安徽大学计算机学院导师 赵姝
神经网络的构造性学习方法——覆盖算法
• 首先，虽然网络具备解决复杂问题的能力，但 是缺乏行之有效的学习算法。神经网络能否取 得理想的性能，关键在于网络的各连接权及其 他参数是否得到合理的配置，但是这类神经网 络中连接权的数目是巨大的，即参数空间的维 数很高，要搜索到合适的参数配置十分困难， 而且全连接的网络结构使得网络各部分联系紧 密，任何部分的微小改动都会对网络其他部分 造成影响，这使得网络很难到达理想的状态， 一个典型的例子是BP算法中的局部极小点的 问题。
• 传统的神经网络，如BP网络，是非构造性的， 网络结构经常被认为是“黑盒子”。给网络 一个输入，该网络可以有一个相应的输出， 但是为什么会有这个结果，网络中各神经元 和连接权在工作中起的作用是什么，这些问 题很难回答。原因是在这些神经网络中，相 邻层之间是全连接的，即每个神经元都接收 前一层中全部神经元的输出，因此网络各部 分间是紧密联系的，任何部分的微小改动都 会对网络其他部分造成影响。
学习的顺序在覆盖算法中直接 影响覆盖领域的大小和个数
正确选择样本的学习顺序，对学习效果的影响是很大的。由 于样本的分布是随机的，事先无法知道整个样本集的空间分 布，也无法事先确定合适的学习顺序，本文提出不同粒度选 择合适的初始点的重复覆盖算法和按重心选择初始点、及针 对时间序列的顺序学习方法。
隐含层神经元数的降低
• 神经网络中隐含层中的神经元数的多少也是评 价系统性能的重要指标之一。一般说来，隐元 数少，则机器学习的归纳能力强，也即泛化能 力强，隐元数多，机器学习将所有的例外均考 虑于其中，识别的准确性高，但泛化能力必降 低，但是，最佳隐元数的确定如同在上述提高 的最佳覆盖领域的确定一样，均为NPC问题， 故本文只能运用一些求优的方法，使隐元数较 为合理
球形领域覆盖
• 对所有k类的样本点按类分别执行上述 操作，最终我们将得到一个覆盖集 合．根据这些覆盖我们可以构造一个神 经网络，每个覆盖相当于一个神经元， 并成为网络的隐节点。这样构造出来的 神经网络虽然不是最优的、隐节点数目 最少的或泛化能力最好的网络，但已可 将训练样样本全部无误的分开，且直观 性强，计算速度快。
基于粒度计算的覆盖算法
基于粒度计算的覆盖算法
赵姝;张燕;平张铃
【期刊名称】《计算机科学》
【年(卷),期】2008(35)3
【摘要】为了更好地解决高维海量数据的分类问题,本文提出一种基于粒度计算的覆盖算法.该算法以粒度计算为理论依据,指出在分析研究某一问题时,可以适当将其属性、论域或者结构粗化,求得某个商空间,在该商空间中抓住事物的本质对其研究,对某些在同一个粗粒度世界无法识别或者彼此特征区别很弱的对象可以换一个粒度世界对其分析,从而全面了解整个问题;以构造性学习算法--覆盖算法为具体实现工具,得到多个商空间中的结果,最终由商空间理论中的函数合成法获得完整结果.实验证明这种基于粒度计算的覆盖算法在解决分类问题时是行之有效的.
