排序方式: 共有39条查询结果,搜索用时 375 毫秒
31.
面向对象数据库的查询转换成关系数据库的查询 总被引:2,自引:0,他引:2
文章基于从面向对象数据库(OODB)到关系数据库(RDB)的模式转换,提出了一种从面向对象数据库查询到关系数据库查询的转换算法。该算法主要针对关系数据库中不支持的,而面向对象数据库查询中特有的面向对象特征,诸如,类分层结构、类复合分层结构和集合属性,以及考虑由传统的关系运算来实现它们的语义的一般方法。这项研究的结果可以用于将关系数据库管理系统(RDBMS)升级为面向对象数据库管理系统(OODBMS),也可以用于面向对象数据库和关系数据库之间的互操作。 相似文献
32.
并行性分析技术一般通过对程序的控制与数据流图或相关依赖图的分析来实现,因而需要从程序中抽取出相应依赖图的算法的支持.本文基于上下文相关图文法RGG形式框架,定义了一种任务级的并行编程图语言GPPL来直接描述顺序或并行程序的控制与数据流图,而且设计了相应的并行性分析算法以挖掘GPPL图程序的并行性特征.GPPL图语言可视为并行程序设计与程序代码生成之间的协同语言,从而使并行性挖掘避免了从程序中抽取出相应依赖图的过程.与已有的描述顺序或并行程序的图语言及其分析算法相比,GPPL图程序形式更为简洁和直观,易于设计,描述能力也更强;基于GPPL图的并行性分析算法的分析能力更强,而且具有可扩展性. 相似文献
33.
基本方向约束的一致性判定是定性空间推理中的基本问题之一。本文采用将基本方向约束集转化成有向图的方法,给出了一致性判定的相关结论,并据此在Skiadopoulos算法基础上提出了一种改进算法。新算法不但能判定出所有导致不一致的约束子集,而且还提高了执行效率。 相似文献
34.
35.
主要讨论Adaline对权扰动敏感性的计算.鉴于Adaline的输入和输出的不连续性,敏感性定义为Adaline对于所有可能输入在权值发生扰动的情况下输出发生变化的概率.借助超球面模型和解析几何的技术,给出一个近似计算Adaline敏感性的方法.在输入维数足够大的情况下,该方法优于以往的其它方法.它在牺牲少量计算精度的情况下,极大地降低了计算复杂度,使得敏感性更具实用价值. 相似文献
36.
强化学习是解决自适应问题的重要方法,被广泛地应用于连续状态下的学习控制,然而存在效率不高和收敛速度较慢的问题.在运用反向传播(back propagation,BP)神经网络基础上,结合资格迹方法提出一种算法,实现了强化学习过程的多步更新.解决了输出层的局部梯度向隐层节点的反向传播问题,从而实现了神经网络隐层权值的快速更新,并提供一个算法描述.提出了一种改进的残差法,在神经网络的训练过程中将各层权值进行线性优化加权,既获得了梯度下降法的学习速度又获得了残差梯度法的收敛性能,将其应用于神经网络隐层的权值更新,改善了值函数的收敛性能.通过一个倒立摆平衡系统仿真实验,对算法进行了验证和分析.结果显示,经过较短时间的学习,本方法能成功地控制倒立摆,显著提高了学习效率. 相似文献
37.
传统的2D卷积神经网络在进行视频识别时容易丢失目标在时间维度上的相关特征信息,导致识别准确率降低。针对该问题,本文采用3D卷积网络作为基本的网络框架,使用3D卷积核进行卷积操作提取视频中的时空特征,同时集成多个3D卷积神经网络模型对动态手势进行识别。为了提高模型的收敛速度和训练的稳定性,运用批量归一化(BN)技术优化网络,使优化后的网络训练时间缩短。实验结果表明,本文方法对于动态手势的识别具有较好的识别结果,在Sheffield Kinect Gesture (SKIG)数据集上识别准确率达到98.06%。与单独使用RGB信息、深度信息以及传统2D CNN相比,手势识别率均有所提高,验证了本文方法的可行性和有效性。 相似文献
38.
基于路径引导知识启发的强化学习方法 总被引:1,自引:0,他引:1
为了提高强化学习算法的运行效率和收敛速度,提出了一种基于路径引导知识启发的强化学习方法PHQL。采用PHQL方法,不需要提前植入先导知识,agent在每一轮学习过程中更新Q表的同时,各个状态的路径知识也自主地建立起来并逐步修正和优化。算法利用已经获得的路径知识来指导和加速agent以后的强化学习过程,以减少agent学习过程的盲目性。分析了PHQL算法的探索、利用和启发3种行为的执行概率以及行为选取方法,提出一种行为选择概率随时间渐变的算法。以一个路径搜索问题为实例,对PHQL方法进行了验证、分析并与几种相关的强化学习算法进行了性能对比。实验结果表明,作者提出的方法对学习过程具有明显的加速作用,收敛性能有了较大的提高。 相似文献
39.
针对现有图像修复算法存在受损区域的形状和大小受限以及修复痕迹明显、修复边缘不连续的问题,文中提出一种基于生成对抗网络的图像修复方法。该方法采用生成对抗网络(Generative Adversarial Networks,GAN)这种新的生成模型作为基本架构,结合Wasserstein距离,同时融入条件对抗网络(CGAN)的思想;以破损图像作为附加条件信息,采用对抗损失与内容损失相结合的方式来训练网络模型,以修复破损区域。此方法能够修复大多数破损情况下的图像。在CelebA和LFW两个数据集上的实验结果表明,所提方法能够取得很好的修复效果。 相似文献