互动现象的复杂性进行解新再认识,深入解读其"互动行为需求",辩证的用其指导"功能空间设计",破解其风貌特性衰微、语不达意的窘境,设计出既能满足儿童个性健康发展与亲子交流,又能提供富有情趣的特色景观空间。

有限域上奇异酉群作用下子空间轨道生成的格

讨论了Un+l,n(Fq2 )作用下各个轨道生成的格之间的包含关系 ,一个子空间是由给定轨道生成格中的一个元素的条件 ,给出了格的特征多项式 .

生成子空间的拓广及其等价定义

1 生成子空间的定义设V是数域P上的一个线性空间,S(?)V,且S≠Ф.令A={W│W是V的子空间,W(?)S}.显然V本身是包含S的一个子空间,故V∈A,因而A≠Ф,令K=(?)w命题1:K=(?)W是V的子空间证明 首先,(?)W∈A 因为W是V的子空间,所以O∈W,故O∈K,因而K(?)V,且K≠Ф.

Fuzzy蕴涵代数的MP滤子

给出了Fuzzy蕴涵代数(简称FI代数)上的MP滤子的等价刻画和由非空子集生成的MP滤子的表示定理;探讨了FI代数的MP滤子与偏序滤子之间的关系;证明了一个FI代数上全体MP滤子之集在集合包含序下构成一个分配连续(代数)格,从而构成一个Frame。

基于自注意力对抗的深度子空间聚类

子空间聚类(Subspace clustering)是一种当前较为流行的基于谱聚类的高维数据聚类框架.近年来,由于深度神经网络能够有效地挖掘出数据深层特征,其研究倍受各国学者的关注.深度子空间聚类旨在通过深度网络学习原始数据的低维特征表示,计算出数据集的相似度矩阵,然后利用谱聚类获得数据的最终聚类结果.然而,现实数据存在维度过高、数据结构复杂等问题,如何获得更鲁棒的数据表示,改善聚类性能,仍是一个挑战.因此,本文提出基于自注意力对抗的深度子空间聚类算法(SAADSC).利用自注意力对抗网络在自动编码器的特征学习中施加一个先验分布约束,引导所学习的特征表示更具有鲁棒性,从而提高聚类精度.通过在多个数据集上的实验,结果表明本文算法在精确率(ACC)、标准互信息(NMI)等指标上都优于目前最好的方法.

基于StarGAN和子空间学习的缺失多视图聚类

传统多视图聚类方法假设每一个视图的数据都是完整的。然而,现实生活中有些数据在某些视图上缺失,由此产生了缺失多视图聚类问题。现有的缺失多视图聚类方法大多是基于核矩阵和非负矩阵分解提出的。这些方法大多只是学习一个共有的聚类结构,没有充分利用已有的数据信息推断缺失的数据。基于星型生成对抗网络(StarGAN)和子空间学习,本文中提出了一种缺失多视图聚类算法SSPMVC。SSPMVC充分利用已有的数据信息,用基于StarGAN的生成模型生成视图缺失的数据,捕获了视图数据的完整性和一致性全局结构,然后将补全的多视图数据在子空间进行聚类。SSPMVC将生成模型和聚类模型联合训练,交替优化生成模型和聚类模型。实验结果表明,论文提出的算法优于与之比较的经典的多视图聚类方法。