期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
5
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
语法化过程中的结构省缩和语义保留——以语气词“好了”为例
被引量:
3
1
作者
朱丽师
《湖北社会科学》
CSSCI
北大核心
2018年第9期101-106,共6页
现代汉语中句末语气词"好了"可区分三种语义——句法类型:最低条件义、任由义和纯粹祈使语气。最低条件类语气词"好了"源于最低条件类"就好了"中"就"的省缩,但逻辑关联词"就"所蕴含...
现代汉语中句末语气词"好了"可区分三种语义——句法类型:最低条件义、任由义和纯粹祈使语气。最低条件类语气词"好了"源于最低条件类"就好了"中"就"的省缩,但逻辑关联词"就"所蕴含的最低条件义得到保留,也即"最小努力原则"在语境中持续起作用。任由类语气词"好了"源于最低条件类"好了",是言语交际中因交互主观化和移情带来的获益主体的改变,即"利他原则"。表祈使语气的"好了"是"最低条件类"和"任由类"的"好了"丢失"选择义"的结果,是语义淡化的产物。
展开更多
关键词
语气词
(就)好了
结构省缩
语义保留
下载PDF
职称材料
基于模态内相似性与语义保留的深度跨模态哈希
2
作者
李天煜
刘立波
《数据分析与知识发现》
CSCD
北大核心
2023年第5期105-115,共11页
【目的】解决现有大多数跨模态哈希方法在相似性度量时仅考虑模态间相似性,且无法充分利用标签语义信息,从而忽略了异构数据细节并导致语义信息丢失的问题。【方法】首先对来自图像和文本的数据分别采用欧氏距离和谷本系数度量其模态内...
【目的】解决现有大多数跨模态哈希方法在相似性度量时仅考虑模态间相似性,且无法充分利用标签语义信息,从而忽略了异构数据细节并导致语义信息丢失的问题。【方法】首先对来自图像和文本的数据分别采用欧氏距离和谷本系数度量其模态内相似性;接着采用二者加权值度量模态间相似性以充分利用异构数据细节信息;之后通过保留数据标签的语义信息来提高哈希码的判别性,防止语义信息丢失;最后,对生成的哈希码计算量化损失并施加哈希位平衡约束,进一步提升哈希码质量。【结果】与11种方法进行对比,在MIR-Flickr25k数据集中文检图和图检文任务上哈希码长度为64位时,mAP最高分别提升了9.5和5.8个百分点,在NUS-WIDE数据集中则最高分别提升了4.7和1.1个百分点。【局限】模型训练时依赖标签信息,在无监督和半监督情况下性能下降。【结论】所提方法能保留异构数据细节信息并防止语义信息丢失,有效提升了模型检索性能。
展开更多
关键词
跨模态检索
跨模态哈希
模态内相似性
保留
语义
信息
保留
原文传递
一种新的保留语义的P2P系统索引构造方法
3
作者
张大陆
张君婕
《同济大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2007年第10期1395-1399,共5页
提出了一种新的P2P系统索引构建方法.它使用多个简单本体(ontology),对同一资源进行描述,将各个ontology描述转化为相应的本体序号(ontology ID),然后使用Hilbert空间填充曲线,实现从多维ontology ID到一维索引值的映射,得到保留了语义...
提出了一种新的P2P系统索引构建方法.它使用多个简单本体(ontology),对同一资源进行描述,将各个ontology描述转化为相应的本体序号(ontology ID),然后使用Hilbert空间填充曲线,实现从多维ontology ID到一维索引值的映射,得到保留了语义的索引值.根据这个索引值,在Chord等结构化P2P上发布和查找资源.该方法对资源的描述更加准确、简单,资源的发布和查询也更加灵活和高效.
展开更多
关键词
保留
语义
的索引
本体
Hilbert空间填充曲线
P2P系统
下载PDF
职称材料
基于XML Schema的异构数据源集成技术研究
被引量:
1
4
作者
魏东平
潘向阳
+2 位作者
孙东海
张宏伟
王金凤
《微计算机应用》
2008年第4期92-94,共3页
异构数据源集成过程中所面对的首要问题是异构问题,包括系统异构、模式异构和语义异构三个。以W3C的XML Schema标准作为异构数据源的全局模式,借助XML Schema强的数据描述能力,通过实现关系模式的提取、关系模式到XML Schema的转化和附...
异构数据源集成过程中所面对的首要问题是异构问题,包括系统异构、模式异构和语义异构三个。以W3C的XML Schema标准作为异构数据源的全局模式,借助XML Schema强的数据描述能力,通过实现关系模式的提取、关系模式到XML Schema的转化和附加语义约束,实现了异构数据源的集成。
展开更多
关键词
XML
SCHEMA
语义保留
数据集成
下载PDF
职称材料
基于特征分布调整的深度神经网络二值量化方法
5
作者
刘畅
陈莹
《控制与决策》
EI
CSCD
北大核心
2024年第6期1840-1848,共9页
二值卷积神经网络(BNNs)由于其占用空间小、计算效率高而受到关注.但由于量化激活特征的正负部分分布不均等问题,二值网络和浮点深度神经网络(DNNs)之间存在着明显的性能差距,影响了其在资源受限平台上的部署.二值网络性能受限的主要原...
二值卷积神经网络(BNNs)由于其占用空间小、计算效率高而受到关注.但由于量化激活特征的正负部分分布不均等问题,二值网络和浮点深度神经网络(DNNs)之间存在着明显的性能差距,影响了其在资源受限平台上的部署.二值网络性能受限的主要原因是特征离散性造成的信息损失以及分布优化不当造成的语义信息消失.针对此问题,应用特征分布调整引导二值化,通过调整特征的均值方差均衡特征分布,减小离散性造成的信息损失.同时,通过分组激励与特征精调模块设计,调整优化量化零点位置,均衡二值化激活分布,最大程度保留语义信息.实验表明,所提出方法在不同骨干网络、使用不同数据集时均能取得较好效果,其中在CIFAR-10上使用ResNet-18网络量化后网络准确率仅损失0.4%,高于当前主流先进二值量化算法.
展开更多
关键词
特征分布
均值方差调整
语义
信息
保留
模型压缩
二值神经网络
模型量化
原文传递
题名
语法化过程中的结构省缩和语义保留——以语气词“好了”为例
被引量:
3
1
作者
朱丽师
机构
中国社会科学院研究生院语言学系
出处
《湖北社会科学》
CSSCI
北大核心
2018年第9期101-106,共6页
基金
国家社科基金重大招标项目"多卷本断代汉语语法史研究"(14ZDB092)
文摘
现代汉语中句末语气词"好了"可区分三种语义——句法类型:最低条件义、任由义和纯粹祈使语气。最低条件类语气词"好了"源于最低条件类"就好了"中"就"的省缩,但逻辑关联词"就"所蕴含的最低条件义得到保留,也即"最小努力原则"在语境中持续起作用。任由类语气词"好了"源于最低条件类"好了",是言语交际中因交互主观化和移情带来的获益主体的改变,即"利他原则"。表祈使语气的"好了"是"最低条件类"和"任由类"的"好了"丢失"选择义"的结果,是语义淡化的产物。
关键词
语气词
(就)好了
结构省缩
语义保留
分类号
H04 [语言文字—语言学]
下载PDF
职称材料
题名
基于模态内相似性与语义保留的深度跨模态哈希
2
作者
李天煜
刘立波
机构
宁夏大学信息工程学院
出处
《数据分析与知识发现》
CSCD
北大核心
2023年第5期105-115,共11页
基金
国家自然科学基金(项目编号:62262053)
宁夏科技创新领军人才项目(项目编号:2022GKLRLX03)
宁夏大学研究生创新项目(项目编号:CXXM202256)的研究成果之一。
文摘
【目的】解决现有大多数跨模态哈希方法在相似性度量时仅考虑模态间相似性,且无法充分利用标签语义信息,从而忽略了异构数据细节并导致语义信息丢失的问题。【方法】首先对来自图像和文本的数据分别采用欧氏距离和谷本系数度量其模态内相似性;接着采用二者加权值度量模态间相似性以充分利用异构数据细节信息;之后通过保留数据标签的语义信息来提高哈希码的判别性,防止语义信息丢失;最后,对生成的哈希码计算量化损失并施加哈希位平衡约束,进一步提升哈希码质量。【结果】与11种方法进行对比,在MIR-Flickr25k数据集中文检图和图检文任务上哈希码长度为64位时,mAP最高分别提升了9.5和5.8个百分点,在NUS-WIDE数据集中则最高分别提升了4.7和1.1个百分点。【局限】模型训练时依赖标签信息,在无监督和半监督情况下性能下降。【结论】所提方法能保留异构数据细节信息并防止语义信息丢失,有效提升了模型检索性能。
关键词
跨模态检索
跨模态哈希
模态内相似性
保留
语义
信息
保留
Keywords
Cross-modal Retrieval
Cross-modal Hashing
Intra-modal Similarity
Preservation Semantic Preservation
分类号
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
一种新的保留语义的P2P系统索引构造方法
3
作者
张大陆
张君婕
机构
同济大学计算机科学与技术系
出处
《同济大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2007年第10期1395-1399,共5页
基金
国家自然科学基金资助项目(90204010)
文摘
提出了一种新的P2P系统索引构建方法.它使用多个简单本体(ontology),对同一资源进行描述,将各个ontology描述转化为相应的本体序号(ontology ID),然后使用Hilbert空间填充曲线,实现从多维ontology ID到一维索引值的映射,得到保留了语义的索引值.根据这个索引值,在Chord等结构化P2P上发布和查找资源.该方法对资源的描述更加准确、简单,资源的发布和查询也更加灵活和高效.
