排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
2.
DTW(Dynamic Time Warping)算法被广泛应用于序列数据比对,以度量序列间距离,但算法较高的时间复杂度限制了其在长序列比对上的应用。提出基于自适应搜索窗口的序列相似比对算法(ADTW),算法利用分段聚集平均(Piecewise Aggregate Approximation,PAA)策略进行序列抽样得到低精度序列,然后计算低精度序列下的比对路径,并根据低精度距离矩阵上的梯度变化预测路径偏差,限制路径搜索窗口的拓展范围;随后算法逐步提高序列精度,并在搜索窗口内修正路径、计算新的搜索窗口,最终,实现DTW距离和相似比对路径的快速求解。对比FastDTW,ADTW算法在同等度量准确率下提高计算效率约20%,其时间复杂度为[O(n)]。 相似文献
3.
主动学习解决了因训练样本过大而导致需要大量人力物力的问题,核心问题是如何选择有价值的样本减少标注成本。以神经网络为分类器,大多数方法选择信息量大的样本并没有考虑所选择样本间的信息冗余问题。通过对冗余问题的研究,提出一种降低信息冗余的样本选择优化方法。用不确定性方法选出信息量大的样本构成候选样本集,同时用网络中计算的潜变量向量表示样本信息,利用该向量计算候选样本间的余弦距离选择出间隔距离大、信息冗余度低的子集。在Mnist、Fashion-mnist,以及Cifar-10数据集中与几种不确定性方法相比,在相同样本准确率下,该方法最低减少11%标记样本。 相似文献
4.
5.
针对分布式飞行仿真的时钟同步问题,在Luca Schenato等人的ATS(Average Time Synchronization)算法的基础上,提出了基于归并策略的一致性时钟同步算法。该算法会在获得系统时钟后,通过邻近原则或者极大极小原则对时钟进行排序组合,以此加快算法的收敛速度;同时通过重定义ATS算法的调节因子σij,使时钟收敛具有自适应性,进一步加快时钟收敛速度,使得该算法更佳适用于飞行仿真控制试验的数据同步过程。实验表明该算法相比于原算法在同步精度、收敛速度、稳定性都得到提升。 相似文献
6.
网络节点预测研究目前主要集中在源头节点和隐藏节点预测方面,缺少新生节点预测方向的研究。以论文和关键词关系网为研究对象,利用关键词组合情况预测新论文的产生,开展新生节点预测研究。首先将论文—关键词二分网络加权投影成关键词关系网络,然后利用关键词组合在未来出现的可能性预测新论文的产生。计算这种可能性需考虑两方面影响:一种是相似性,表示关键词共同出现的倾向;一种是互斥性,描述关键词彼此排斥的倾向,如内涵高度一致的两个关键词极少同时出现。采集期刊的论文和关键词信息构建数据集,对提出的论文预测算法进行验证,并与已有算法作对比,结果显示该算法预测效果更好。 相似文献
7.
8.
9.
10.
子序列查询技术在金融、商业、医疗等领域均有重要应用,但因DTW(dynamic time warping)等相似性比对算法的时间复杂度较高,子序列长度对检索时间影响很大,限制了数据集上长子序列检索的效率。针对这一问题提出一种子序列快速查询算法。首先对数据集中特定长度下所有子序列进行分组并标记出代表性子序列;然后在查询时将查询序列切分成定长的小段序列,并用DTW算法确定与小段序列相似的代表子序列候选集;最后对候选集进行序列拼接,获取到查询结果序列。实验表明新算法效率较典型算法提高约10倍。 相似文献