结构学习
结构学习的相关文献在1990年到2023年内共计313篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、贸易经济
等领域,其中期刊论文243篇、会议论文9篇、专利文献1832994篇;相关期刊130种,包括系统工程与电子技术、计算机工程、计算机工程与设计等;
相关会议9种,包括中国卫生统计(生物统计)2014学术年会、2010年全国模式识别学术会议(CCPR2010)、2009年全国模式识别学术会议暨首届中日韩模式识别学术研讨会等;结构学习的相关文献由683位作者贡献,包括王双成、刘芳、焦李成等。
结构学习—发文量
专利文献>
论文:1832994篇
占比:99.99%
总计:1833246篇
结构学习
-研究学者
- 王双成
- 刘芳
- 焦李成
- 高晓光
- 刘三阳
- 李婷婷
- 郝红侠
- 马文萍
- 古晶
- W·胡
- 任佳
- 冷翠平
- 刘大有
- 李冰寒
- 林士敏
- 胡春玲
- 贾海洋
- 邸若海
- 陈璞花
- 马晶晶
- 高晓利
- A·拉比诺维奇
- D·B·李
- D·德通
- S·拉金德兰
- T·J·马利耶维奇
- V·巴德里娜拉亚楠
- 傅顺开
- 冀俊忠
- 刘喜华
- 刘惟一
- 刘扬
- 刘振凯
- 刘椿年
- 刘欣
- 张佑生
- 张剑飞
- 张少中
- 张瑾
- 张鸿勋
- 徐平峰
- 朱明敏
- 杜一平
- 王秀坤
- 王辉
- 程泽凯
- 肖秦琨
- 胡云安
- 胡仁兵
- 胡学钢
-
-
黄定轩;
黄雪梅;
卢锐
-
-
摘要:
构建客观、准确的绿色建筑项目风险网络有利于对项目风险进行整体管控。针对绿色建筑项目风险网络构建缺乏客观性这一问题,在识别出项目风险因素的基础上,利用Bayesian网络结构学习从项目实地风险因素调查数据中挖掘客观的风险因素网络;其次利用社会网络分析方法分析绿色建筑项目风险因素网络中不同因素的地位和作用并构建了风险的解释结构模型。结果表明,绿色建筑项目风险因素网络中不同因素的地位和作用存在差异;网络中存在作为切割点的风险因素;绿色建筑项目的解释结构模型分为四个层级,风险因素网络中高层级的风险因素属于独立性因素,而底层的风险因素为联系型因素。研究基于数据驱动的风险因素网络发现为绿色建筑项目管理者提供了新的风险管理思路和借鉴。
-
-
李晓晴;
于海征
-
-
摘要:
贝叶斯网络源于人们对人工智能领域不确定性问题的研究,是进行不确定问题推理和数据分析的重要工具。结构学习是贝叶斯网络研究的核心内容,K2算法是结构学习的经典算法之一。为解决K2算法学习效果强烈依赖于节点序的问题,提出一种新的混合结构学习算法:双重K2算法。首先将节点信息作为初始节点序,通过K2算法的搜索策略得到初始网络结构;然后在初始网络结构上利用拓扑排序得到修正后的节点序;最后K2算法通过修正后的节点序学习得到最优的网络结构。实验结果表明:在精度和效率上,双重K2算法效果优于其他经典算法。
-
-
徐正祥;
王英;
汪洪吉;
王鑫
-
-
摘要:
随着网络数据的快速增长,大规模异构网络数据的存储和网络表示已成为研究的热点。现提出两个不同的任务:生成图摘要和生成图的节点表示。图摘要的目标是找到用于压缩存储和加速查询的输入图的紧凑表示;网络表示可以很好地提取网络数据中的结构信息,并为下游任务生成节点表示。但是,在大规模网络数据中,在生成图摘要和嵌入表示时仍需要解决一些挑战。为克服大规模异构网络数据带来的科学计算和存储空间问题,提出基于特征加强的异质网络潜在摘要模型(FELS),通过融合节点特征和图属性获得大规模异构网络数据的摘要表示。首先,将原图中不同的节点特征作为基础特征,通过应用多种关系算子捕获高阶子图结构信息;然后,根据不同的图属性通过桶映射方式学习上下文的潜在子空间结构;最后,对学习到的上下文特征矩阵利用奇异值分解获取异构网络的潜在摘要表示,即一种独立于输入图大小维度紧凑的潜在图摘要,同时能够获取节点表示。实验结果表明,与传统方法相比,提出的FELS模型能够获得更优质的潜在摘要且具有更低的模型复杂度,在链路预测任务上具有更高的效率和精度。
-
-
牛艳飞;
马洁
-
-
摘要:
针对目前主流的利用启发式搜索算法进行贝叶斯网络结构学习时,初始种群难以确定且容易陷入局部最优的问题,提出了基于部分互信息和改进差分进化算法相结合的混合算法.算法首先利用节点之间的部分互信息为依据构建初始种群,再将动态因子引入差分进化算法平衡了算法的全局寻优和局部搜索能力,最后对贝叶斯网络结构进行寻优.在两个标准网络Asia和Car网络中进行仿真,并与遗传算法和爬山算法进行对比,仿真结果表明算法在冗余边、缺失边、反向边以及算法的学习性能方面均有不同程度的提升,算法能够得到较好的贝叶斯网络结构,并有更高的数据拟合度.
