基于类原型与深度学习的类注释生成方法

现有的代码注释生成技术大多针对方法粒度,而对于面向对象程序,类才是其核心组成,因此对类生成注释是很有必要的。针对这一问题,提出一种结合类原型与深度学习技术对类生成注释的方法。首先,确定类原型并选择对应类注释模板;其次,提取类中信息填充模板,对类中的方法通过双编码器模型训练得到方法代码注释。实验结果表明,方法粒度上提出的双编码器模型在方法代码注释生成的结果评估中表现较好,类粒度的注释准确性较高。

基于类原型的复杂网络重叠社区发现方法

社区结构是复杂网络的重要拓扑特性之一.在现实世界中,网络的社区结构常具有重叠性.如何从网络中发掘出可靠的重叠社区是目前复杂网络社区发现研究的难点之一.直接优化Qov评价函数是一种解决重叠社区发现问题的方法,然而该方法易产生局部最优解.为解决该问题,利用类原型聚类算法的思想和概念,通过计算网络节点的类原型归属度信息,设计一个基于类原型的复杂网络重叠社区发现方法的框架,并将该框架应用于几种常见的聚类算法.实验结果表明,相比其它网络重叠社区发现算法,该方法不仅避免产生局部最优解,且具有适用性好、精度高的优点.

一种多类原型模糊聚类的初始化方法

模糊聚类是非监督模式分类的一个重要分支，在模式识别和图像处理中已经得到了广泛的应用、但现有模糊聚类算法大都需要聚类数的先验知识，而且对初始化极为敏感，从而限制了它们的实际应用此外对于多类原型样本集的聚类分析，还需要事先已知原型的类型及相应数目．为了克服这些限制，本文提出～种聚类原型先验知识的获取方法，并用来初始化多类原型模糊聚类，取得了较好的效果．

基于原型提取和聚类的光伏电站快速集群划分方法

在光伏发电渗透率不断提高的背景下,针对光伏电站集群划分效果差、耗时长的问题,提出一种基于原型提取和聚类的光伏电站快速集群划分方法。首先,对光伏数据进行预处理,消除不同数据在量级与量纲上的差异性;然后,基于Pearson相关系数法筛选出对光伏出力影响较大的因素,然后通过设置随机抽样、k-means++和改进谱聚类3个环节,分别实现光伏电站的抽样、原型提取和原型聚类;继而基于枚举法和分层优化的思想,搜索上述环节的最优超参数;最后,设置不同场景进行算例对照,计算聚类内外指标和聚类时间指标,通过综合分析,验证了所提方法在解决大规模光伏电站快速聚类问题上的有效性。

基于原型对比学习的开放集识别方法

开放集识别的目标是识别出未知类样本,同时保持对已知类样本的分类能力.现有的判别式开放集识别方法忽视了已知类过度占用特征空间和模型训练过程缺乏未知类信息的问题,导致未知类样本容易被误分类为已知类.为此,提出一种结合原型对比学习的开放集识别方法.引入对比学习和类原型理论,使用编码器和投影网络对开放集识别问题进行建模,设计原型对比损失函数,使用梯度下降法学习模型参数,最小化样本与其对应的类原型之间的距离和最大化样本与其他类原型间的距离,促使样本在特征空间中向类原型靠近,从而缓解已知类过度占用特征空间的问题.此外,设计混合样本对比损失函数,提出样本生成方法OSR-Mix以生成未知类样本,从而在模型训练过程有效地补充未知类信息.在4个公开数据集上的实验结果表明,与主流的开放集识别方法相比,本文提出的方法在AUROC和F1分数上均有明显的优势.

