中国科学技术信息研究所--国家工程技术数字图书馆

排序：

[学位论文] 李斌复旦大学 2003年硕士导师: 蔡子经;施伯乐共51页

摘要 : 随着国际互联网的发展和大规模存储的普遍应用,数据挖掘作为对数据进行分析理解应用的科学,越来越受到重视.数据分类是数据挖掘的一个重要研究领域.近年来数据分类的理论研究和实际应用都获得了长足的进步,陆续出现了许多实用的分类模型和实现算法.在... 展开随着国际互联网的发展和大规模存储的普遍应用,数据挖掘作为对数据进行分析理解应用的科学,越来越受到重视.数据分类是数据挖掘的一个重要研究领域.近年来数据分类的理论研究和实际应用都获得了长足的进步,陆续出现了许多实用的分类模型和实现算法.在分类研究领域,组合分类器的优化方法逐渐变得引人注目.组合分类器的代表算法有Bagging,AdaBoost和Arcing.三者算法新颖,绩效突出,引起研究者的广泛重视.对它们进行分析和比较对实际应用的推广具有重要意义.该文在分类错误率、合并规模和算法相关度等方面对三个算法进行综合对比,获得了许多对实际应用具有指导意义的结果.Bagging算法分类样本形式简单,对底层分类模型没有特殊要求,适用范围广,其单个分类器的产生是独立的,易于并行处理.其循环步长优化设置为15左右.AdaBoost和Arcing属于Booting算法，单个分类器的产生有顺序依赖关系.由于采用了适应性权重，两者的优化效果好于Bagging.AdaBoost算法形式复杂，理论基础深厚.Arcing方法权重更新模式简洁清晰.与AdaBoost相比，两者分类准确度接近，而AdaBoost更适用于大规模数据庥，Arcing则在相对较小的数据集上表现出色.两者的迭代步长优化设置为25左右.除此分析比较以外，该文提出一种基于适应性权重和限制目标类权重扩张的AdaBoost改进算法.它通过避免在目标类别上发生权重扭曲，有效地解决了在个别数据集上发生的退化问题.针对目标类的权重限制设置，该文提出了两种参考设置方式.平等对待方式适用于中小规模的数据集，而目标类样本数比例限制则对大规模数据集有一定的优势.叠加方法和遗传算法是另外两种分类器的优化方法，它们不属于一般的组合优化的范畴，但因其特点突出，该文在其实现和应用方面也进行了讨论了，提出一些有价值的建议. 收起

关键词 : 分类器组合优化 Bagging AdaBoost Arcing 综合比较权重扭曲权重扩张权重限制叠加遗传算法

2. 带有群体信念的信念修正逻辑初探

[学位论文] 陈建西南大学 2012年硕士导师: 郭美云共37页

摘要 : 信念与知识相关,它是一种认知的中间状态,比纯粹无根据的意见强.但又比完全知识弱。语句“p是真的”和“我相信p是真的”显然具有不同的涵义。从某种意义上讲,知识也仅仅是一种“证成了的信念”(JustifiedBelief)。很长时间内,哲学家都一直致力于给予... 展开信念与知识相关,它是一种认知的中间状态,比纯粹无根据的意见强.但又比完全知识弱。语句“p是真的”和“我相信p是真的”显然具有不同的涵义。从某种意义上讲,知识也仅仅是一种“证成了的信念”(JustifiedBelief)。很长时间内,哲学家都一直致力于给予信念一个形式化的语义。本文介绍了(MinghuiM.&MeiyunG.,2011)对于信念的一种新的语义定义:如果主体相信p,那么主体一定认为在所有可能情况中p为真的可能性至少等于(-)p为真的可能性。同时,我们将单主体的信念逻辑上升到多主体的层面上来,系统地讨论了关于群体信念的两种不同语义,并分别给出了基于这两种语义的群体信念逻辑。首先,引入信念权重框架——对每个可及关系都赋予一定的权重(Weight),在此基础上构建了静态的合理性信念逻辑系统BL。合理性信念逻辑是基于这样一个假设:对于未来可能发生的Φ和-Φ这两种情况,主体一定会选择可信度程度(权重)更高的那种情况来进行相信,并在未来的抉择中按照这种情况进行下一步的设想。在讨论中,我们发现合理性信念逻辑BL在克里普克框架(KripkeFrame)下并不是完全的,而在邻域框架(NeighborhoodFrame)下却能够保证其完全性。而且我们讨论了关于它的动态扩张。其次,我们把单主体的信念逻辑上升到多主体的层面上,并增加了群体信念(GroupBelief)的概念。我们讨论了两种不同的群体信念的语义:一种是普遍信念(UniversalBelief),它要求群体内的每一个主体都相信的时候,我们才将其上升为群体信念;另一种是基于权重比较的群体信念,它要求在群体中相信的权重之和一定要大于或等于不相信的权重之和,我们才把其上升为群体信念。我们对这两种定义不同的信念分别进行了研究,并做了比较。我们发现基于权重比较的群体信念比第一种群体信念具有更强的表达力,而第一种群体信念仅仅是第二种群体信念的一种特殊情况。同时,第二种群体信念也更接近于我们的直观。最后,我们讨论了关于它们的动态扩张,并进一步提出了对带有等级的群体信念的思考,给出了一些基本的思路和解决方法。收起

