导读:本文包含了约束表示论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:稀疏,词表,多核,卷积,升序,知识,神经网络。
约束表示论文文献综述
张雷杰,彭勇,孔万增[1]（2019）在《基于约束低秩表示模型的联合半监督分类算法》一文中研究指出针对基于图的半监督学习算法由于先构造关联矩阵再在对应的图上进行标记传播而导致只能得到原问题次优解的问题,提出基于约束低秩表示模型的联合半监督分类算法。首先,使用约束矩阵,基于低秩表示模型,实现部分已标记样本对应的低秩表示系数一致;其次,解决基于图的半监督学习算法中两阶段模式所带来的次优解问题,实现了联合进行低秩图的学习与图上的半监督标记传播;最后,通过实验检验了算法的可行性。改进算法获得的结果比现有的主流算法均有较大优势,在标准数据集上的性能得到较高的提升。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2019年03期）
王相海,白世夫,李智,宋若曦,陶兢喆[2]（2019）在《基于PST相位约束和稀疏表示的MS和PAN影像融合算法》一文中研究指出在基于多光谱(MS)影像和全色(PAN)遥感影像融合中,提高融合影像质量的一个关键问题是如何有效提取PAN影像的纹理特征信息,并有针对性地对MS影像进行信息注入.因此,文中提出基于相位拉伸变换(PST)相位约束的MS和PAN影像稀疏融合算法.首先对MS和PAN影像进行高斯滤波.对于中低频信息,基于PST相位差对影像中边缘和纹理区域的敏感性,通过高频信息PST的相位差获得融合权重约束.对于高频信息,通过学习PAN影像的高频信息获得训练字典,并利用字典对MS和PAN影像的高频信息进行稀疏表示和融合,提高融合高频信息的准确度.算法在一定程度上克服传统融合方法对边缘纹理区域融合效果较差和光谱信息扭曲等现象,取得更好的融合效果.大量仿真实验验证算法的有效性.(本文来源于《模式识别与人工智能》期刊2019年05期）
刘颖[3]（2019）在《知识表示学习中考虑基数约束的筛选方法》一文中研究指出知识图谱(Knowledge graphs,简称KG)是一种表达实体之间关系的语义网络,用节点表示实体,方向表示实体之间的关系,常常表示为叁元组的形式,即(头实体,关系,尾实体),记为(?,,)。近年来,知识图谱已经被广泛应用于人工智能(AI)的各个领域。但是,由于现实中的知识是随着时间不断扩大的,知识图谱的补全也是一个动态的过程。所以说,知识图谱缺失大量的叁元组,通常是不完备的。知识表示学习方法,将知识图谱中的实体和关系嵌入到稠密低维实值向量中,可以有效地预测知识图谱中缺失的叁元组。知识图谱中通常只存储正叁元组,然而,负叁元组在知识表示学习中同样至关重要。通常情况下,采用随机负采样的方法生成负叁元组,但生成的负叁元组大多数为简单的叁元组,一段时间后,对知识表示学习方法的训练贡献变小,甚至几乎没有贡献。为了缓解这一问题,有研究者提出了基于对抗性学习的负叁元组筛选方法——KBGAN筛选方法,可以自动生成高质量的负叁元组。但是,该方法存在严重的“假负例”的问题,所谓“假负例”,是指通过筛选方法生成的负叁元组实际上是知识图谱已经存储的正叁元组。“假负例”的过度训练,会影响训练得到的知识表示学习模型。同时,KBGAN筛选方法没有针对叁元组的关系类型进行区分,不同关系的叁元组,生成“假负例”的比例是不同的。针对上述问题和现象,本文为知识表示学习的负叁元组筛选方法提出了一种针对不同关系类型采取不同的筛选策略的方法——考虑基数约束的筛选方法ECCS。具体工作如下:首先,本文提出一个判定叁元组类型的方法,对知识图谱训练数据集中的叁元组进行关系类型的判定和分类,并将类型信息标记在叁元组数据中;随后,本文提出了两种不同的考虑基数约束的筛选的方法,ECCS-T方法和ECCS-S方法。ECCS-T方法的基本思想是通过自动调节概率分布,使得最可能的“假负例”的概率值降低,从而降低“假负例”被筛选出来的可能性;ECCS-S方法的基本思想是增加一个筛选器,通过筛选器,剔除掉最可能的“假负例”,以缓解筛选出的负叁元组为“假负例”的问题。在FB15k237、WN18、WN18RR叁个数据集上分别将本文提出的知识表示学习中考虑基数约束的筛选方法——ECCS方法和KBGAN方法进行对比实验。结果表明,ECCS方法在一定程度上缓解了“假负例”的过度训练问题。(本文来源于《吉林大学》期刊2019-05-01）
