文章采用增强间隙源和特征基函数法(characteristic basis function method,CBFM)分析周期天线阵列的辐射方向图和输入阻抗。与传统间隙源模型相比,增强间隙源模型可克服不稳定性问题。为了测试所提方法的准确性,采用2个数值算例进行验...文章采用增强间隙源和特征基函数法(characteristic basis function method,CBFM)分析周期天线阵列的辐射方向图和输入阻抗。与传统间隙源模型相比,增强间隙源模型可克服不稳定性问题。为了测试所提方法的准确性,采用2个数值算例进行验证。数值结果表明,采用增强间隙源模型所得的结果是稳定的,采用CBFM提高了计算效率,并节约了计算资源。展开更多
【目的】传统的协同过滤推荐模型无法提取到用户与项目之间复杂的交互关系,这对于最终的推荐结果会造成一定的不良影响。【方法】针对这一问题,本文提出了一种混合推荐模型DAAI(Denoising Autoencoder with Attribute Information),采...【目的】传统的协同过滤推荐模型无法提取到用户与项目之间复杂的交互关系,这对于最终的推荐结果会造成一定的不良影响。【方法】针对这一问题,本文提出了一种混合推荐模型DAAI(Denoising Autoencoder with Attribute Information),采用降噪自编码器提取评分矩阵中的深层次非线性特征,在此基础上,使用DNN、CNN等方式提取属性信息中隐藏的特征,最后通过多层感知机融合多种特征得到最终的预测评分。【结论】将该模型在电影数据集MovieLens上进行实验,与奇异矩阵分解(SVD)、概率矩阵分解(PMF)、AutoRec等传统推荐算法进行比较,实验结果表明DAAI模型具有更好的推荐效果。【局限】神经网络结构较为复杂,所以本文的模型相较于传统的推荐模型训练时间有所增加。展开更多
文摘文章采用增强间隙源和特征基函数法(characteristic basis function method,CBFM)分析周期天线阵列的辐射方向图和输入阻抗。与传统间隙源模型相比,增强间隙源模型可克服不稳定性问题。为了测试所提方法的准确性,采用2个数值算例进行验证。数值结果表明,采用增强间隙源模型所得的结果是稳定的,采用CBFM提高了计算效率,并节约了计算资源。
文摘【目的】传统的协同过滤推荐模型无法提取到用户与项目之间复杂的交互关系,这对于最终的推荐结果会造成一定的不良影响。【方法】针对这一问题,本文提出了一种混合推荐模型DAAI(Denoising Autoencoder with Attribute Information),采用降噪自编码器提取评分矩阵中的深层次非线性特征,在此基础上,使用DNN、CNN等方式提取属性信息中隐藏的特征,最后通过多层感知机融合多种特征得到最终的预测评分。【结论】将该模型在电影数据集MovieLens上进行实验,与奇异矩阵分解(SVD)、概率矩阵分解(PMF)、AutoRec等传统推荐算法进行比较,实验结果表明DAAI模型具有更好的推荐效果。【局限】神经网络结构较为复杂,所以本文的模型相较于传统的推荐模型训练时间有所增加。