关键词 : 群体信念信念修正逻辑权重框架动态扩张

3. 基于Dinamica EGO的三亚市城市扩张动态模拟与情景分析

[学位论文] 许清中国科学院大学 2014年硕士导师: 刘亚岚共84页

摘要 : 三亚是我国著名热带滨海旅游城市，随着社会经济的发展，尤其旅游业的发展，城镇化进程不断加快，同时资源、环境面临考验，因此三亚市城市建设应该得到特别的重视。为探究三亚市城市扩张驱动机制以及未来的城市扩张趋势，应用面向地理过程的环境模拟... 展开三亚是我国著名热带滨海旅游城市，随着社会经济的发展，尤其旅游业的发展，城镇化进程不断加快，同时资源、环境面临考验，因此三亚市城市建设应该得到特别的重视。为探究三亚市城市扩张驱动机制以及未来的城市扩张趋势，应用面向地理过程的环境模拟平台Dinamica EGO(Environment for Geo-processing Objects)建立了三亚市城市扩张模型，对该地区2007-2013年城市扩张进行了模拟，并基于四种假设对2020年及2025年城市扩张进行了情景分析。首先，基于遥感影像提取了三亚市2007年、2013年土地利用信息，并从数量、空间分布、景观格局三个方面统计分析了三亚市城市扩张特点，主要侵占了耕地、园地、其他用地（主要是未利用地），空间上沿海分布为主，平均斑块面积及面积变异程度变大。选择自然环境、区位条件和社会经济等方面的十余个城市扩张驱动因子并进行了空间化，利用证据权重法估算了驱动因子空间权重，发现不同驱动因子对三亚市城市扩张有不同强度的影响，同一因子对三亚市城市扩张的影响也具有空间异质性;通过因子权重极差评价出了主导驱动因子，主要包括基于时间距离的可达性、高程、到主要旅游景点的距离、到城市建设用地的距离。其次，探讨了基于Dinamica EGO平台构建城市扩张模型的原理和方法，建立了三亚市城市扩张模型，依据三亚市2007年-2013年实际城市扩张速率及驱动因子空间权重，模拟了2007年—2013年三亚市城市扩张。对土地利用类型加权、不同空间尺度、不同时间尺度对模拟精度的影响进行了研究。土地利用类型加权提高了模型模拟精度;最佳模拟空间尺度为30m，空间尺度越小模拟精度越高;模拟度最佳时间尺度为1年，时间尺度越小模拟精度越高，但时间尺度小于1年时，随迭代次数增加精度提高不大，且计算速度较低。在土地利用加权、空间尺度为30m、时间尺度为1年的情况下，总体精度为93.97％;基于多窗口衰减双向模糊评价法对土地利用类型变化区域的评价显示:点对点的最小相似性为31.9％，评价尺度为330米时，最小相似性接近80％。利用2010年数据进行了已知情景的模型验证，证明模型在情景实现、整体格局模拟方面是有效的。最后，基于城市发展条件和政策设定延续现有趋势、据新行政区划格局发展、生态保护、据新行政区划格局发展-生态保护结合四种情景对三亚市未来城市扩张进行了情景分析。通过增加生态敏感性、行政区划驱动因子以及修改相应权重在模型中实现情景。延续现有趋势情景下，城市扩张主要分布于沿海地区;据新行政区划格局发展的模式下，城市建设用地在海棠区、凤凰区北部较明显地散布式扩张;前两种情境下，城市主要向园地、农田、未利用地扩张，大量基本保护农田和风景保护区被占用。生态保护、据新行政区划格局展-生态保护结合的情景下，城市扩张导致城市形态较分散，尤其在据新行政区划格局展-生态保护结合的情景下，城市建设用地在海棠区、崖州区、育才镇向山区指状扩张明显;后两种情景下，重要水源地、风景区、自然林地、基本农田得到保护。基于灵活性和可拓展性较高的Dinamica EGO平台，利用可表征三亚市城市扩张特征的驱动因子，在适当的时空尺度下，可以构建适用于三亚市这类中小尺度城市的城市扩张模型。本文可为三亚土地利用规划、城市规划以及三亚市城市可持续发展提供科学依据和有益参考。收起

