多决策的多粒度标记系统的最优粒度选择

目前查看到的关于多粒度标记信息系统的研究仅是基于单决策情况,较少有关于多决策的研究,而在实际生活中处理的数据表常带有多决策。针对该情况,首先给出了多决策的多粒度标记信息系统的概念,并定义了适用于该系统下的广义决策函数;然后,利用广义决策函数探讨协调、不协调两种信息系统的最优粒度选择策略,并根据两者之间的联系给出了同时适用于协调与不协调两种信息系统选择最优粒度的策略;最后,给出了相应的例子帮助说明所提出的方法的可行性。

网球影像智能化协助训练与竞赛分析

传统网球训练中存在训练效果难以快速量化分析,以及基于深度学习网络的图像分析技术面临着硬件性能和速度效率等问题.为此,提出一种结构重新参数化策略,基于编码器-解码器构建智能分析系统,通过深度学习技术实现网球图像处理和视频跟踪,提高网球运动轨迹识别准确性和速度.为网球训练和竞赛协作训练中的教练和选手提供精准的数据分析参考.

余等价关系下的粗糙集

二元关系作为一类特殊的集合,可考虑它的余集.文中首先从等价关系的集合属性出发,给出余等价关系的定义及其内部关系刻画,构造基于余等价关系的广义粗糙集,论证其公理化基础.其次研究经典粗糙集和余等价关系下的广义粗糙集之间的相互联系,并在特定条件下借助余等价关系下的广义粗糙集,简化相应经典近似算子的相关运算,刻画基本精确集等重要知识.

基于偏序规律的μ-演算一阶谓词界程逻辑模型检测

基于μ-演算的一阶谓词界程逻辑,用谓词变量构造不动点公式,方便描述闭环系统的性质,公式语义简洁.该逻辑在有限控制移动界程上的模型检测目前性能最好的算法的时间复杂度与公式中不动点算子交错嵌套深度d呈指数关系,空间复杂度与d呈线性关系.文中设计了一个基于μ-演算的一阶谓词界程逻辑在有限控制移动界程上的模型检测高效算法,这也是目前已知的第3个同类算法,算法的时间复杂度与d/2+1呈指数关系,空间复杂度与d呈线性关系.文中所做的工作有:(1)找到了基于μ-演算的一阶谓词界程逻辑模型检测计算过程中的中间结果满足的两组偏序关系;(2)利用找到的偏序关系设计了一个快速模型检测算法;(3)分析了算法的复杂度.

基于最小二乘法的标记分布学习

多标记学习在一定程度上解决了标记多义性问题,它主要关注实例对应的相关标记或者无关标记,而标记分布能够反映相关标记对于实例的重要程度.从重构标记分布的思想出发,利用最小二乘法建立模型,提出基于最小二乘法的标记分布学习(lsm-LDL).首先用特征重构标记,通过变换矩阵使得每一个标记能够表示为特征的一个线性组合;然后用最小二乘法建立优化模型;最后引入L_2范数规则化项,防止过拟合,保证泛化能力.在4个实际的数据集上进行实验,并与3种已有的标记分布学习算法在5种评价指标上进行比较,实验结果表明提出的lsm-LDL算法是有效的.

应用k-means算法实现标记分布学习

标记分布学习是近年来提出的一种新的机器学习范式,它能很好地解决某些标记多义性的问题。现有的标记分布学习算法均利用条件概率建立参数模型,但未能充分利用特征和标记间的联系。本文考虑到特征相似的样本所对应的标记分布也应当相似,利用原型聚类的k均值算法(k-means),将训练集的样本进行聚类,提出基于kmeans算法的标记分布学习(label distribution learning based on k-means algorithm,LDLKM)。首先通过聚类算法kmeans求得每一个簇的均值向量,然后分别求得对应标记分布的均值向量。最后将测试集和训练集的均值向量间的距离作为权重,应用到对测试集标记分布的预测上。在6个公开的数据集上进行实验,并与3种已有的标记分布学习算法在5种评价指标上进行比较,实验结果表明提出的LDLKM算法是有效的。

联合依赖最大化与稀疏表示的无监督特征选择方法

高维数据分析任务中,无监督特征选择是一项重要并具有挑战性的任务.传统的无监督特征选择算法通过保持流形结构或者特征之间相关性进行特征选择,而没有直接考虑选择特征与原始数据的依赖程度.通过考虑投影后的低维空间数据与原始数据信息之间的依赖性,提出有良好性能的特征依赖于原始数据的度量原则.首先利用最大化依赖使投影后数据尽可能保持原始数据的特征信息,据此获得投影矩阵,从而对原始数据达到降维效果.然后联合稀疏表示进行特征选择.提出一种新的无监督特征选择算法,称之为联合依赖最大化与稀疏表示的无监督特征选择方法(DMSR).在4个实际的数据集上进行实验,并与3种已有的无监督特征选择算法进行比较,在两种评价指标聚类精度和互信息上的实验结果表明,提出的DMSR算法是有效的.

非负稀疏表示的多标签特征选择

在多标签学习中,数据降维是一项重要而又具有挑战性的任务。特征选择是一种高效的数据降维技术,它通过保持最大相关信息选取一个特征子集。通过对子空间学习的研究,提出了基于非负稀疏表示的多标签特征选择方法。该方法可以看成是矩阵分解问题,其融合了非负约束问题和L_(2,1)-范数最小优化问题。设计了一种高效的矩阵更新迭代算法求解新问题,并证明其收敛性。最后,对6个实际的数据集进行了测试,实验结果证明了算法的有效性。

基于OpenStack私有云平台构建及高可用实现

随着云计算技术的快速发展,开源云计算技术以其巨大的优势赢得了广泛的关注。文章介绍了OpenStack云平台的基本架构和组件功能,并利用自动化部署工具Fuel构建了4个节点的OpenStack私有云平台。在此基础上,说明了OpenStack高可用性的实现方式,并通过Galera实现了后端数据库的高可用。

基于OpenStack云平台虚拟集群环境的部署

云计算是一种在网络的基础上通过各种服务方式为用户提供多种需求资源的计算模式.虚拟化的集群环境主要是采用虚拟技术构建多台虚拟计算节点,由此来搭建与物理集群功能相同的虚拟集群环境.该集群主要通过Open Stack云计算平台的虚拟化技术创建Ubuntu虚拟镜像,利用虚拟镜像创建Ubuntu虚拟化实例,然后结合System Imager技术来高效的完成集群节点的自动化部署.

命题μ-演算局部模型检测高效算法设计

命题μ-演算局部模型检测算法中,目前最好的算法的时间复杂度与不动点算子交替嵌套深度d呈指数关系。针对命题μ-演算局部模型检测算法的计算过程进行分析,得到迭代计算的中间迭代值间满足的一组偏序关系,然后利用该偏序关系设计了一个局部模型检测算法,算法时间复杂度的指数部分为d/2,大大提高了算法的计算效率。

基于VMware vSphere的两种iSCSI存储架构研究

VMware vSphere是目前为止业界最可靠的数据中心虚拟化平台,对存储的支持相当广泛.基于多种存储设备之间的差异性对v Sphere在高级特性上的影响,主要研究在因特网协议-存储局域网络(IP-SAN)中基于Openfiler提供的因特网小型计算机系统接口(i SCSI)存储和基于Windows Server 2008 R2系统搭建的i SCSI存储网络为VMware vSphere提供共享存储时,存储性能的异同和优缺点.

移动界程演算理论及应用研究综述

移动界程演算通过界程这一核心概念来表达有边界的计算场所,并提供界程移动、认证和授权等能力,从最基础层次刻画移动计算的本质,成为了移动计算系统形式化理论和应用领域内的重要研究分支。对移动界程演算的理论及应用方面的研究和发展进行了概述,对移动界演算的扩展语义和代数性质的分析方法、移动界演算的空间逻辑和模型检测算法以及移动界程在计算系统建模方面应用现状进行了整理和分析,并对该领域未来进一步研究的方向进行了展望。

基于改进Faster R-CNN算法的车辆检测

基于区域的网络Faster R-CNN算法在图像的目标检测领域取得了巨大突破.相比较于传统的目标检测方法R-CNN和Fast R-CNN,Faster R-CNN提出了一种候选区域网络(RPN)有效的提升了检测候选框的生成速度.本文通过分析提出的RPN网络的实现方法,引用了K-Means++聚类算法,来对训练数据集中的目标框大小进行聚类分析,替代原本算法中的9个区域框.通过实验对比分析,通过改进的方法提高了车辆检测的精度.

基于等价关系的粗糙拟阵的性质

粗糙拟阵是同时推广了粗糙集和拟阵的数学工具,它既可以被理解为是借助拟阵研究粗糙集,也可以被当作是通过粗糙集来研究拟阵.粗糙拟阵能够利用粗糙集和拟阵各自的优势处理和分析数据.通过等价关系上可定义集的性质,研究了基于等价关系的上粗糙拟阵和下粗糙拟阵.事实上,基于等价关系的上粗糙拟阵同时也是基于这个等价关系的下粗糙拟阵.因此给出了基于等价关系的粗糙拟阵的概念.类比拟阵中基的概念,定义了基于等价关系的粗糙拟阵的基,并且研究了这些基的性质.根据基的性质得到一个论域上所有的粗糙拟阵.特别地,讨论了论域的任何一个子集与该论域上的粗糙拟阵之间的某种对应关系.

关系粗糙拟阵的一些性质

关系粗糙拟阵的概念最早是由祝峰教授等人最先提出的,是作为一种同时推广了粗糙集和拟阵的概念.在他们工作的基础上,本文将进一步对关系粗糙拟阵的性质进行研究.首先,研究了基于关系的可定义集的一些性质.特别地,基于一个自反关系上的可定义集关于集合的包含运算作成一个格;其次,探究了关系粗糙拟阵的一些性质,并且给出了一些特殊关系粗糙拟阵的等价描述.

无线体域网中隐私保护的远程医疗诊断系统

随着无线体域网应用的推广,隐私保护成为无线体域网安全领域的研究热点。本文提出了一类基于无线体域网的远程医疗诊断系统的隐私保护方案。方案利用临时身份对病人进行匿名保护,实现远程医疗诊断系统的匿名问诊,保护了病人在远程医疗系统中的隐私。同时数字签名、El Gamal加密、双线性映射等技术实现远程医疗系统的匿名性、保密性、真实性、完整性与可跟踪性等安全特性。性能和安全分析结果表明,方案具有较少的计算开销和通信开销,在安全性和性能上都可适用于无线体域网的应用场景。

基于二支决策和三支决策视角的μ-演算局部模型检测

从二支决策和三支决策角度探讨命题μ-演算的局部模型检测算法,对计算过程中节点迭代值的存储方式进行分析,并对这两个局部模型检测算法作对比。研究发现,基于三支决策理论的局部模型检测算法减少了计算量。

基于生成对抗网络的服装图像分类方法的研究

首先,为了实现无监督数据的增强,利用生成对抗网络方法生成服装图像数据;然后,通过判别网络中的卷积神经网络对图像数据进行特征提取,实现对生成网络产生的图像进行判别,提升了模型对数据图像分布的影响,从而实现了构建卷积神经网络对产生样本图像的质量进行测试的目标。并进行了相关的实验,实验结果表明该方法生成的服装图像能够有效地提高卷积神经网络的分类准确率。

多尺度决策系统的覆盖粗糙模糊集及其最优尺度选择

进一步推广基于覆盖的粗糙模糊集模型,在对象最小描述的近邻域上考虑对象在决策属性下的隶属度,提出了2种不同的覆盖粗糙模糊集,将覆盖粗糙模糊集与多尺度决策系统结合,构建了4种多尺度决策系统中的覆盖粗糙集模型。定义了对应的正域和属性重要度,设计相应的最优尺度选择算法。最后通过实验分析,比较了4种覆盖粗糙模糊集模型在多尺度决策系统中的最优尺度与原始尺度在回归预测效果上的差异。实验结果表明,第4种多尺度决策系统覆盖粗糙模糊集模型所选择的最优尺度组合有效提高回归模型的预测能力。