两类动态信息模型及其应用

来源 :计算机科学 | 被引量 : 0次 | 上传用户:maming5201ww
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
P-集合(P-sets)是一类具有动态特征的集合模型,在P-集合中,元素的属性满足数理逻辑中的合取范式。P-集合是把动态特性引入到有限普通元素集合(有限Cantor set)X内,来改进有限普通元素集合X而提出的。逆P-集合(Inverse P-sets)是另一类具有动态特征的集合模型,在逆P-集合中元素的属性满足数理逻辑中的析取范式。逆P-集合是把动态特性引入到有限普通元素集合X内,来改进有限普通元素集合X而提出的。逆P-集合是P-集合的对偶形式。定义P-集合是一类动态信息模型,定义逆P-集合是另一类动
其他文献
针对以往稀疏编码在图像去噪过程中存在的噪声残留和缺乏对图像的边缘与细节的本质特征的保护等问题,提出了一种结合第二代Bandelet变换分块的字典学习图像去噪算法,其更好地利用了图像的几何特性进行去噪。首先,通过第二代Bandelet变换可以灵活地根据图像几何流的正则性特征并能够自适应地获得图像的最稀疏表示来准确估计图像信息,并能自适应地选择最优的几何方向;然后,根据K-奇异值分解(K-Singul
传统的信息推送服务普遍缺少对社交用户具体情况的考虑,存在推荐信息针对性不强、系统转化率低等问题。针对上述问题,提出了一种基于用户画像的智能信息推送方法。借助智慧学
构件系统演化一致性是确保演化操作可靠的必要条件,若一致性得不到满足,则会致使演化后的系统达不到既定的功能目标。针对该问题,文中提出基于接口、流程结构、内部行为的构件系
在高光谱图像分类中,选择合适的样本作为训练样本对分类器进行训练非常重要。将样本的不确定性与代表性相结合,通过自适应主动学习方法来完成样本的选择。用核K均值聚类来获取具有代表性的样本,用最优标号和次优标号的概率差值与两者比值的加权和来度量不确定性。此外,为了提高分类的准确率,利用联合双边滤波来获取高光谱图像的空间信息,并将其融入分类过程中。最后,提出一种融合自适应主动学习与联合双边滤波的空谱结合高光
访问控制策略的描述与执行是信息系统资源保护的一种重要方式,影响到系统的业务化运行。针对目前评估效率较低的问题,研究人员提出了基于属性缓存和重排序等策略的评估方法,
为解决传统推荐系统中存在的冷启动难题,基于距离反映偏好的假设提出了一种融合矩阵分解与距离度量学习的社会化推荐算法。该算法同时对样本和距离度量进行训练,在满足距离约束
针对图像中的快速移动目标检测,提出了一种9_7提升小波和区域生长相结合的检测算法。该算法首先对图像进行9_7提升小波变换,扩大目标与背景间的照度差异,对歧义目标进行筛选;然后利用区域生长算法找到图像中的可疑目标区进行目标粗判;最后根据目标几何特征,结合背景光强来确定单帧图像中的目标位置。该算法不仅简化了传统算法,减少了代码量,提高了检测准确率,而且留有大量图像处理接口,适用性强。
函数P-集合是P-集合的函数形式,是通过改进P-集合得到的一个具有动态特征、规律(函数)特征的信息规律模型。在函数P-集合中,函数的属性满足数理逻辑中的合取范式。函数逆P-集
将车联网中高维的时空特征嵌入到低维的特征语义词袋是一种典型的聚类问题。谱聚类因其计算简单且有全局最优解的特点而备受关注,但是关于其聚类数目的研究工作相对较少。针
针对现有图像修复算法存在受损区域的形状和大小受限以及修复痕迹明显、修复边缘不连续的问题,文中提出一种基于生成对抗网络的图像修复方法。该方法采用生成对抗网络(Generative Adversarial Networks,GAN)这种新的生成模型作为基本架构,结合Wasserstein距离,同时融入条件对抗网络(CGAN)的思想;以破损图像作为附加条件信息,采用对抗损失与内容损失相结合的方式来训练网