关键词 : 元胞自动机 Dinamica EGO 城市扩张模型证据权重法环境模拟平台情景分析

4. 轻量化深层卷积神经网络的硬件加速技术研究

[学位论文] 贾涵华中科技大学 2021年博士导师: 邹雪城;雷鑑铭共146页

摘要 : 作为机器学习中当前研究和应用最为广泛的网络模型之一，卷积神经网络在科学研究和民众日常生活的各个方面均展现出了极为广泛的应用前景。基于其权重值共享的网络结构特性，卷积神经网络在模式识别、语音识别等领域的表现尤其突出。然而，随着应用环... 展开作为机器学习中当前研究和应用最为广泛的网络模型之一，卷积神经网络在科学研究和民众日常生活的各个方面均展现出了极为广泛的应用前景。基于其权重值共享的网络结构特性，卷积神经网络在模式识别、语音识别等领域的表现尤其突出。然而，随着应用环境的复杂化以及精度要求的不断提高，网络模型的结构愈加复杂，深度也不断加深，因此，深层卷积神经网络在处理相关任务时，面临着轻量化、精确性以及实时性等方面的严峻挑战。针对当前研究所面临的问题与挑战，本文从提高算法实时性出发，以平衡运算资源、存储资源与算法精确度为重点，从算法优化、硬件加速方案以及存内计算三个方面，综合研究了深层卷积神经网络的优化及加速技术。本文系统地研究并解决了深层卷积神经网络的轻量化、边缘设备部署的资源瓶颈与灵活性、以及传统冯诺依曼架构的数据存取能耗等核心理论与重点问题。主要的研究成果如下：首先，为了满足当前应用对深层卷积网络兼顾轻量化与更高的判断精度以及更丰富的信息提取的需求，本文采用输出密度图的网络结构，通过易堆叠的3×3卷积网络层形成单列、深层的网络模型，以扩张卷积层替代了应用广泛的全连接层，形成了结构简单的卷积网络模型，并生成了高质量的密度图。在完成网络模型设计后，本文将其在当前主流的三个人群计数数据集上进行了验证。其中，在应用最为广泛的ShanghaiTech数据集的两个子集上，本文所提出的网络模型分别取得了68.2和10.6的平均绝对误差（MAE），相较于当前其他优秀的网络模型，在精度上实现了极大的提升。接下来，本文设计了一种基于FPGA的半定制硬件加速方案，以期解决深层卷积神经网络部署至移动端及边缘设备时面临的运算资源和存储资源两个最主要的瓶颈。本文特殊设计的运算单元阵列通过提升乘法器使用率的方式实现了运算资源的节约，集成特殊网络功能层的片上缓存进一步减少了运算资源占用，而结合深层卷积网络中的稀疏特性所设计的数据载入方案则提升了有限片上存储资源的利用率。最终，在大幅降低DSP单元占用率的情况下，在VGG-16网络模型的卷积层和全连接层分别取得了1.57?10-3以及1.31?10-3的吞吐密度。此外，为应对当前网络模型的多样化，本文设计了可适应多种网络模型的整体可配置硬件加速电路，具有高灵活性、高能效，运算及存储资源消耗低的特点。设计了可配置的运算单元阵列，以适应多种尺寸的卷积核，提高了电路的灵活性；可配置的片上缓存以及相应的缓存分配方案有效降低了数据存取需求。提出了针对卷积层和全连接层优化的数据载入综合方案，提升系统运行效率的同时降低了系统功耗。通过对VGG-16以及ResNet网络模型进行部署验证，本文提出的可配置硬件加速器在VGG-16上保持了如上的吞吐密度，并在ResNet-18与ResNet-152网络上分别取得了1.03×10-3与1.39×10-3的吞吐密度，验证了本文提出的加速方案的高灵活性。最后，为了解决传统冯诺依曼架构中数据存取所带来的延时及功耗问题，基于相变存储器件的物理特性，本文将卷积操作置于存储器内部执行。在对器件表征电导态的特性以及权重映射至器件方案的研究基础上，本文针对器件特性对卷积神经网络在推理阶段精度的影响进行了深入探索和研究，从电导态的数量、线性度、以及利用率三个方面综合对比分析了各种特性的影响以及相互之间的制约关系，提出了针对性的优化方案并进行了验证。在浅层的LeNet-5网络上，取得了99.16%的推理精度，在本文提出的单列深层卷积网络模型上，同样取得了16.2的MAE的高精度。最终，通过将以上优化策略应用在VGG-16网络上，取得了85.74%的Top-5网络精度，验证了其有效性。收起

关键词 : 卷积神经网络扩张卷积硬件部署数据复用可配置设计存内计算权重映射现场可编程逻辑门阵列