编辑部公告 | 查看更多

热点文章

| MORE

预出版文章

| MORE
  • 当期目录
  • 浏览排行
  • 下载排行
  • 引用排行
2020,第56卷,第4期出版日期 2020-07-30
  • 变精度区间集概念格
  • 高云樵,马建敏
  • 变精度概念格是利用蕴含算子和一个阈值定义的模糊形式背景下的概念格.为刻画部分已知的变精度概念格,将区间集引入到模糊形式背景上,定义外延与内涵均为区间集的变精度区间集概念格,研究它们的性质.在此基础上进一步研究变精度概念格与变精度区间集概念格之间的关系.根...

  • 2020, 56 (4): 437–444 DOI: 10.13232/j.cnki.jnju.2020.04.001
  • 经典粗糙近似的一个公理化刻画
  • 李同军,于洋,吴伟志,顾沈明
  • 公理化方法是粗糙集理论研究的一种重要方法,用公理化方法研究粗糙集问题能够抓住问题的数学本质.研究经典粗糙近似算子的公理化刻画.首先,通过概括经典粗糙近似算子的性质给出经典粗糙上、下近似算子的一个公理化定义;其次,针对经典粗糙上、下近似算子提出两个新的公理...

  • 2020, 56 (4): 445–451 DOI: 10.13232/j.cnki.jnju.2020.04.002
  • 信息表中约简补集对及其一般定义
  • 王宝丽,姚一豫
  • 约简是粗糙集理论的核心研究内容,也是粗糙集区分于其他数据挖掘算法最精彩的部分.现有约简以信息表中满足某种性质的最小属性子集为主要特征,不考虑属性集之间的相互作用和相互补充关系.从一对满足某种性质的互补属性子集出发,寻找其最小互补属性子集对,从而保障所求约...

  • 2020, 56 (4): 461–468 DOI: 10.13232/j.cnki.jnju.2020.04.004
  • 属性组序下基于代价敏感的约简方法
  • 刘鑫,胡军,张清华
  • 属性约简是粗糙集理论中的重要问题.为了满足用户对属性的偏好,人们研究了属性序下的属性约简,然而对一些问题却很难给出完整的属性序.针对该问题,比较分析了属性组序下的约简子集的优劣,并提出代价敏感下的属性组序约简的算法.该算法通过属性组序的特点考虑用户偏好并...

  • 2020, 56 (4): 469–479 DOI: 10.13232/j.cnki.jnju.2020.04.005
  • 基于三元因子分析的三元概念约简
  • 李俊余, 李星璇, 王霞, 吴伟志
  • 三元概念的约简是三元概念分析的重要问题,因为它既能简化三元图的表示,又有助于更好地理解三元概念的语意并从中提取有价值的信息.基于三元因子分析,研究保持三元背景中所有三元关系不变的三元概念约简.首先,基于三元因子分析提出三元概念约简的定义.该方法是在保持三...

  • 2020, 56 (4): 480–493 DOI: 10.13232/j.cnki.jnju.2020.04.006
  • 协调多源决策表的规则提取
  • 万青, 魏玲, 任睿思
  • 规则提取是知识发现的一个重要研究方向.多源数据是一类重要的数据集,从不同的角度对多源数据进行规则提取可为决策行为提供更加可信的依据.以多源决策表为数据基础,首先以数据源和决策规则的结论为切入点,提出两类多源决策规则的概念及其支持度和覆盖度的刻画方式;其次...

  • 2020, 56 (4): 494–504 DOI: 10.13232/j.cnki.jnju.2020.04.007
  • 基于概率语言术语集评价的三支决策方法研究
  • 顾萍萍,周献中
  • 概率阈值的确定一直是三支决策研究的重点,尤其是在复杂模糊环境下.引入概率语言术语集评价损失函数,提出基于概率语言术评价的三支决策阈值确定以及规则的获取方法.首先依据概率语言术语集的内涵和性质,构建三支决策问题中的概率语言术语集损失函数矩阵;再借助决策粗糙...

