检索范围:
排序: 展示方式:
学习挑选伪标签:一种用于命名实体识别的半监督学习方法 Research Articles
李真真,冯大为,李东升,卢锡城
《信息与电子工程前沿(英文)》 2020年 第21卷 第6期 页码 809-962 doi: 10.1631/FITEE.1800743
基于学习方法的三维医学图像压缩质量控制参数预测 Research Articles
侯宇轩1,任重1,陶煜波1,陈为2
《信息与电子工程前沿(英文)》 2021年 第22卷 第9期 页码 1169-1178 doi: 10.1631/FITEE.2000234
曾黄麟,袁慧,刘小芳
《中国工程科学》 2004年 第6卷 第11期 页码 33-37
基于一个约束条件下的非线性规划问题的优化计算思想,把模糊中心聚类中计算输入矢量与中心的距离来实现聚类作为一种优化计算问题,证明了模糊中心聚类方法,取一个适当的属函数,其聚类中心vi为模糊聚类中心价值函数的极小值,推导出了基于模糊中心聚类的模式识别的无导师递推学习方法,提出了模糊中心聚类模式分类神经网络结构,该网络可以实现并行数据处理和模式分类的软划分和硬划分。
基于强化模糊认知图实现数据与知识协作的氟化铝添加量决策方法 Article
岳伟超, 桂卫华, 陈晓方, 曾朝晖, 谢永芳
《工程(英文)》 2019年 第5卷 第6期 页码 1060-1076 doi: 10.1016/j.eng.2019.10.005
汪权,王建国,张鸣祥
《中国工程科学》 2011年 第13卷 第4期 页码 81-86
结合自校正控制、模糊逻辑和迭代学习控制的基本思想,提出采用自整定模糊控制确定迭代学习律的方法,提高了迭代学习控制的鲁棒性。选取建筑结构振动控制Benchmark第二阶段的地震作用Benchmark模型作为研究对象,进行模糊迭代学习控制地震响应仿真计算,结果表明该方法能够对Benchmark模型的地震响应进行有效控制,而且具有学习控制律简单实用
大数据为材料研究创造新机遇——材料设计的机器学习方法与应用综述 Review
周腾, Zhen Song, Kai Sundmacher
《工程(英文)》 2019年 第5卷 第6期 页码 1017-1026 doi: 10.1016/j.eng.2019.02.011
将基于神经网络的机器学习方法应用于增材制造——应用现状、当前挑战和未来前景 Review
亓欣波, 陈国锋, 李勇, 程宣, 李长鹏
《工程(英文)》 2019年 第5卷 第4期 页码 721-729 doi: 10.1016/j.eng.2019.04.012
联邦相互学习:一种针对异构数据、模型和目标的协同机器学习方法 Research Article
沈弢1,张杰2,贾鑫康2,张凤达1,吕喆奇1,况琨1,吴超3,吴飞1
《信息与电子工程前沿(英文)》 2023年 第24卷 第10期 页码 1390-1402 doi: 10.1631/FITEE.2300098
关键词: 联邦学习;知识蒸馏;隐私保护;异构环境
Ke GUO, Xia-bi LIU, Lun-hao GUO, Zong-jie LI, Zeng-min GENG
《信息与电子工程前沿(英文)》 2018年 第19卷 第5期 页码 639-650 doi: 10.1631/FITEE.1700007
机器学习视角下的城市建模计算机图形方法综述 Review Article
冯天1,范非易2,Tomasz BEDNARZ3,4
《信息与电子工程前沿(英文)》 2021年 第22卷 第7期 页码 915-925 doi: 10.1631/FITEE.2000141
基于两级层次特征学习的图像分类方法 Article
Guang-hui SONG,Xiao-gang JIN,Gen-lang CHEN,Yan NIE
《信息与电子工程前沿(英文)》 2016年 第17卷 第9期 页码 897-906 doi: 10.1631/FITEE.1500346
面向强化学习自动驾驶模型的异步监督学习预训练方法 Research Articles
王云鹏,郑坤贤,田大新,段续庭,周建山
《信息与电子工程前沿(英文)》 2021年 第22卷 第5期 页码 615-766 doi: 10.1631/FITEE.1900637
徐雪松,宋东明,张谞,许满武,刘凤玉
《中国工程科学》 2009年 第11卷 第2期 页码 82-87
为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线性嵌入( locally linear embedding, LLE)算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的 参数,即邻域数。算法的思想寻找样本数据的内在嵌入分布,并通过邻域数选取和降维后数据点之 间的距离调整,提高了数据集中离群点发现效率,同时利用离群点权值判别式进行权值数据判定,根据权值 的大小标识出数据集中的离群点,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一 条新的途径。
基于机器学习的抄袭源检索的查询生成方法 Article
Lei-lei KONG, Zhi-mao LU, Hao-liang QI, Zhong-yuan HAN
《信息与电子工程前沿(英文)》 2017年 第18卷 第10期 页码 1556-1572 doi: 10.1631/FITEE.1601344
标题 作者 时间 类型 操作