【摘 要】
：
现有的在线流特征选择算法通常选择一个最优的全局特征子集,并假设该子集适用于样本空间的所有区域.但是,样本空间的每个区域都使用独有的特征子集进行准确描述,这些特征子集的特征和大小可能有所不同.因此,文中提出基于最大决策边界的局部在线流特征选择算法.引入局部特征选择,在充分利用局部信息的基础上,设计基于最大决策边界的特征衡量标准,尽可能分开同类样本和不同类样本.同时,使用最大化平均决策边界、最大化决策边界和最小化冗余3种策略选择合适的特征.针对局部区域选择最优的特征子集,然后使用类相似度测量方法进行分类.在1
【机 构】
：
大连海事大学 信息科学技术学院 大连116026
论文部分内容阅读
现有的在线流特征选择算法通常选择一个最优的全局特征子集,并假设该子集适用于样本空间的所有区域.但是,样本空间的每个区域都使用独有的特征子集进行准确描述,这些特征子集的特征和大小可能有所不同.因此,文中提出基于最大决策边界的局部在线流特征选择算法.引入局部特征选择,在充分利用局部信息的基础上,设计基于最大决策边界的特征衡量标准,尽可能分开同类样本和不同类样本.同时,使用最大化平均决策边界、最大化决策边界和最小化冗余3种策略选择合适的特征.针对局部区域选择最优的特征子集,然后使用类相似度测量方法进行分类.在14个数据集上的实验结果和统计假设检验验证文中算法的分类有效性和稳定性.
其他文献
为解决传统吹塑成型常出现的制品飞边大、夹边长、强度低的问题,利用连杆机构设计吹塑成型管坯弯曲装置.在传统吹塑模的基础上增加第三模,设计四连杆机构控制第三模开合运动,并通过Ansys静力学仿真验证连杆设计的合理性,最后通过实际生产验证模拟结果的有效性.结果表明:限位杆(连杆AB)长288 mm、转臂(BC杆)长306.3 mm时,模具变形量最小,液压杆压力最低.
通过实际案例阐述了慢走丝线切割机床在加工异形凸模时连接支撑面困难的问题,并从凸模加工角度考虑,更改生产工艺流程及加工工艺,解决了异形凸模生产加工难题,达到模具的使用要求.
介绍了五轴加工设备的应用环境、加工优势以及在模具行业中的应用实例,通过与三轴加工设备对比分析,从加工工艺编制及控制的角度论证了五轴加工技术在机械加工中具有加工效率高、加工周期短、加工表面质量高等优势.
为研究奥氏体化温度对4Cr5Mo2V热作模具钢耐磨性的影响,利用控制变量的方法对4Cr5Mo2V热作模具钢分别进行960、980、1000、1020、1040、1060℃淬火处理,并在600℃回火,还利用JmatPro软件计算了析出相质量分数随奥氏体化温度的变化,并测量了试验钢的洛氏硬度、摩擦系数及磨损量.结果表明,4Cr5Mo2V热作模具钢的摩擦磨损类型为黏着磨损和剥层磨损,且在1060℃淬火时耐磨性最好;其完全奥氏体化温度为1050℃;奥氏体化温度影响了VC的固溶/析出比率,液相析出难溶VC的存在影响
基于“后疫情时代”制造业技术转型升级推动模具人才培养改革的现状,分析了模具专业人才需求现状与发展趋势,提出了分类培养和衔接贯通是模具高级人才培养的重要模式,校企双主体育人是培养服务模具高端制造人才的必然趋势,最后对职业院校模具专业教学提出了人才培养方面的建议.
通过对《模具商务》课程改革,培养了掌握模具设计、模具制造以及国际贸易基本知识与技能,并具备良好的模具专业英语和商务口语交流能力的复合型模具商务专业人才.课改实施后学生的就业情况表明:受益学生当年就业率100％,三年就业回访离职率极低,人均月工资相对较高,年涨幅率也较高,整体薪酬高于专业技能班学生;模具商务人才市场需求旺盛,用人单位需求连续多年呈增长趋势.
在认知学习过程中,学习者可能学习并掌握某些技能,但知识状态却无法发生改变.在此情形下,根据学习者知识状态的改变不足以对其技能进行准确评估,因此,文中基于技能函数,运用形式概念分析的方法寻找学习路径并进行技能评估.首先,介绍后继状态、有效技能和良好技能函数的概念.然后,基于形式背景,在两种情形下讨论技能函数满足良好性的条件,得到满足良好性条件下可进行逐步有效学习和有效评估的结果,并设计获取良好技能背景、良好技能函数及寻找学习路径的算法.最后,在两个数据集上进行实验分析,验证文中算法的有效性,并且得出如下结论
异质信息网络表示学习在节点分类、链接预测、个性化推荐等多个领域上被广泛应用.现有的异质信息网络表示学习方法大多集中在静态网络,忽略网络中时间属性对节点表示的影响.为了解决该问题,文中提出基于元路径和层次注意力的时序异质信息网络表示学习方法.利用元路径捕获异质信息网络中的结构和语义信息.通过时间衰减注意力层,捕获不同元路径实例在特定时间对目标节点的影响.通过元路径级别注意力,融合不同元路径下的节点表示,得到最终表示.在DBLP、IMDB数据集上的实验表明,文中方法在节点分类和节点聚类任务上均可达到较优效果.
深度学习尤其卷积神经网络为精确目标检测提供可能,推动三维目标检测在自动驾驶、机器人等领域发挥重要作用.文中综述基于卷积神经网络的三维目标检测研究进展.首先总结三维目标检测的应用价值、基本流程及存在的挑战.再介绍卷积神经网络基本原理、典型的二维目标检测网络结构、常用的开源数据集及点云表示形式等相关基础知识.然后介绍卷积神经网络在三维目标检测中的应用进展,根据不同数据模态及方法共性对方法进行梳理.最后对当前三维目标检测研究存在的问题进行论述,对未来的研究发展趋势进行展望.
已有的图核大多关注图的局部属性,利用局部的拓扑特征构建图的相似性度量,忽略图的层次结构信息.为了解决这个问题,文中提出基于最优传输的层次化图核.首先,将每个图表示成层次化的图结构.在层次化图结构构建过程中,利用K-means聚类算法构造每层图的节点,节点间的概率连接作为图的边.然后,利用带有熵约束的最优传输计算两图的层次结构上每层图之间的最优传输距离.最后,基于最优传输距离计算基于最优传输的层次化图核.在6个真实图数据集上的实验表明,文中方法可提升分类性能.