检索范围:
排序: 展示方式:
结构化稀疏学习综述 Review
Lin-bo QIAO, Bo-feng ZHANG, Jin-shu SU, Xi-cheng LU
《信息与电子工程前沿(英文)》 2017年 第18卷 第4期 页码 445-463 doi: 10.1631/FITEE.1601489
关键词: 结构化稀疏学习;算法;应用
UML状态图的机械语义和精化研究 Article
Feng SHENG, Liang DOU, Zong-yuan YANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第11期 页码 1773-1783 doi: 10.1631/FITEE.1601196
多用户大规模MIMO系统中基于压缩感知的结构化联合信道估计 Article
Ruo-yu ZHANG, Hong-lin ZHAO, Shao-bo JIA
《信息与电子工程前沿(英文)》 2017年 第18卷 第12期 页码 2082-2100 doi: 10.1631/FITEE.1601635
结合全变分最小化和稀疏字典学习后处理的低剂量CT重建 Article
Yong DING, Tuo HU
《信息与电子工程前沿(英文)》 2017年 第18卷 第12期 页码 2001-2008 doi: 10.1631/FITEE.1700287
基于机器学习算法的模型参数区域化方法在无测站流域径流模拟中的应用 Article
吴厚发, 张建云, 鲍振鑫, 王国庆, 王文圣, 杨艳青, 王婕
《工程(英文)》 2023年 第28卷 第9期 页码 93-104 doi: 10.1016/j.eng.2021.12.014
基于稀疏表示的拉普拉斯稀疏字典图像分类 Article
Fang LI, Jia SHENG, San-yuan ZHANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第11期 页码 1795-1805 doi: 10.1631/FITEE.1600039
基于核稀疏表示的磁共振图像分析及其在脑肿瘤自动分割中的应用 None
Ji-jun TONG, Peng ZHANG, Yu-xiang WENG, Dan-hua ZHU
《信息与电子工程前沿(英文)》 2018年 第19卷 第4期 页码 471-480 doi: 10.1631/FITEE.1620342
关键词: 脑肿瘤分割;核方法;稀疏编码;字典学习
联合局部学习和组稀疏回归的无监督特征选择 Regular Papers
Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU
《信息与电子工程前沿(英文)》 2019年 第20卷 第4期 页码 538-553 doi: 10.1631/FITEE.1700804
关键词: 无监督;局部学习;组稀疏回归;特征选择
基于RGBD和稀疏学习的鲁棒目标跟踪 Article
Zi-ang MA, Zhi-yu XIANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 989-1001 doi: 10.1631/FITEE.1601338
论文演化图:学术文献多视角结构化检索 None
Dan-ping LIAO, Yun-tao QIAN
《信息与电子工程前沿(英文)》 2019年 第20卷 第2期 页码 187-205 doi: 10.1631/FITEE.1700105
利用对称结构和结合差分进化的文化算法检测阵列中的故障传感器 Article
Shafqat Ullah KHAN,Ijaz Mansoor QURESHI,Fawad ZAMAN,Wasim KHAN
《信息与电子工程前沿(英文)》 2017年 第18卷 第2期 页码 235-245 doi: 10.1631/FITEE.1500315
关键词: 文化算法;差分进化;线性对称传感器阵列
人工智能算法在网络空间安全中的应用:技术与现状综述 Review
陈捷1,2,武丹丹2,谢瑞云2
《信息与电子工程前沿(英文)》 2023年 第24卷 第8期 页码 1117-1142 doi: 10.1631/FITEE.2200314
基于Wilkinson矩阵提升稀疏自适应匹配追踪重构效率 None
Rasha SHOITAN, Zaki NOSSAIR, I. I. IBRAHIM, Ahmed TOBAL
《信息与电子工程前沿(英文)》 2018年 第19卷 第4期 页码 503-512 doi: 10.1631/FITEE.1601588
一种局部二次嵌入学习算法及其在软测量中的应用 Article
包垚垚, 朱远明, 钱峰
《工程(英文)》 2022年 第18卷 第11期 页码 186-196 doi: 10.1016/j.eng.2022.04.025
鉴于元学习在众多领域取得的巨大成就,本文针对数据回归问题提出了融合度量学习和神经网络(NN)的局部二次嵌入学习(LQEL)算法。首先,通过优化输入输出空间里样本间度量的全局一致性来改进马氏度量(Mahalanobis metric)学习算法;同时,通过引入松弛约束进一步证明了改进的度量学习问题等价于一个凸规划问题。然后,基于局部二次插值假设原理,引入了两个轻量级的神经网络,其一用于学习局部二次模型中的系数矩阵,另一个则用于对从不同局部近邻获得的预测结果进行权重分配。最后,将两个子模型嵌入统一的回归框架中,并通过随机梯度下降(SGD)算法学习模型参数。所提出的算法优势在于可充分利用目标标签中隐含的信息找到更可靠的参考样本。并且,使用LQEL算法对变量进行差分建模,避免了因传感器漂移或不可测量变量导致的模型退化问题。多个基准数据集和两个实际工业应用数据集的计算结果表明,所提出的方法优于几种典型的回归方法。
标题 作者 时间 类型 操作