关键词
保留
语义
的索引
本体
Hilbert空间填充曲线
P2P系统
Keywords
semantic-preserving index
ontology
Hilbert space filling curve
P2P system
分类号
TP391 [自动化与计算机技术—计算机应用技术]
TP393 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于XML Schema的异构数据源集成技术研究
被引量:
1
4
作者
魏东平
潘向阳
孙东海
张宏伟
王金凤
机构
中国石油大学计算机与通讯工程学院
出处
《微计算机应用》
2008年第4期92-94,共3页
文摘
异构数据源集成过程中所面对的首要问题是异构问题,包括系统异构、模式异构和语义异构三个。以W3C的XML Schema标准作为异构数据源的全局模式,借助XML Schema强的数据描述能力,通过实现关系模式的提取、关系模式到XML Schema的转化和附加语义约束,实现了异构数据源的集成。
关键词
XML
SCHEMA
语义保留
数据集成
Keywords
XML Schema, Semantic content Constraints, Heterogeneous Database
分类号
TP312.2 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
基于特征分布调整的深度神经网络二值量化方法
5
作者
刘畅
陈莹
机构
江南大学轻工过程先进控制教育部重点实验室
出处
《控制与决策》
EI
CSCD
北大核心
2024年第6期1840-1848,共9页
基金
国家自然科学基金项目(62173160)。
文摘
二值卷积神经网络(BNNs)由于其占用空间小、计算效率高而受到关注.但由于量化激活特征的正负部分分布不均等问题,二值网络和浮点深度神经网络(DNNs)之间存在着明显的性能差距,影响了其在资源受限平台上的部署.二值网络性能受限的主要原因是特征离散性造成的信息损失以及分布优化不当造成的语义信息消失.针对此问题,应用特征分布调整引导二值化,通过调整特征的均值方差均衡特征分布,减小离散性造成的信息损失.同时,通过分组激励与特征精调模块设计,调整优化量化零点位置,均衡二值化激活分布,最大程度保留语义信息.实验表明,所提出方法在不同骨干网络、使用不同数据集时均能取得较好效果,其中在CIFAR-10上使用ResNet-18网络量化后网络准确率仅损失0.4%,高于当前主流先进二值量化算法.
关键词
特征分布
均值方差调整
语义
信息
保留
模型压缩
二值神经网络
模型量化
Keywords
feature distribution
mean and variance adjustment
semantic information speicherung
model compression
binary neural networks
neural network quantization
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
语法化过程中的结构省缩和语义保留——以语气词“好了”为例
朱丽师
《湖北社会科学》
CSSCI
北大核心
2018
3
下载PDF
职称材料
2
基于模态内相似性与语义保留的深度跨模态哈希
李天煜
刘立波
《数据分析与知识发现》
CSCD
北大核心
2023
0
原文传递
3
一种新的保留语义的P2P系统索引构造方法
张大陆
张君婕
《同济大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2007
0
下载PDF
职称材料
4
基于XML Schema的异构数据源集成技术研究
魏东平
潘向阳
孙东海
张宏伟
王金凤
《微计算机应用》
2008
1
下载PDF
职称材料
5
基于特征分布调整的深度神经网络二值量化方法
刘畅
陈莹
《控制与决策》
EI
CSCD
北大核心
2024
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部