【总页数】3页(P225-227)
【作者】赵姝;张燕;平张铃
【作者单位】安徽大学计算智能与信号处理教育部重点实验室,合肥,230039;安徽大学计算智能与信号处理教育部重点实验室,合肥,230039;安徽大学计算智能与信号处理教育部重点实验室,合肥,230039
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于粒度计算的覆盖算法在文本挖掘中的应用研究 [J], 周瑛;牛浏
2.基于模糊粒度计算的K-means文本聚类算法研究 [J], 张霞;王素贞;尹怡欣;赵海龙
3.基于粒度计算和覆盖算法的信号样式识别 [J], 张旻;程加兴
4.基于粒度计算的启发式搜索算法研究 [J], 林捷
5.基于粒度计算的分类属性数据离群点检测算法 [J], 刘晓平
因版权原因，仅展示原文概要，查看原文内容请购买。
安徽大学2014年大学生创新创业训练计划项目一览表
编号
院系
项目名称
项目类 型
项目负责人 姓名 学号 X11214055 项目其他成员信息 陈永亮（ X11214010) 方健健 （X11214017) 温杰 （X11214026) 李诚 （X11214052) 胡玮（X11214049) 王倓倓（X11314004） 康为露（X11314052） 宫志晨(E01114195) 焦振兴(E21314060) 李生武(E21314001) 石立(E01114298) 陈火彬（E41214005） 陶勇雷（E11314020）
1.0
201410357012 化学化工学院
碳包覆金属氧化物的绿色合成及电化学性能研究
201410357013 化学化工学院 201410357014 化学化工学院
噻吩基有机/无机复合材料的设计合成及光物理性质 协同给电子基三吡啶配合物的设计合成及光学性质
付贤玲（C31214031） 创新训 李治漾（C41214080） 刘小涵 C41214002 谢安建 教授 练项目 丁康林（C41214023） 刘翼（C3214056） 创新训 潘岩 （C61214012) 汪明明 C61214008 田玉鹏 教授 练项目 余晗 （C61214013) 创新训 张美荣(C41214081) 汪芳 C41214075 吴杰颖 教授 练项目 李浩 (C31214081)
201410357004 物理材料与科学学院
201410357005 物理材料与科学学院 201410357006 物理材料与科学学院 201410357007 物理材料与科学学院 201410357008 化学化工学院
201410357009 化学化工学院
201410357010 化学化工学院
创新训 李海昇 A01114040 练项目 创新训 陈庆 (A01214084) Vandermonde矩阵类的算子表示 张国庆 A01214097 练项目 胡振文(A01214101) 创新训 陈丹 (A31114021) 基于云模型及模糊聚类的K-means算法改进 曹干 A01114153 练项目 冯玉梅(A31114056) 王金侠（B61114007） 创新训 汪博 （B61214061） 基于磁耦合谐振无线充电技术研究 贺飘飘 B61114056 练项目 朱立群（B61114069） 李闯（B61114013） 创新训 彭张皖（B51214073） BixLn1-xVO4:Eu(Sm),CNTS(Ln=Y,Gd)光学性质的研究 聂笑笑 B51214074 练项目 冯家平（B51214100） 创新训 蔡冉冉（B51314047） CdS量子点修饰对NiS对电极光电转换效率的增强效应研究 陈鹏 B51214016 练项目 祝翔 （B51314034） 创新训 HfTiO/GaAs叠层栅构筑及界面结构研究 李静 B51114050 孟贵平（B51214070) 练项目 创新训 王荣荣（C41214069） 功能化金纳米团簇的可控模板组装 王文君 C41214057 练项目 杨波 （C01214027） 高利红（C41214048） 创新训 段红涛（C41214066） 双组份聚氨酯胶黏剂的制备及在铝门窗密封上的应用 沈剑箫 C41214070 练项目 王霄宇(C41214038) 韩松 （C41214061） 直接炭化偶氮类染料制备氮掺杂多孔炭及其超电容性能研 创新训 董成 （C41214024） 夏永康 C41214030 究 练项目 丁兴雨（C41214032） 磁性Fe3O4@NiWO4微/纳材料的合成及其吸附性能研究 创新训 刘亚 练项目
基于对抗自编码器的矢量草图生成方法
第32卷第12期计算机辅助设计与图形学学报Vol.32No.12 2020年12月Journal of Computer-Aided Design & Computer Graphics Dec. 2020基于对抗自编码器的矢量草图生成方法赵鹏1,2), 高杰超1,2), 周彪1,2), 刘慧婷1,2)1) (安徽大学计算智能与信号处理教育部重点实验室合肥 230601)2) (安徽大学计算机科学与技术学院合肥 230601)(*******************)摘要: 针对现有矢量草图生成方法存在的生成结果潦草, 以及编码草图信息单一等问题, 提出一种基于对抗自编码器的矢量草图生成方法. 借助对抗自编码器自身所具有的对抗的机制, 将像素化表示的草图所具有的空间信息融合到矢量草图的生成过程中, 使得生成的草图具有更好的类别形状信息. 既利用了矢量草图所包含的笔画间的时序信息, 又利用了像素草图所包含的绘画物体的形状信息. 