-
-
李旭辉;
顾颖彦;
韩兴豪
-
-
摘要:
针对目标威胁评估中信息表达的不确定性以及威胁评估模型专家网络结构的主观性,提出一种基于结构学习的动态云贝叶斯网络评估模型.首先,利用云模型良好的知识表达能力定量描述不确定连续性信息;其次,使用爬山算法进行结构学习,综合专家提出的网络结构构建贝叶斯网络;接着引入时间变量,将其扩展成为动态贝叶斯网络,然后用最大似然概率估计算法学习网络参数;最后,利用联合树算法对动态云贝叶斯网络进行推理评估.仿真结果表明,该模型能够有效的对观测信息进行威胁评估,具有合理性和可行性.
-
-
沈洁
-
-
摘要:
在初中英语课堂教学中,合作学习较之"闭门造车",能集小智慧为大智慧,不仅能活跃课堂氛围,而且能使英语教学事半功倍.合作学习的模式有很多种,教师可以根据需要通过项目合作学习法、小组调查学习法、结构学习法等,提高学生的课堂参与度,促进教师的"教"及学生的"学",有效实现初中英语课堂合作教学.
-
-
陈海洋;
张娜
-
-
摘要:
针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.
-
-
吕志刚;
李叶;
王洪喜;
邸若海
-
-
摘要:
贝叶斯网络是一种描述变量间不确定性因果关系的概率图模型,广泛应用于预测、推理、诊断、决策风险及可靠性分析等领域.结构学习作为构建贝叶斯网络的基础,被证实为非确定多项式难题.文中将贝叶斯网络结构学习按照数据量大小分为完备数据和缺失数据,将完备数据下的贝叶斯网络结构学习分为近似学习算法和精确学习算法.根据上述分类方法,对现有算法及其相关的改进算法进行总结与分析对比.
-
-
王守会;
覃飙
-
-
摘要:
为解决单一结构学习算法中普遍存在的学习效果差、易陷入局部最优等问题,本文通过引入最大信息系数MIC(Maximal Information Coefficient)和集成学习思想,提出了一种新的贝叶斯网络结构学习算法.该算法首先利用MIC确定节点间的依赖关系并得到初始网络,接着使用Bootstrap方法对数据样本进行采样获得若干样本集.依次使用每个样本集,在给定初始网络的基础上,通过BDe评分和禁忌搜索算法训练生成贝叶斯网络并将其用邻接矩阵表示.进而利用集成学习策略,根据得到的若干邻接矩阵计算每条边的权重,并通过设定权重阈值得到集成学习结果.根据集成学习结果利用反馈策略更新初始网络并进入下一次迭代,经过不断迭代最终得到贝叶斯网络结构.最后在7种不同大小的标准数据集中进行实验,计算F1值(F1-score)、汉明距离HD(Hamming Distance)和学习到的正确边数(TP),并与其它算法进行对比分析.结果 表明本文提出的算法在可行性、有效性和普适性上更优.
-
-
李沛然;
刘琨;
张育;
任佳;
崔亚妮
-
-
摘要:
提出一种基于动态约束模型的贝叶斯网络结构优化算法.通过构建结构搜索空间约束模型,一方面利用互信息和独立性测试双重检验手段辨识节点依赖关系,限制马尔科夫覆盖的候选节点集合,缩小结构搜索空间规模,另一方面通过改进基于粒子群算法的结构搜索方式,设计粒子动态更新方程和局部搜索跳出机制,可以达到保持结构多样性,避免陷入局部最优的效果.采用2种标准网络对算法性能进行测试,实验结果表明该方法在收敛效果和学习精度上均有良好表现.
-
-
-
-
邓志东;
张秀苇
- 《2005年中国智能自动化会议(ICAC'2005)》
| 2005年
-
摘要:
在微生物基因组中,为了解决功能RNA(fRNA)基因的预测中的计算复杂性,提出了一种具有结构学习的神经模糊推理模型(NFMSL).通过在多层前馈神经网络结构中嵌入Takagi-Sugeno型模糊推理系统,网络中前四层可用来构建所谓的模糊盒子.提出了优势特征的概念,并基于面向问题的启发式知识,以修改模糊集结构中的元选择算子.相应的结构学习算法可将输入空间分割为适当数量的具有重叠边界的优势模糊盒子.作为一个实际例子,NFMSL计算模型被应用于预测大肠杆菌(E.coli)的新的fRNA基因.在基于NFMSL的基因发现方法中,首先将大肠杆菌与伤寒沙门氏菌(S.typhi)进行同源性序列比对,然后从其中的高度保守序列中,抽取出线性序列与二级结构特征.通过5种不同的训练和测试方案以及相应的组合实验发现,基于NFMSL的基因发现的方法能够准确地预测和标注E.coli.中数十个新的fRNA候选基因.
-
-
-
-
李毅;
彭勤科;
胡保生
- 《全球化制造高级论坛暨21世纪仿真技术研讨会》
| 2004年
-
摘要:
本文提出将自组织模糊神经网络(SCFNN)应用于网络控制系统中远程控制器的设计.SCFNN的学习过程包括结构学习和参数学习两个阶段.结构学习的目的是对输入空间进行合理的模糊划分,而参数学习是通过有监督梯度下降算法来调整模糊规则中结论部分中的权值以及隶属度函数的参数.在最初的SCFNN中只有输入节点和输出节点,而没有任何隶属度函数和规则的节点.在学习过程中逐渐地生成了中间层节点,从而动态地获得一组的模糊控制规则.本文对基于Profbus-DP网络的网络控制系统进行测试,并与修正Ziegler-Nichols法的优化结果进行比较,结果表明在对网络导致的延迟没有任何先验知识的情况下,用于网络控制系统中远程控制器设计的SCFNN能够获得满意的控制效果.
-
-
-
-