  • 2020, 56 (4): 505–514 DOI: 10.13232/j.cnki.jnju.2020.04.008
  • 基于迁移学习的软子空间聚类算法
  • 王丽娟,丁世飞,丁玲
  • 随着大数据时代的到来,大量的高维数据在生活中无处不在.聚类是分析描述数据并按照某种相似性将数据归类的一项技术.传统聚类算法在面对高维数据时,往往无法进行有效的聚类处理.软子空间聚类是通过分配权重,描述样本隶属于不同簇的不确定性来进行聚类,然而,当数据残缺...

  • 2020, 56 (4): 515–523 DOI: 10.13232/j.cnki.jnju.2020.04.009
  • 融合标签结构依赖性的标签分布学习
  • 黄雨婷,徐媛媛,张恒汝,闵帆
  • 针对现有标签分布学习(Label Distribution Learning,LDL)算法较少考虑标签间关联性的问题,提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段:在扩展阶段,结合成对标签之间的关联性,构建结构化标签依赖性;...

  • 2020, 56 (4): 524–532 DOI: 10.13232/j.cnki.jnju.2020.04.010
  • 基于深度特征表示的Softmax聚类算法
  • 陈俊芬,赵佳成,韩洁,翟俊海
  • 图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(A...

  • 2020, 56 (4): 533–540 DOI: 10.13232/j.cnki.jnju.2020.04.011
  • 基于翻译模型的异质重边信息网络链路预测研究
  • 郑建兴,李沁文,王素格,李德玉
  • 在异质信息网络中,异质节点对象之间具有多元关系,形成异质重边信息网络.知识图谱表示旨在将实体和关系在低维的向量空间进行嵌入,可以用来学习异质重边信息网络中实体间的多元关系.首先通过注意力机制对异质重边信息网络中的多元关系进行融合表示,进而将异质节点的类型...

  • 2020, 56 (4): 541–548 DOI: 10.13232/j.cnki.jnju.2020.04.012
  • 一种基于嵌入式的弱标记分类算法
  • 李亚重,杨有龙,仇海全
  • 对于高维标签的分类问题,标签嵌入法已经受到广泛关注.现有的嵌入方法大都需要完整的标签信息,也没有将特征空间考虑在内;同时,由于数据进行人工标注的成本高以及噪声干扰等原因,仅能获得数据的部分标签信息,使得含有缺失标签的高维标签分类问题变得更加复杂.为解决这...

  • 2020, 56 (4): 549–560 DOI: 10.13232/j.cnki.jnju.2020.04.013
  • 储层预测的代价敏感主动学习算法
  • 汪敏,赵飞,闵帆
  • 传统的储层预测需要耗费大量的时间且对研究人员的专业能力要求极高,采用人工智能方法实现储层预测可以有效地改善预测效率.然而,因为环境、设备等原因导致油气井数据中存在大量属性值缺失,大大降低了储层识别精度.针对属性值缺失造成分类困难的问题,提出一个统一评估和...

  • 2020, 56 (4): 561–569 DOI: 10.13232/j.cnki.jnju.2020.04.014
  • 基于FPGA的卷积神经网络加速模块设计
  • 梅志伟,王维东
  • 针对卷积神经网络前向推理硬件加速的研究,提出一种基于FPGA(Field Programmable Gate Array)的卷积神经网络加速模块,以期在资源受限的硬件平台中加速卷积运算.通过分析卷积神经网络基本结构与常见卷积神经网络的特性,设计了一种适用...

  • 2020, 56 (4): 581–590 DOI: 10.13232/j.cnki.jnju.2020.04.016
  • 结合区域检测和注意力机制的胸片自动定位与识别
  • 朱伟,张帅,辛晓燕,李文飞,王骏,张建,王炜
  • 胸部X光片(以下简称胸片)是胸部相关疾病的常用诊断手段,具有辐射量低、速度快、价格低廉等优点,但样本数量巨大,所以开发基于人工智能的、对胸片进行自动识别、分类以及定位的系统具有重大的应用价值.由于胸片拍摄设备不同、胸片质量参差不齐、涉及疾病众多,尤其是缺...

  • 2020, 56 (4): 591–600 DOI: 10.13232/j.cnki.jnju.2020.04.017
  • 刊       名:南京大学学报自然科学
  • 主管单位:中华人民共和国教育部
  • 主办单位:南京大学
  • 主       编:龚昌德

友情链接

| MORE

官方微信