公共文化服务平台

作品数： 99被引量：524H指数：11

相关作者

胡山立: 作品数：70被引量：272H指数：11; 供职机构：福州大学数学与计算机科学学院计算机科学系; 研究主题：多AGENT系统 AGENT 联盟结构语义多AGENT

作品列表

基于斜率提取边缘点的时间序列分段线性表示方法被引量：49: 2006年; 本文引入解析几何中的斜率,提出了一种新颖的基于斜率提取边缘点的时间序列分段线性表示方法SEEP。对于斜率变化范围比较集中的时间序列,SEEP表示方法有着非常好的效果,与以往的分段线性表示方法相比,SEEP表示方法与原始时间序列之间的拟合误差更小,而且要小很多;对于斜率变化范围比较大的时间序列,SEEP表示方法与原始时间序列之间的拟合误差,和以往的分段线性表示方法相比,也相差不大,并且SEEP表示方法计算简单,易于实现。算法的时间复杂度仅为O(n)。; 詹艳艳徐荣聪陈晓云; 关键词：时间序列分段线性表示压缩率

基于Java的网上教学系统的设计与实现被引量：2: 2001年; 本文在以超文本页面学习为主的网上教学系统基础上,增加了网上教学讨论、练习与测试等模块,设计并实现了一个交互式网上教学系统。通过该系统可使教师与学生更好地进行交流、讨论,以解决学生的疑问,同时教师也能通过测试了解学生的学习进度。该系统较好地解决了交互性问题。; 郑舟陈晓云; 关键词：WWW 网上教学系统 JDBC 多媒体教学系统

基于判别信息的近邻保持嵌入降维方法: 2015年; 针对传统近邻保持嵌入算法(NPE)侧重保持样本的局部结构,而没有考虑样本类别信息的不足,提出判别局部近邻保持嵌入算法DLNPE.该算法利用样本点的局部结构构造新定义下的类内类间散布矩阵,并以此作为判别信息引入目标函数.在6个真实数据上进行实验,证明了所提算法的有效性.; 张海武陈晓云; 关键词：降维

基于光滑近邻表示的基因表达数据子空间聚类被引量：2: 2017年; 基因表达数据具有样本数少、基因维数高、非线性等特点,为能有效地处理基因表达数据,提出光滑近邻表示子空间聚类算法.利用每个数据点的近邻线性表示刻画数据集的非线性特点,并对近邻表示添加光滑约束,使数据点与近邻的距离关系嵌入到该数据点的重构表示中.在基因表达数据上的实验表明,所提出的方法优于其他几个现有方法,进而表明所提出方法对基因表达数据的聚类是有效的.; 陈晓云林莉媛叶先宝; 关键词：基因表达数据子空间聚类

一种合成美她司酮的方法: 本发明提供一种制备米非司酮主要代谢产物美她司酮（Metapristone,RU42633,单去甲基米非司酮）的简便方法。根据对11β-[4-（N-甲胺基）苯基] -17β-羟基-17α-（1-丙炔基）-雌甾-4，9-二烯...; 陈海军贾力刘剑俞雪梅陈晓云黄惠龄王继闯高瑜; 文献传递

基于逆云模型的支持向量机多类分类方法被引量：4: 2008年; 针对支持向量机在进行多类识别中存在的拒分问题,结合能够描述客观世界不确定性的模糊理论,提出利用逆云模型描述样本对各类逆云隶属度的多类分类方法.实验表明,该方法能够有效地消除样本拒分现象,提高识别率.; 刘婷陈晓云; 关键词：支持向量机

基于蚁群算法的组合拍卖胜者决定问题求解被引量：4: 2006年; 胜者决定问题是组合拍卖中研究的一个重要问题.在组合拍卖的多Agent系统中,以第一价格密封拍卖方式为背景,针对胜者决定问题的一般模型,提出运用蚁群算法求最优解.该算法在搜索过程中随机放置蚂蚁,扩大了解的搜索空间,通过改变局部信息素浓度,加快了算法的收敛速度,有效缓解了算法容易出现的早熟停滞现象.与遗传算法相比,实验表明蚁群算法在早期就容易达到较好的最优解,收敛速度较快且求解质量较稳定.; 陈莉陈晓云胡山立; 关键词：多AGENT系统蚁群算法组合拍卖信息素

基于支持向量聚类和重抽样的入侵检测被引量：3: 2013年; 针对入侵检测中少数类异常数据的检测精度较低的问题,提出基于支持向量聚类的不平衡数据无监督检测算法.方法采用支持向量聚类对所有未知样本进行聚类,根据不同类别样本内在属性的差异,用改进的重抽样方法选择样本,平衡数据集的分布,对新的数据集进行学习.经过KDD99的测试表明,该方法能有效检测出少数类样本.; 郑芳泉陈晓云; 关键词：入侵检测异常检测不平衡支持向量聚类

基于局部坐标稀疏表示和最小二乘的基因表达数据分类: 2017年; 局部坐标稀疏表示可以使测试样本由其近邻样本线性近似表示,借鉴此思想,在稀疏表示模型中引入局部距离加权并添加非负约束,求解得到测试样本在训练集上的表示系数,根据表示系数的大小剔除训练集中的噪声点,在新的训练集上进行最小二乘子空间分类。在6个基因表达数据集上的实验结果表明,所提算法可以进一步改善分类质量。; 张鹏涛陈晓云简彩仁; 关键词：最小二乘

基于节点结构的点云分类网络: 2024年; 点云数据的非结构化和不均匀分布给点云物体特征表示和分类任务带来极大挑战。为了提取点云物体的三维结构特征,现有方法多采用复杂的局部特征提取结构组建分层网络,导致特征提取网络复杂且主要关注点云物体的局部结构。为更好地提取不均匀分布的点云物体特征,提出采样点卷积密度自适应加权的节点结构网络(NsNet)。该卷积网络通过高斯密度对采样点自适应加权以区分采样点的密度差异,从而更好地刻画物体的整体结构;其次,通过加入球形坐标简化网络结构以降低模型复杂度。在3个公开数据集上与PointNet++和PointMLP等方法进行比较,实验结果表明:基于自适应密度加权的NsNet比PointNet++和PointMLP的总准确率(OA)分别提高了9.1和1.3个百分点;与PointMLP相比减少了4.6×10^(6)的参数量。NsNet可有效解决点云分布不均导致的边缘点信息损失问题,提高分类精度,降低模型复杂度。; 高文烁陈晓云; 关键词：三维点云卷积神经网络