石亮,那天,宋晓宁,朱玉全[4]（2019）在《利用CNN和PCA约束优化模型实现稀疏表示分类》一文中研究指出目的传统的稀疏表示分类方法运用高维数据提升算法的稀疏分类能力,早已引起了广泛关注,但其忽视了测试样本与训练样本间的信息冗余,导致了不确定性的决策分类问题。为此,本文提出一种基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法(EPCNN-SRC)。方法首先通过深度卷积神经网络计算,在输出层提取对应的特征图像,用以表征原始样本的鲁棒人脸特征。然后在此特征基础上,构建一个PCA(principal component analysis)约束优化模型来线性表示测试样本,计算对应的PCA系数。最后使用稀疏表示分类算法重构测试样本与每类训练样本的PCA系数来完成分类。结果本文设计的分类模型与一些典型的稀疏分类方法相比,取得了更好的分类性能,在AR、FERET、FRGC和LFW人脸数据库上的实验结果显示,当每类仅有一个训练样本时,EPCNNSRC算法的识别率分别达到96. 92%、96. 15%、86. 94%和42. 44%,均高于传统的表示分类方法,充分验证了本文算法的有效性。同时,本文方法不仅提升了对测试样本稀疏表示的鲁棒性,而且在保证识别率的基础上,有效降低了算法的时间复杂度,在FERET数据库上的运行时间为4. 92 s,均低于一些传统方法的运行时间。结论基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法,将深度学习特征与PCA方法相结合,不仅具有较好的识别准确度,而且对稀疏分类也具有很好的鲁棒性,尤其在小样本问题上优势显着。(本文来源于《中国图象图形学报》期刊2019年04期）
冶忠林,赵海兴,张科,朱宇[5]（2019）在《基于描述约束的词表示学习》一文中研究指出词语作为语言模型中的基本语义单元,在整个语义空间中与其上下文词语具有很强的关联性。同样,在语言模型中,通过上下文词可判断出当前词的含义。词表示学习是通过一类浅层的神经网络模型将词语和上下文词之间的关联关系映射到低维度的向量空间中。然而,现有的词表示学习方法往往仅考虑了词语与上下文词之间的结构关联,词语本身所蕴含的内在语义信息却被忽略。因此,该文提出了DEWE词表示学习算法,该算法可在词表示学习的过程中不仅考量词语与上下文之间的结构关联,同时也将词语本身的语义信息融入词表示学习模型,使得训练得到的词表示既有结构共性也有语义共性。实验结果表明,DEWE算法是一种切实可行的词表示学习方法,相较于该文使用的对比算法,DEWE在6类相似度评测数据集上具有优异的词表示学习性能。(本文来源于《中文信息学报》期刊2019年04期）
付俊妮[6]（2019）在《自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别》一文中研究指出面部表情识别很大程度上受限于来自相同条件、相同个体和大量标记样本这些假设,当突破上述假设条件时,识别性能将会显着下降。针对这个问题,提出一种自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别方法,通过自适应非负加权矩阵约束加强图像数据表示中重要特征的作用并减少无用特征的干扰。通过映射矩阵的约束,使基于低秩与稀疏表示的子空间能够学习鲁棒的相似图像以便实现最终的跨数据集面部表情识别。在公开的JAFFE和CK+两个跨数据库上的对比实验结果表明,文章算法对于跨数据集面部表情识别的性能更优。(本文来源于《信息通信》期刊2019年01期）
王仁芳,刘云鹏,孙德超,张亮[7]（2019）在《基于多核融合与局部约束的协同表示目标跟踪》一文中研究指出针对局部约束线性编码和协同表示编码的判别信息不足问题,本文提出一种基于多核融合与局部约束的协同表示目标跟踪算法。首先为了获得更好的分类性能,采用局部约束线性编码方法,将样本数据的局部结构引入到协同表示方法中;然后利用核函数将该协同表示扩展到多特征融合的核空间,使得字典和稀疏表示系数对目标特征的类判别能力得到增强;最后视目标跟踪为二分类问题,在粒子滤波框架下将分类器得分最高的候选目标作为跟踪目标。实验结果表明,本文算法在发生目标运动模糊、尺度变化与快速运动以及遮挡、光照变化时具有准确且鲁棒的目标跟踪效果。(本文来源于《光电子·激光》期刊2019年01期）
