CP-nets的可满足性及一致性研究

CP-nets是一种简单而又直观的图形化偏好表示工具,成为近几年人工智能的一个研究热点,然而对于CP-nets的可满足性和一致性等相关性质的研究还很欠缺.既没有给出严格的定义,也没有探讨不同性质之间的联系,没有一个求可满足性序列的通用算法.从研究CP-nets的可满足性和一致性的关系着手,得出了任意结构二值CP-nets的可满足性判定算法及可满足性序列生成算法.首先通过构造CP-nets导出图及其性质的研究,得出CP-nets的可满足性及一致性的相关定理.再把不同性质结合起来分析,给出CP-nets可满足性等价于一致性的结论,从而利用拓扑排序的思想实现了任意结构二值CP-nets的可满足性序列的生成.强化和扩充了Boutilier所提出的一些概念,深化了CP-nets的基础理论研究.

基于表决策略的CP-Nets可满足性序列的聚合

条件偏好网(CP-Nets)的可满足性序列是由决策者的偏好信息得到的一个关于所有配置的排序表,其中偏好关系具有不完备性和传递性.主要分析借鉴传统的表决策略来实现CP-Nets的可满足性序列的聚合的可行性,介绍"少数服从多数"和"与位置相关"策略在CP-Nets的可满足性序列的聚合的具体实现并进行性能分析.实现传统表决系统的一个从完备到非完备的推广应用.

CP-nets的可满足性序列求解算法研究

CP-nets是一种简单、直观的图形化偏好表示工具,成为近几年人工智能的一个研究热点。然而对于CP-nets的基础性质——可满足性序列的研究却较少。通过构造CP-nets导出图,利用改进的图的深度优先遍历算法实现二值网的强占优测试,对强占优测试得到的可达矩阵进行分析,得出任意结构CP-nets的可满足性序列个数关系;给出了生成全部可满足性序列的算法;强化和扩充了CP-nets的基本概念,深化了CP-nets的基础理论研究。

利用属性条件偏好推理的在线服务群体选择

在线服务群体选择能够在多人社交活动中提供适合群体的活动方案.在线服务群体选择中,如不考虑用户的服务属性偏好,则难以对未体验服务的偏好进行推理,导致对未体验服务的预测偏好与用户真实偏好存在差异,使得聚合个体用户偏好得到的群体选择结果难以真实反映群体对服务的偏好.为此,提出一种利用属性条件偏好推理的在线服务群体选择方法.首先根据用户对服务属性的偏好建立条件偏好表和属性之间的依赖关系;然后根据条件偏好网络(Condition Preference networks,CP-nets)的性质推理偏好导出图,偏好导出图的拓扑排序对应用户对服务属性值组合的偏好关系,得到个体用户的服务选择结果;最后使用社会选择函数Ranked Pairs对个体用户的服务选择结果进行聚合,得到群体的服务选择结果.通过实验验证了该方法的合理性和有效性.实验结果表明方法得到的群体结果与个体用户选择结果的平均nDCG(Normalized Discounted Cumulative Gain)比对比方法分别高11.4%、2.2%和11.1%,方法还满足多数准则、孔多赛性、抗操纵性等性质.

三模Tucker积张量秩的一些性质

张量Tubal秩的定义不止一种,但本质上是用离散傅立叶变换矩阵对原始张量做三模Tucker积得到一个复张量,这个复张量所有前片秩的最大值就是张量Tubal秩.借助三模Tucker积从代数角度研究三阶张量Tubal秩的计算,并给出原始张量与变换后的复张量之间CP秩、Tucker秩的关系.

基于张量双低秩约束的遥感图像去噪方法

传统的张量去噪方法往往只使用Tucker秩或CP秩进行低秩约束。事实上,它们代表了不同的高维数据结构。为了进一步提升遥感图像去噪性能,受张量补全方法的启发,本文提出基于张量双低秩约束的遥感图像去噪方法。该方法在低秩张量近似中通过联合最小化CP秩和Tucker秩来同时利用这两种数据结构进行去噪。仿真实验结果表明,本方法在评价指标和视觉效果上均优于对比方法。

低秩张量嵌入的高光谱图像去噪神经网络

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888的SSIM。仿真数据和真实数据实验结果表明,所提出的低秩深度神经网络方法去噪效果优于其他方法。