量子原型聚类

经典机器学习算法的量子化重构是量子机器学习领域的一个重要研究方向。聚类作为一类在机器学习领域被广泛应用的算法,其量子化重构也拥有较高的研究价值。目前的量子机器学习算法大多存在复现难度大、难以与经典算法形成直观对比等问题。为解决这些问题,提出了一种量子原型聚类算法(Quantum Prototype Clustering,QPC),该算法可以很方便地在现有的通用性量子计算设备上部署。该方法首先结合单量子位旋转特性,寻找信息损失最小的特征映射方式,使用双维度特征数据制造单量子位旋转;然后,基于多量子位纠缠及纠缠系统坍缩的特性,设计了一种用于制造特定量子纠缠系统和测量纠缠系统坍缩结果的量子线路。根据纠缠系统中受控量子位旋转角和纠缠系统坍缩结果的关系,并结合闵可夫斯基距离的定义,推导了一种用于评估输入样本相似性的量子距离。该量子距离测量模块与经典计算机中的距离计算模块具有相同的输入输出形式,可以不加修改地替换掉原型聚类中的闵可夫斯基距离计算,从而将经典的原型聚类算法重构为QPC。在来自kaggle和scikit-learn的多组公开数据集上进行的多次重复实验表明,在平均样本中心距等评价指标上,QPC与经典的原型聚类算法无明显差别。

小样本图像分类的注意力全关系网络

传统的基于深度学习的图像分类方法在大样本分类任务中具有较好的分类效果,但在小样本分类任务中却存在较大的挑战,为此,小样本图像分类获得了研究人员的广泛关注.基于度量的方法是解决小样本图像分类的一种简单有效方法,它利用可学习的映射函数将分类任务中的所有样本映射到一个特征空间中,然后基于某种度量标准对查询特征进行分类.由于分类任务中不同类的两个图像有可能包含较多的相似性区域,导致特征空间中某些查询特征与异类的类原型特征的距离较近,较难学习到大的分类边界.为了解决上述问题,本文提出了注意力全关系网络(Total Relation Network with Attention,TRNA),该网络通过计算特征对的全关系和特征对的注意力来实现大边界的特征空间.具体地,在计算出所有的查询特征和类原型后,提出的网络利用特征对全关系拼接操作将特征空间中的任意两个特征在通道方向上进行拼接得到特征对矩阵,然后利用特征对注意力机制将特征对矩阵中不同类间难区分的特征对挑选出来并给予大的权重,最后将特征对矩阵输入卷积网络和全连接网络得到一个相似得分矩阵.实验结果表明本文的方法与关系网络相比,在数据集mini-ImageNet、Stanford-Dogs、Stanford-Cars、CUB-200-2011的1-shot和5-shot分类任务中分别有2.67%和1.71%、8.31%和3.92%、14.99%和8.00%、4.41%和4.42%的性能提升.

基于k-原型聚类和粗糙集的属性约简方法

基于k-原型聚类和等价关系下的粗糙集理论,对含有连续值和符号值的目标信息系统提出了一种新的适用于混合数据的属性约简方法。首先,k-原型聚类可以通过定义混合数据的距离而得到信息系统的类簇,形成对论域的划分。将所得到的类簇代替粗糙集理论中的等价类,提出基于聚类的近似集、正域以及正域约简的概念,并根据信息熵定义属性重要性度量,建立了变精度正域约简方法。这种属性约简可以同时处理数值型和符号型数据,去除其中的冗余属性,提高分类性能,降低存储和算法运行时间耗费,并通过调节聚类参数k得到对论域不同粒度的划分,对所得到的约简进行优化。最后在UCI数据集上进行了大量的实验,针对分类问题采用了常见的4种分类算法,比较了约简前后的分类精度,详细分析了参数对结果的影响,验证了约简方法的有效性。

黏土类陶瓷原型在高温干燥中传质传热的有限元模拟

在某大学开发的直接原型熔射制模技术中,陶瓷材料由于其硬脆特性,加工时容易发生崩裂,因此切削量不能过大,导致加工大型模具时效率较低。研究通过工业机器人直接铣削陶瓷毛坯得到熔射陶瓷原型,但铣削后的黏土类陶瓷生胚原型在高温干燥固结中会发生较大的收缩变形。建立了黏土类原型材料在高温干燥过程中传质传热的数学模型,并在ABAQUS中进行了有限元模拟,得到黏土类原型材料的收缩变形规律,为后续工作打下基础。

