期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
一种基于Fréchet距离的复杂线状要素匹配方法 被引量：10
1
作者 邵世维 刘辉 +1 位作者 肖立霞 王恒 《武汉大学学报（信息科学版）》 EI CSCD 北大核心 2018年第4期516-521,共6页
在不同空间数据集中,同名实体往往有不同的空间表现形式,识别多源异构数据集中的同名实体是空间数据集成和应用的关键。集成不同来源的空间数据是提高GIS数据质量的重要方法,识别同名实体是数据集成和分析的先决条件。根据线要素的形状... 在不同空间数据集中,同名实体往往有不同的空间表现形式,识别多源异构数据集中的同名实体是空间数据集成和应用的关键。集成不同来源的空间数据是提高GIS数据质量的重要方法,识别同名实体是数据集成和分析的先决条件。根据线要素的形状将其分为简单线要素和复杂线要素,针对现有复杂线要素匹配方法中的不足,提出了Fréchet距离的复杂线状要素匹配方法。该方法首先通过曲线要素的几何和拓扑特性获取候选匹配集,然后结合基于Fréchet距离和要素简化方法实现要素的简化。最后提出基于Fréchet距离的要素匹配改进方法,通过引入简化要素的三元组信息来存储简化后的复杂线要素的属性信息,再根据三元组信息选取要素间的匹配对,完成对不同类型匹配对的检测,实现复杂线状要素匹配。试验结果表明,该匹配方法能有效解决复杂线要素的匹配问题,并能够识别1∶0、1∶N和M∶N匹配。 展开更多
关键词 复杂线状要素 候选匹配集 Fréchet距离 要素简化 匹配
原文传递
基于线性特征集的非授权代码敏感路径检测 被引量：1
2
作者 梁涛 李毅成 段玉莹 《计算机仿真》 北大核心 2021年第6期373-377,共5页
当前的非授权代码的检测过程忽略了获取线性特征集,代码类型无法得以高精度匹配,导致传统方法出现检测准确率低、耗时长问题。为解决以上问题,提出基于线性特征集的非授权代码敏感路径检测方法。引入深度学习,设计非授权代码特征检测步... 当前的非授权代码的检测过程忽略了获取线性特征集,代码类型无法得以高精度匹配,导致传统方法出现检测准确率低、耗时长问题。为解决以上问题,提出基于线性特征集的非授权代码敏感路径检测方法。引入深度学习,设计非授权代码特征检测步骤。以非授权代码为目标样本,基于线性特征集判断非授权代码敏感路径判断,利用深度学习提取正常代码样本的函数图特征,并设置阈值,实现非授权代码敏感路径的检测。实验结果表明:与传统方法相比,所提非授权代码敏感路径检测方法具有更高的检测准确率,且耗时更短,为该领域的深入研究提供理论支持。 展开更多
关键词 非授权代码 敏感路径 线性特征集 深度学习 特征提取 函数图特征
下载PDF
基于神经网络和主元分析的特征集生成方法 被引量：5
3
作者 李允公 张金萍 +2 位作者 刘杰 郭大猛 焦春旺 《机械工程学报》 EI CAS CSCD 北大核心 2009年第1期62-67,共6页
能够实现线性可分并易分的特征集对模式分类具有重要意义,而特征计算方法的有限性和固定性往往导致构建此类特征集存在一定困难。为此提出一种基于神经网络和主元分析(Principal component analysis,PCA)的特征集构建方法,该方法利用神... 能够实现线性可分并易分的特征集对模式分类具有重要意义,而特征计算方法的有限性和固定性往往导致构建此类特征集存在一定困难。为此提出一种基于神经网络和主元分析(Principal component analysis,PCA)的特征集构建方法,该方法利用神经网络对已有特征集进行非线性映射生成新的特征集,继而利用PCA方法对新特征集进行降维处理,在满足信息保留率大于85%的条件下只取第一主元方向投影数据,并判断线性可分和易分性。设计在第一主元方向上判断新特征集是否满足线性可分和易分的判据算法和准则,给出利用不对称交叉遗传算法进行网络寻优的具体步骤。数值仿真和试验验证表明所提出的方法性能稳定、分类准确,而且泛化能力较强,具有一定的工程应用价值。 展开更多
关键词 线性分类 特征集 神经网络 主元分析 遗传算法 故障诊断
下载PDF
基于改进LLE的高维数据离散化方法 被引量：2
4
作者 许统德 《计算机科学》 CSCD 北大核心 2015年第S1期146-150 157,157,共6页
连续特征值离散化在数据挖掘、机器学习和模式识别等领域显得尤为重要。目前,现有的离散化方法主要处理低维数据,然而,现实世界中往往存在的是高维非线性数据。基于此,提出一种基于改进局部线性嵌入(LLE)的高维数据离散化方法——ILLE-... 连续特征值离散化在数据挖掘、机器学习和模式识别等领域显得尤为重要。目前,现有的离散化方法主要处理低维数据,然而,现实世界中往往存在的是高维非线性数据。基于此,提出一种基于改进局部线性嵌入(LLE)的高维数据离散化方法——ILLE-HD3方法。首先,通过考虑数据的类信息对LLE方法进行改进,使其有效降维,以便于数据在低维空间中离散化。其次,在降维的基础上,提出了基于差异-相似集合(DSS)的连续特征值离散化算法,该算法利用类与特征之间的关联程度来决定连续域中断点的选取位置,并通过DSS理论定义分类错误标准,以控制连续域划分过程中产生的信息损失。最后,使用决策树分类工具C4.5和C5.0进行性能分析,结果表明,提出的ILLEHD3方法处理高维非线性数据时具有较好的效果,与现有的方法相比,得到了较高的分类精度。 展开更多
关键词 高维数据 局部线性嵌入 离散化 类-特征相互关联 差异-相似集合
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部