【摘 要】
：
针对并行密度聚类算法在处理大数据集时存在伸缩困难、参数寻优能力不佳、并行化效率较低等问题,提出一种基于分组和重力搜索优化算法(improve gravitational search algorithm,IGSA)的并行密度聚类算法(density-based clustering algorithm based on groups and improve gravitational search
论文部分内容阅读
针对并行密度聚类算法在处理大数据集时存在伸缩困难、参数寻优能力不佳、并行化效率较低等问题,提出一种基于分组和重力搜索优化算法(improve gravitational search algorithm,IGSA)的并行密度聚类算法(density-based clustering algorithm based on groups and improve gravitational search,MR-GDBIGS)。首先,该算法设计了基于图形的分组策略(grouping strategy bas
其他文献
联邦学习与区块链在应用领域、架构特点、隐私保护机制等方面具有很强的共性、互补性和契合度,近年来,一些研究与应用将两种技术结合起来,在数据隐私保护强度、数据共享激励机制、计算性能等方面取得了不少进展。为了帮助研究者掌握联邦学习结合区块链的最新研究成果与发展方向,对基于区块链的联邦学习进行了综述。首先,介绍了联邦学习技术的相关研究和存在的不足;其次,详细讨论了当前基于区块链的联邦学习的相关研究,重点从
针对实用拜占庭容错(PBFT)共识机制中主节点可能出错导致大量通信资源浪费的问题,提出一种基于信任动态激励的共识机制优化方案ITPBFT(incentive trust-PBFT)。利用信任评价模型对系统内节点的共识行为进行评价,添加动态激励机制,引入节点等级机制,选取信任度高的节点作为主节点。通过对优化方案进行仿真实验和分析,验证了该机制可以有效提高共识机制的容错能力、降低共识的时间、提高系统的
联盟链是区块链技术在实际行业应用的主要形式,其共识机制多采用实用拜占庭容错算法(PBFT),在节点数量大时共识成功率与共识效率不高,存在扩展性问题。为此,提出一种基于网络自聚类拜占庭容错共识算法NAC-PBFT。利用行业应用中网络结构、系统节点等确知信息,在联盟链审核节点时指定种子节点,再以种子节点为中心自聚类为若干分组,组内通过优化实用拜占庭容错算法选举出代理人,由各组代理人共同完成全局共识。其
针对联盟链中广泛应用的PBFT算法网络复杂度高、共识速度慢以及查询速度上的不足进行了研究,并提出了一种基于时间权重值(time-weighted value,TWV)的共识算法。首先,针对网络复杂度高和共识速度慢的问题,TWV共识算法通过节点的时间权重值选择合适的共识节点缩小了共识节点的规模,并且结合PBFT算法中的视图更换协议,将此时的共识节点替换为具有较高时间权重值的节点;其次利用共识节点延迟
卷积神经网络的感受野大小与卷积核的尺寸相关,传统的卷积采用了固定大小的卷积核,限制了网络模型的特征感知能力;此外,卷积神经网络使用参数共享机制,对空间区域中所有的样本点采用了相同的特征提取方式,然而带噪频谱图噪声信号与干净语音信号的分布存在差异,特别是在复杂噪声环境下,使得传统卷积方式难以实现高质量的语音信号特征提取和过滤。为了解决上述问题,提出了多尺度区域自适应卷积模块,利用多尺度信息提升模型的
针对现有的机器阅读理解模型主要使用循环模型处理文本序列信息,这容易导致训练和预测速度慢且模型预测准确性不高等问题,提出了一种片段抽取型机器阅读理解算法QA-Reader。该算法利用大型预训练语言模型RoBERTa-www-ext获取问题和上下文的词嵌入表示;使用深度可分离卷积和多头自注意力机制进行编码;计算上下文和问题的双向注意力及上下文的自注意力,以融合上下文和问题之间的关联信息,拼接得到最终的
目前,基于卷积神经网络和循环神经网络的方面级情感分析研究工作较少同时考虑到句子的句法结构和词语的语法距离,且卷积神经网络和循环神经网络无法有效地处理图结构的数据。针对上述问题,提出了一种基于距离与图卷积网络的方面级情感分类模型。首先,为该模型设计了一个具有残差连接的双层双向长短期记忆网络,用于提取句子的上下文信息;然后,根据句法依赖树得到词语的语法距离权重,并根据词语之间的句法关系构建邻接矩阵;最
针对不同语料库之间数据分布差异问题,提出一种基于深度自编码器子域自适应的跨库语音情感识别算法。首先,该算法采用两个深度自编码器分别获取源域和目标域表征性强的低维情感特征;然后,利用基于LMMD(local maximum mean discrepancy)的子域自适应模块,实现源域和目标域在不同低维情感类别空间中的特征分布对齐;最后,使用带标签的源域数据进行有监督地训练该模型。在eNTERFACE
针对柬语标注数据较少、语料稀缺,柬语句子级情感分析任务进步缓慢的问题,提出了一种基于深度半监督CNN(convolutional neural networks)的柬语句子级情感极性分类方法。该方法通过融合词典嵌入的分开卷积CNN模型,利用少量已有的柬语情感词典资源提升句子级情感分类任务性能。首先构建柬语句子词嵌入和词典嵌入,通过使用不同的卷积核对两部分嵌入分别进行卷积,将已有情感词典信息融入到C
针对生成式文本摘要中模型对文本语义了解不够充分以及生成摘要缺乏关键信息的问题,提出一种融合关键词的中文摘要生成模型KBPM(Key-BERT-Pen model)。首先使用TextRank方法将文本中关键词抽取出来,然后将抽取出的关键词与原文一起经过BERT预训练模型得到更加精确的上下文表示,最终将得到的词向量输入到带有双重注意力机制的指针模型中,指针模型从词汇表或原文中取出词汇来生成最终的摘要。