我要投稿 查看投稿进度
学术期刊
在线客服
客服电话：400-188-5008
客服邮箱：service@ccnpub.com
投诉举报：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享

请选择 目标期刊

基于本体相似度与排序学习的构件检索方法研究 下载：88 浏览：368

陈华烨 汪海涛 姜瑛 陈星 《数据与科学》 2020年12期

摘要:
本文将排序学习的方法应用于构件检索的研究中。首先,采用领域本体对构件进行全面的描述,得到构件的特征描述本体集。然后,将构件特征描述本体集进行本体相似度计算得到构件与查询条件间的相对关系,并通过此相对关系对构件进行排序生成构件训练数据。最后,对构件训练数据和构件特征描述本体使用排序学习中的Plackett-Luce概率排序模型训练一种构件排序模型。测试时,当用户输入查询条件时,先对用户的查询进行语义修正,再根据构件排序模型进行检索,从而实现一种高效准确的构件检索方法。

基于高斯新分布的软件可靠性增长模型研究 下载：67 浏览：454

惠子青 刘晓燕 《数据与科学》 2019年9期

摘要:
高斯新分布是在正态分布的基础上扩展延伸而来,它的主要作用在于针对客观存在的不对称高斯分布进行充分拟合,精确表达出以期望值描述随机变量的频数分布在单峰条件下的误差和概率分布。基于高斯新分布的的软件可靠性增长模型的提出有助于人们在软件过程中所产生的错误误差进行分析,减少了在软件过程中人为主观因素是造成的不确定性。本文最后通过两个实验数据集,说明了基于高斯新分布的SRGM能更好地拟合和预测数据。

基于贝叶斯新型深度学习超参数优化的研究 下载：61 浏览：250

朱汇龙1，2 刘晓燕1 刘瑶2 《数据与科学》 2019年4期

摘要:
一种新的贝叶斯优化的Python框架被称为GPflow Opt。这个包是基于流行的GPflow库,主要用于高斯过程,利用了Tensor Flow的优点包括自动微分,贝叶斯优化的并行处理和GPU计算。设计目标是关注于一个易于扩展的框架,使用自定义采集功能和模型。这个框架经过了完全的测试和文档化,并且提供了可伸缩性。本文是对贝叶斯优化算法进行改进,有效解决传统贝叶斯优化算法耗时长,性能波动大的缺陷。首先,通过拉丁超立方实验设计方法,生成贝叶斯优化中建立函数模型所需的初始点,提高有效评估点的生成率;其次,通过使用改进的高斯核函数和获取函数提高贝叶斯优化的效果。最后,在计算目标函数时合理选用部分数据,并在计算过程中使用并行计算的方法,加速整个优化过程。建立上述改进贝叶斯优化算法的实例,仿真结果表明该方法优化效率高,优化结果明显改善。
[1/1]
|<
<
1
>
>|
在线客服：：点击联系客服
联系电话：：400-188-5008
客服邮箱：：service@ccnpub.com
投诉举报：：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享