王璐,秦克云[8]（2018）在《模糊软推理叁Ⅰ约束理论的一般表示（英文）》一文中研究指出The aim of this paper is to discuss the Triple Ⅰ restriction reasoning methods for fuzzy soft sets. Triple Ⅰ restriction principles for fuzzy soft modus ponens(FSMP) and fuzzy soft modus tollens(FSMT) are proposed, and then, the general expressions of the Triple Ⅰ restriction reasoning method for FSMP and FSMT with respect to residual pairs are presented respectively. Finally, the optimal restriction solutions for Lukasiewicz and Godel implication operators are examined.(本文来源于《数学季刊(英文版)》期刊2018年04期）
杜雨萌[9]（2018）在《国资委密集调研 第四批混改试点悄然推进》一文中研究指出与去年相比，今年国务院国资委有关领导对于各地深化国有企业改革方面的调研，显得更为频繁。《证券日报》记者梳理后发现，最近一个月时间，国资委有关领导先后赴江苏、广东、四川、湖南、深圳以及上海等地展开调研。除了提出要加强自主创新、以创新驱动发展外，“(本文来源于《证券日报》期刊2018-12-10）
李康[10]（2018）在《基于Single-Sequence表示法的BUS总线约束布局优化》一文中研究指出基于Single-Sequence表示法和模拟退火算法框架,通过检验single-sequence编码的直接升序和直接降序判断BUS总线布局中水平和垂直约束的可行性。在MCNC benchmark上的实验结果验证了算法的有效性.。(本文来源于《电脑知识与技术》期刊2018年33期）
约束表示论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在基于多光谱(MS)影像和全色(PAN)遥感影像融合中,提高融合影像质量的一个关键问题是如何有效提取PAN影像的纹理特征信息,并有针对性地对MS影像进行信息注入.因此,文中提出基于相位拉伸变换(PST)相位约束的MS和PAN影像稀疏融合算法.首先对MS和PAN影像进行高斯滤波.对于中低频信息,基于PST相位差对影像中边缘和纹理区域的敏感性,通过高频信息PST的相位差获得融合权重约束.对于高频信息,通过学习PAN影像的高频信息获得训练字典,并利用字典对MS和PAN影像的高频信息进行稀疏表示和融合,提高融合高频信息的准确度.算法在一定程度上克服传统融合方法对边缘纹理区域融合效果较差和光谱信息扭曲等现象,取得更好的融合效果.大量仿真实验验证算法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
约束表示论文参考文献
[1].张雷杰,彭勇,孔万增.基于约束低秩表示模型的联合半监督分类算法[J].杭州电子科技大学学报(自然科学版).2019
[2].王相海,白世夫,李智,宋若曦,陶兢喆.基于PST相位约束和稀疏表示的MS和PAN影像融合算法[J].模式识别与人工智能.2019
[3].刘颖.知识表示学习中考虑基数约束的筛选方法[D].吉林大学.2019
[4].石亮,那天,宋晓宁,朱玉全.利用CNN和PCA约束优化模型实现稀疏表示分类[J].中国图象图形学报.2019
[5].冶忠林,赵海兴,张科,朱宇.基于描述约束的词表示学习[J].中文信息学报.2019
[6].付俊妮.自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别[J].信息通信.2019
[7].王仁芳,刘云鹏,孙德超,张亮.基于多核融合与局部约束的协同表示目标跟踪[J].光电子·激光.2019
[8].王璐,秦克云.模糊软推理叁Ⅰ约束理论的一般表示（英文）[J].数学季刊(英文版).2018
[9].杜雨萌.国资委密集调研第四批混改试点悄然推进[N].证券日报.2018
[10].李康.基于Single-Sequence表示法的BUS总线约束布局优化[J].电脑知识与技术.2018
论文知识图
