模式识别与人工智能
   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能
22 学术不端论文认定及处理办法
22 版权转让协议
22 保密证明
22 录用稿件电子版要求
22 修改说明格式
更多....
22 中国自动化学会
22 国家智能计算机研发中心
22 中科院合肥智能机械所
更多....
 
 
2018年 31卷 2期 刊出日期 2018-02-28

论文与报告
研究与应用
 
论文与报告
101 基于概念间双向语义和多重关系的Web服务发现
鲁城华, 寇纪淞

如何提高Web服务的发现效果是面向服务计算领域需要解决的关键问题.针对这一问题,文中提出基于概念间双向语义和多重关系的Web服务发现方法.在计算概念相似度时,考虑语义的双向性及连接路径上的多重关系.不同于以往的服务发现方法,不仅计算服务描述中的名词和动词,还计算形容词.在名词和动词相似度计算中,涵盖继承关系(ISA)、部分整体关系(HASA)和反义关系(ANT).在形容词相似度计算中,涉及相似关系(Similar-to)和ANT.Web服务相似度的计算综合I/O和功能描述两方面内容,提高Web服务发现的准确性.通过综合数据实验充分验证文中方法的有效性,该方法具有较优的查准率、查全率及F-measure.

2018 Vol. 31 (2): 101-113 [摘要] ( 499 ) [HTML 1KB] [PDF 895KB] ( 718 )
114 局部加权最小二乘回归的重叠子空间聚类算法
邱云飞, 费博雯, 刘大千

针对大多数子空间聚类方法处理非线性数据时聚类效果不理想、不同子空间数据相似性较高及聚类发生错误时无法及时校验的问题,提出局部加权最小二乘回归的重叠子空间聚类算法.利用K近邻思想突出数据的局部信息,取代非线性数据结构,通过高斯加权的方法选择最相似的近邻数据点,得到最优表示系数.然后使用重叠概率模型判断子空间内数据的重叠部分,再次校验聚类结果,提高聚类准确率.在人造数据集和真实数据集上分别进行测试,实验表明,文中算法能够取得较理想的聚类结果.

2018 Vol. 31 (2): 114-122 [摘要] ( 552 ) [HTML 1KB] [PDF 716KB] ( 575 )
123 基于信息粒化的多标记特征选择算法
王晨曦, 林耀进, 唐莉, 傅为, 林培榕

特征选择旨在从原始特征空间中选择一组规模较小的特征子集,在分类学习任务中提供与原集合近似或更好的性能.文中提出基于信息粒化的多标记特征选择算法,融合标记权重与样本平均间隔,将改进的邻域信息熵应用到特征选择过程中.在6组数据集以及5个评价指标上的实验表明文中算法在分类上的有效性.

2018 Vol. 31 (2): 123-131 [摘要] ( 726 ) [HTML 1KB] [PDF 832KB] ( 773 )
132 采用概率判定法的分组变异自适应差分进化算法
李浩君, 刘中锋, 冉金亭
为了平衡差分进化算法(DE)的全局探索和局部开发过程,提高算法避免陷入局部最优的能力,文中提出采用概率判定法的分组变异自适应差分进化算法(GVADE).GVADE采用概率判定法判定个体进化状态为较好、较差或一般,并根据个体进化状态为个体选择合适的变异算子和控制参数组.同时,为了满足进化状态较差个体变异的需要,设计具有较强全局探索能力的变异算子.在CEC2005标准测试集合上的实验表明,GVADE优于现有的其它DE算法,可以更好地平衡全局探索和局部开发,具有更高的收敛精度.
2018 Vol. 31 (2): 132-141 [摘要] ( 491 ) [HTML 1KB] [PDF 772KB] ( 404 )
142 改进的基于区域卷积神经网络的微操作系统目标检测方法
彭刚, 杨诗琪, 黄心汉, 苏豪
传统的目标检测方法不能有效检测微操作系统中部分受遮挡或多种姿态的目标,因此文中采用改进的基于区域卷积神经网络的Faster-RCNN检测算法,用于微操作系统中部分受遮挡或多种姿态的目标检测.在原始Faster-RCNN的基础上,使用在图像分类任务中性能优越的深度残差网络作为检测算法的主框架,并且引入防止正负样本不均衡的在线困难样本挖掘策略以提高网络性能.实验表明,这种改进的基于区域卷积神经网络方法能有效识别部分受遮挡和不同姿态的目标,相比传统方法,文中方法对环境适应性更强,速度更快,具有实际应用价值.
2018 Vol. 31 (2): 142-149 [摘要] ( 640 ) [HTML 1KB] [PDF 1109KB] ( 614 )
研究与应用
150 基于边重要度的矩阵分解链路预测算法
郭丽媛, 王智强, 梁吉业

基于矩阵分解的链路预测方法的领域适应性较好.然而在已有基于矩阵分解的链路预测方法中,0-1矩阵的网络数据表示对网络中未知连边的假设较强,同时对网络中已知连边的重要度无区分性.为此,文中放松0-1矩阵的网络数据表示假设,对未知节点对连边不做任何假设,并提出边重要度度量方法,对网络中已知连边进行重要度度量,最终建立基于网络权重矩阵分解的链路预测模型.在8个公开网络数据集上对比基于度量的链路预测方法和已有矩阵分解方法,文中方法链路预测结果更好.

