改进的KMSE方法及其实现

依据KMSE模型对应的特征空间中的鉴别矢量可表示为部分训练样本的线性组合这一理论前提,可利用回归分析中变量选择的思路对KMSE模型加以改进.在本文中为了提高KMSE的分类效率而发展出的基于最小平方误差准则的算法能大大提升KMSE模型的分类速度.实验结果显示该算法还能取得较优的分类性能.     

基于Hive的分布式K_means算法设计与研究

针对大数据的处理效率问题,论文主要应用Hadoop技术,探讨了分布式技术应用于大数据挖掘的编程模式。论文以k_means算法作为研究对象,采用Hadoop的一个数据仓库工具——HIVE来实现该算法的并行化,并在结构化的UCI数据集上进行了实验,实验结果表明该方法具有优良的加速比和运行效率,适用于结构化海量数据的分析。     

一种基于稀疏表示的脑功能子网络构建方法

针对根据大脑功能磁共振成像数据构建脑功能交互子网络的问题.将小波变换一致性定义为感兴趣区域(region of interest,ROI)之间功能交互模式的测度,通过稀疏表示提取每个ROI的特征,最后运用谱聚类的方法对其进行聚类,聚类结果将大脑划分为八个功能交互子网络.结果表明,这八个子网络分别对应着大脑的视觉、运动感知等主要功能系统,与当前的神经科学知识相一致,为脑功能网络研究提供了一种新的思路.     

基于混合自注意力机制的神经机器翻译

编码器-解码器结构是神经机器翻译最常用的一种框架，许多新型结构都基于此框架进行设计以改善翻译性能。其中，深度自注意力网络是非常出色的一种网络结构，其利用了自注意力机制来捕获全局的语义信息。然而，这种网络却不能有效地区分每个单词的相对位置，例如，依赖单词究竟位于目标单词的左边还是右边，也不能够捕获当前单词的局部语义。为了缓解这类问题，该文提出了一种新型的注意力机制，叫做混合注意力机制。该机制包含了对自注意力网络设计的多种不同的特定掩码来获取不同的语义信息，例如，全局和局部信息，以及左向或者右向信息。最后，该文提出了一个压缩门来融合不同类型的自注意力网络。在三个机器翻译数据集上的实验结果表明，该文方法能够取得比深度自注意力网络更好的结果。