基于对比学习的标签带噪图像分类

标签噪声会极大地降低深度网络模型的性能.针对这一问题,本文提出了一种基于对比学习的标签带噪图像分类方法.该方法包括自适应阈值、对比学习模块和基于类原型的标签去噪模块.首先采用对比学习最大化一幅图像的两个增强视图的相似度来提取图像鲁棒特征;接下来通过一种新颖的自适应阈值过滤训练样本,在模型训练过程中根据各个类别的学习情况动态调整阈值;然后创新性地引入基于类原型的标签去噪模块,通过计算样本特征向量与原型向量的相似度更新伪标签,从而避免标签中噪声的影响;在公开数据集CIFAR-10、CIFAR-100和真实数据集ANIMAL10上进行对比实验,实验结果表明,在人工合成噪声的条件下,本文方法实验结果均高于常规方法,通过计算图像鲁棒的特征向量与各个原型向量的相似度更新伪标签的方式,降低了噪声标签的负面影响,在一定程度上提高模型的抗噪声能力,验证了该模型的有效性.

可能性匹配知识迁移原型聚类算法

针对迁移原型聚类的优化问题,本文以模糊知识匹配迁移原型聚类为基础,介绍了聚类场景中从源域到目标域的迁移学习机制,明确了源域聚类中心辅助目标域得到更好的聚类效果。但目前此类迁移机制依然面临如下的挑战:1)如何克服已有迁移原型聚类方法中不同类别间的知识强制性匹配带来的负作用。2)当源域与目标域相似度较低时,如何避免模糊强制性匹配的不合理性以及过于依赖源域知识的缺陷被放大。为此,研究了一种新的迁移原型聚类机制,即可能性匹配知识迁移原型机制,并基于此实现了2个具体的迁移聚类算法。借鉴可能性匹配的思想,该算法可以自动选择和偏重有用的源域知识,克服了源域和目标域之间的强制性匹配限制,具有较好的可调节性。研究结果表明:在不同迁移场景下模拟数据集和真实NG20groups数据集上的实验研究表明,提出的算法较已有的相关算法展现了更好的性能。

概率聚类技术应用于变压器DGA数据故障诊断

传统的最优聚类、分类技术,需要对聚类原型做球形假设,若将其应用于溶解气体分析(DGA)数据表诊断故障分类问题将存在不符合聚类本质的问题。为此将密度聚类方法引入DGA数据的故障诊断,取消了对聚类原型做形状假设,实现了DGA样本聚类的无监督型分析。该方法实现如下:①利用非参数密度估计方法估计样本空间概率密度函数,并以概率密度函数作为聚类依据,密度函数值较大的区域将有可能作为类簇原型区;②利用非参数估计方法直接估计出概率密度函数的梯度场;③依据概率密度函数的梯度分布确定聚类原型,进而利用峡谷搜索法思想建立聚类划分;④最后利用类簇划分的边界确定变压器故障的区分边界。试验结果表明,该方法实现了基于密度的自然值域划分,能够做到比现有的人工划分方式更加细致地划分,为研究DGA样本表特性提供了一种新的可行途径。

基于外形特征的三维模型聚类方法研究

针对实际应用中三维模型数据集的模型分类管理、检索聚类预处理等聚类问题,提出了一种基于划分方法的无监督聚类模型。该模型通过以傅里叶矩不变算法为基础的特征提取算法,综合运用了现有聚类算法,将特征提取和聚类计算有效结合起来,充分考虑了聚类模型数据格式的敏感性问题。计算结果表明,该方法对有一定类结构的数据集在有整体聚类效果的情况下有一定的局部最优性。

IFCM:改进的区间值数据的模糊C-均值聚类算法

对基于区间值数据的模糊聚类算法进行了研究,介绍了具有控制区间大小对聚类结果影响的加权因子的模糊C-均值聚类新算法。针对区间值数据模糊C-均值聚类新算法提出了一个适应距离的弹性系数,使算法得到改进,既能利用传统的FCM算法,又考虑了区间大小对聚类结果的影响,同时也能发现不规则的聚类子集,使聚类结果更加准确。

基于混合聚类的海运通道非传统安全风险空间划分

为保障海上运输安全,实现有效的海上风险预警,对影响国际海运通道安全最主要的非传统安全风险的时空分布模式进行探索。海上运输非传统安全风险主要包括海盗、海上恐怖主义和海上偷渡,对这3类风险发生的影响因素进行分析并结合风险特征构建特征指标体系。基于国际海事组织全球航运信息集成系统(Global Integrated Shipping Information System,GISIS),应用K原型聚类模型,并以轮廓系数法进行模型校正,对2015—2020年全球海运通道非传统安全风险进行空间划分。试验结果表明:东马来西亚沿岸、苏禄海、苏拉威西海是马六甲海峡周边海域海上袭击的高风险区;非洲沿岸港口始终是偷渡的高风险区,拉丁美洲海上偷渡发生地逐渐南移,地中海沿岸港口海上偷渡频率显著上升。研究成果表明该方法可实现对区域内不同海上非传统安全风险的细致划分。

自适应模糊聚类

针对模糊聚类算法中的噪声敏感性以及点对类的隶属度缺乏典型性的问题,提出一个自适应模糊聚类方法.该方法可以自动地标识那些有影响力的或者说重要的原型样本,反映出这些原型样本对其他样本的影响.又可以自动地标识那些有影响力的或者说重要的类,反映出那些重要的类对其他类的影响.该方法能够有效地降低噪声对有用信息的干扰,为传统的聚类方法提供了一个具有可操作性又有效率的替代方案.该方法的收敛性被理论证明,两个试验检验了它的计算花费和准确性.

AC和FKP融合算法在民族突发事件聚类分析中的应用

近年来,我国民族突发事件的频发度及危害性均呈上升趋势。民族突发事件复杂程度高、涉及因素多、应急决策难度大,因此智能辅助决策非常必要。聚类分析是民族突发事件应急辅助决策的研究重点。目前,该项工作在我国尚处于起步阶段。针对FKP(Fuzzy K-Prototypes,模糊K原型)聚类算法存在易陷于局部最优解和对初始参数敏感的缺陷,提出了一种AC(Ant Colony,蚁群)和FKP融合的聚类算法。聚类分析结果表明:应用该算法能得出民族突发事件的发生规律,因此该算法可用于民族突发事件的应急智能辅助决策。以上工作为维护国家安全提供了智能化支持。

英语长距离疑问句原型度和二语水平的交互效应研究

强调输入数量和输入频率的语言习得理念认为,句法结构的习得难度与习得者接触到的语言实例的数量和频率有关;而生成语法认为,语言习得者凭借疑问词连续循环移位的句法操作就可以习得任何变体的长距离疑问句。本研究以两个水平组的二语学习者为受试,实证调查了中国学生对英语长距离疑问句的习得状况,结果显示:二语语法中,使用频率高的固定表达式可形成原型模板,二语学习者可能是依据各种变体句与原型模板的相似度来确定其可接受程度的。尽管原型度因素对长距离疑问句的二语习得具有系统性影响,但二语水平的影响属于随机性还是系统性,则还有待未来研究进一步确定。

网格资源模糊聚类查找的研究

为了解决动态网格环境中资源查找的难题,提出了基于特征加权模糊K-原型聚类的网格资源查找算法。该算法根据资源请求对各维资源关心程度的不同,用特征加权模糊K-原型聚类算法对数值型、类属型并存的混合型网格资源节点集合进行划分。然后根据资源的静态数值特征与类属特征,确定与资源请求属性特征值最相似的类簇。最后综合资源的动态数值特征选择最优的资源节点。模拟实验的结果表明,与其他同类算法比较,算法能提高资源查找的查准率、鲁棒性和降低平均响应时间。

一种不完备混合数据集成聚类算法

集成聚类技术由于具有较好的泛化能力,目前引起了研究者的高度关注.已有研究主要关注数值型完备数据的集成聚类问题.然而,实际应用中面临的数据往往是兼具数值属性和分类属性共同描述的混合型数据,而且通常带有缺失值.为此,针对不完备混合数据提出了一种集成聚类算法,首先利用3种缺失值填充方法对不完备混合数据进行完备化处理;其次在3种填充后的不同完备数据集上分别多次执行K-Prototypes算法产生基聚类结果;最后对基聚类结果进行集成.在UCI真实数据集上与传统聚类算法通过实验进行了比较分析,实验结果表明提出的算法是有效的.