2018 Vol. 31 (2): 150-157 [摘要] ( 672 ) [HTML 1KB] [PDF 683KB] ( 443 )
158 基于双通道卷积神经网络的文本情感分类算法
申昌, 冀俊忠
针对现有深度学习方法在文本情感分类任务中特征提取能力方面的不足,提出基于扩展特征和动态池化的双通道卷积神经网络的文本情感分类算法.首先,结合情感词、词性、程度副词、否定词和标点符号等多种影响文本情感倾向的词语特征,形成一个扩展文本特征.然后,把词向量特征与扩展文本特征分别作为卷积神经网络的两个输入通道,采用动态k-max池化策略,提升模型提取特征的能力.在多个标准英文数据集上的文本情感分类实验表明,文中算法的分类性能不仅高于单通道卷积神经网络算法,而且相比一些代表性算法也具有一定的优势.
2018 Vol. 31 (2): 158-166 [摘要] ( 820 ) [HTML 1KB] [PDF 708KB] ( 849 )
167 融合直接度量和间接度量的行人再识别
蒋桧慧, 张荣, 李小宝, 郭立君
当前行人再识别的度量算法在计算相似性时主要依据两幅图像自身的判别信息(直接度量),较少依据与两幅图像相关的其它图像的判别信息(间接度量).针对此种情况,文中提出加权融合直接度量和间接度量的度量方法.首先提取图像的局部最大概率特征和突出性颜色名称特征,融合两者作为图像的最终特征.然后分别计算两幅图像的直接相似性和间接相似性,利用序列排序方法对数据库样本进行训练,得到权值参数,从而得到两幅图像的最终相似性.在Market-1501数据库和CUHK03数据库上的实验表明,融合后的度量识别能力明显高于单个度量的识别能力.
2018 Vol. 31 (2): 167-174 [摘要] ( 573 ) [HTML 1KB] [PDF 758KB] ( 495 )
175 基于细节点柱形编码和深度卷积特征的指纹检索方法
宋德华, 封举富
指纹检索方法使用细节点柱形编码作为特征,充分考虑指纹细节点的局部结构特征,却忽略指纹的整体结构特征,限制指纹检索的准确率.基于此种问题,文中提出基于细节点柱形编码和深度卷积特征的指纹检索方法.使用深度卷积网络学习指纹的整体结构特征(深度卷积特征),并结合深度卷积特征和细节点柱形编码,提升指纹检索的准确率.在3个经典指纹检索数据库上通过实验分析深度卷积特征的特性.实验表明,文中方法有效提升指纹检索的准确率.
2018 Vol. 31 (2): 175-181 [摘要] ( 819 ) [HTML 1KB] [PDF 1614KB] ( 745 )
182 基于局部最优分析的纺织品瑕疵检测方法
刘威, 常兴治, 梁久祯, 贾靓, 顾程熙

针对复杂的含有周期变化图案的纺织品瑕疵检测,提出改进Markov随机场模型的无监督纺织品瑕疵检测方法.应用随机场实现周期性纺织品图像的瑕疵检测,利用Markov邻域特性,综合判断瑕疵区域.结合周期图像分割,确定Markov随机场最小图像块计算单元,降低算法的计算复杂度.在随机场势函数定义中,综合考虑相邻图像块的差异特性,结合Markov随机场的全局性判断瑕疵点的位置.引入模糊相似关系矩阵概念,求解改进后的模型参数,使所有图像块的局部能量达到最优.实验表明,文中方法对样本的查全率较高.

2018 Vol. 31 (2): 182-189 [摘要] ( 667 ) [HTML 1KB] [PDF 1291KB] ( 499 )
190 求解大规模问题的多核学习正则化路径算法
王梅, 李董, 孙莺萁, 宋考平, 廖士中

多核学习在处理异构、不规则和分布不平坦的样本数据时表现出良好的灵活性和可解释性.针对精确正则化路径算法难以处理大规模样本数据的问题,文中提出正则化路径近似算法.根据采样分布函数进行抽样,在原始核矩阵的基础上生成近似矩阵,同时在拉格朗日乘子向量中抽取对应行,实现矩阵乘积的近似计算,提高多核学习正则化路径的求解效率.最后分析多核学习正则化路径近似算法的近似误差界和计算复杂性.在标准数据集上的实验验证文中算法的合理性和计算效率.

2018 Vol. 31 (2): 190-196 [摘要] ( 455 ) [HTML 1KB] [PDF 805KB] ( 372 )
模式识别与人工智能
 

主管:中国科学技术协会
主办:中国自动化学会
   国家智能计算机研究开发中心
   中国科学院合肥智能机械研究所
出版:科学出版社
 
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn