您的位置： 专家智库 > >

何志芬

作品数：8 被引量：24H指数：2
供职机构：南京师范大学更多>>
发文基金：江苏省自然科学基金国家自然科学基金更多>>
相关领域：自动化与计算机技术语言文字更多>>

合作作者

文献类型

  • 3篇期刊文章
  • 3篇专利
  • 1篇学位论文
  • 1篇会议论文

领域

  • 5篇自动化与计算...
  • 1篇语言文字

主题

  • 4篇多标记
  • 3篇正则
  • 3篇正则化
  • 2篇多标记学习
  • 2篇学习算法
  • 2篇维数
  • 2篇稳定性
  • 2篇高维
  • 2篇高维数据
  • 2篇SVM
  • 1篇地图
  • 1篇地图可视化
  • 1篇信息构建
  • 1篇应急
  • 1篇应急指挥
  • 1篇再生核希尔伯...
  • 1篇支持向量
  • 1篇支持向量机
  • 1篇支持向量机模...
  • 1篇指挥决策

机构

  • 8篇南京师范大学

作者

  • 8篇何志芬
  • 6篇杨明
  • 2篇鲍捷
  • 2篇吕静
  • 1篇蔡维玲
  • 1篇涂金金
  • 1篇郭丽娜
  • 1篇吕静
  • 1篇刘会东

传媒

  • 1篇南京大学学报...
  • 1篇软件学报
  • 1篇吉林大学学报...
  • 1篇第四届中国A...

年份

  • 2篇2017
  • 2篇2015
  • 1篇2014
  • 3篇2012
共 8 条 记 录，以下是 1-8
全选 清除 导出
排序方式：
一种基于标记协方差和多标记分类的联合学习方法
本发明公开了一种基于标记协方差和多标记分类的联合学习方法，主要考虑同时学习多标记分类模型、自动划分样本的相关标记和不相关标记的阈值函数以及标记相关性问题，包含如下步骤：标记相关性矩阵初始化；运用标记协方差和多标记分类的联...
杨明吕静何志芬杨琬琪蔡维玲宋凤义
文献传递
基于SVM评价准则的高维数据混合特征选择算法
近年来，特征选择的稳定性越来越受到关注，而集成方法是提高特征选择稳定性的常用方法之一。本文在之前工作的基础上，运用功能扰动的集成方法，对四种不同特征选择器的结果进行集成，以得到分类精度高且稳定性良好的特征子集。最后，在基...
鲍捷杨明何志芬
关键词：高维数据稳定性
文献传递
突发公共卫生应急指挥决策系统
本发明公开了一种突发公共卫生应急指挥决策系统，包含事件上报模块、地图可视化模块、警情查看模块、周围环境查看模块、资源调度模块、队伍组建模块、决策文书生成模块和后台管理模块。本发明的系统能在地图上以不同颜色的闪烁点显示不同...
杨明郭丽娜涂金金何志芬
文献传递
结合标记相关性的多标记分类算法研究
在传统的监督学习中，每个对象只隶属于一个标记。然而，在现实世界中，一个对象可能同时与多个标记相关。例如，一幅图像可能同时具有“海洋”、“水”等标记，一篇文档可能同时标记为“H7N9”、“禽流感”、“发热”和“咳嗽”等。机...
何志芬
多标记分类和标记相关性的联合学习被引量：21
2014年
提出了多标记分类和标记相关性的联合学习(JMLLC),在JMLLC中,构建了基于类别标记变量的有向条件依赖网络,这样不仅使得标记分类器之间可以联合学习,从而增强各个标记分类器的学习效果,而且标记分类器和标记相关性可以联合学习,从而使得学习得到的标记相关性更为准确.通过采用两种不同的损失函数:logistic回归和最小二乘,分别提出了JMLLC-LR(JMLLC with logistic regression)和JMLLC-LS(JMLLC with least squares),并都拓展到再生核希尔伯特空间中.最后采用交替求解的方法求解JMLLC-LR和JMLLC-LS.在20个基准数据集上基于5种不同的评价准则的实验结果表明,JMLLC优于已提出的多标记学习算法.
何志芬杨明刘会东
关键词：多标记学习再生核希尔伯特空间
特征选择和标记相关性联合学习的多标记数据分类方法
本发明公开了一种基于特征选择和标记相关性联合学习的多标记数据分类方法，主要针对标记缺失情况下的多标记数据分类问题，包含如下步骤：标记相关性矩阵初始化；运用特征选择和标记相关性联合学习算法(JLFLLC)学习得到标记相关性...
杨明吕静何志芬
文献传递
基于SVM评价准则的高维数据混合特征选择算法被引量：1
2012年
基于高维数据的特征选择性,运用功能扰动集成方法,对4种不同特征选择器的结果进行集成,得到了分类精度高且稳定性较好的特征子集.在基因数据集上与原有算法进行性能对比实验,结果表明,多特征选择混合算法可使特征选择的结果间具有互补性,从而有效提高特征选择的稳定性和分类精度.
鲍捷杨明何志芬
关键词：高维数据稳定性
一种基于正则化最小二乘的多标记分类算法被引量：3
2015年
在传统的监督学习中,每个对象由单个实例表示且只属于一个类别标记.然而,在多标记学习中,每个对象由一个实例表示但可能同时属于多个类别标记,其任务是预测未知样本的类别标记集合.本文提出了基于正则化最小二乘的多标记分类算法,即将传统的正则化最小二乘分类推广到多标记学习中.首先,将多标记学习问题转化为多个独立的二分类问题(每个对应一个类别标记);其次,为了充分利用类别标记之间的相关信息,构建了基于类别标记的邻接图,其中每个节点代表一个类别标记,每条边的权重反映了相应类别标记对之间的相似性.最后,构建了建立在核函数基础上的多标记正则化最小二乘模型,并可以转化为求解一个Sylvester方程.在8个基准数据集上用5种不同的评价准则进行度量的实验结果表明了本文算法优于其他6种常用的多标记分类算法.
吕静何志芬
关键词：多标记学习核函数SYLVESTER方程
全选 清除 导出
共1页<1>
聚类工具0