在QuickDraw数据集上进行了草图生成实验, 并使用Ske-score评价指标进行量化度量, 实验结果表明所提方法能够缓解生成结果出现的潦草效应, 并且生成的草图具有更好的视觉美观性和更高程度的类别可辨识性.关键词: 草图生成; 矢量草图; 对抗自编码器; 生成式对抗网络; 信息融合中图法分类号: TP391.41 DOI: 10.3724/SP.J.1089.2020.18252A Novel Vector Sketch Generation Method Based on Adversarial AutoencoderZhao Peng1,2), Gao Jiechao1,2), Zhou Biao1,2), and Liu Huiting1,2)1) (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, Anhui University,Hefei 230601)2) (School of Computer Science and Technology, Anhui University, Hefei 230601)Abstract: Aiming at the problems of existing vector sketch generation methods, such as generated sketch scribble and single coding sketch information, this paper proposed a novel vector sketch generation method based on ad-versarial autoencoder (called Sketch-AAE). Sketch-AAE takes advantage of the adversarial mechanism to merge the spatial information of a raster sketch into the vector sketch generation, which makes the generated sketch having better category shape information. The proposed method utilizes not only the temporal information among the strokes in vector sketch, but also the spatial information of the object in raster sketch. The extensive sketch generation experiments were conducted on the QuickDraw dataset, and the Ske-score was used as the quantita-tive measurement. The experimental results show that the proposed method can alleviate the scribble effect of the generated sketches and achieves better visual impression and higher category discrimination.Key words: sketch generation; vector sketch; adversarial autoencoder; generative adversarial networks;information fusion收稿日期: 2020-02-27; 修回日期: 2020-05-28. 基金项目: 国家自然科学基金(61602004); 安徽省高校自然科学研究重点项目(KJ2018A0013, KJ2017A011); 安徽省自然科学基金(1908085MF188, 1908085MF182); 安徽省重点研究与开发计划(1804d08020309). 赵鹏(1976—), 女, 博士, 副教授, 硕士生导师, CCF会员, 主要研究方向为机器学习、图像理解; 高杰超(1995—), 男, 硕士研究生, 主要研究方向为机器学习、草图生成; 周彪(1996—), 男, 硕士研究生, 主要研究方向为机器学习; 刘慧婷(1978—), 女, 博士, 副教授, 硕士生导师, CCF会员, 主要研究方向为机器学习.1958 计算机辅助设计与图形学学报第32卷手绘草图因其简洁性和丰富的表达能力, 一直以来都是人类社会一种简单快捷的沟通方式. 然而对机器来说, 绘制草图和理解手绘草图中蕴含的丰富语义信息, 却是一个很大的挑战. 教会机器以人类的绘画方式绘画出一幅草图, 一方面有助于机器对草图的理解, 更好地进行人机交互; 另一方面, 可以利用机器生成草图有效地扩充现有的草图数据集. 不同于自然图像样本, 草图样本必须依靠人类的手绘来获取, 所以获取规整的、有标注的草图数据集需要更高的成本, 因而草图生成具有重要的研究价值. 基于草图的相关研究已经成为计算机视觉与计算机图形学中非常活跃的研究领域, 涉及范围非常广泛, 包括草图识别[1-3], 草图分割[4-7], 基于草图的图像检索[8-11]和基于草图的建模[12]等.由于草图笔画的稀疏性, 即只有少数被草图笔画覆盖到的位置有像素值, 其余大部分位置的像素值均为空, 因此基于像素的表示方法会造成草图特征表示的稀疏性, 而这种稀疏的表示不利于使用卷积神经网络(convolutional neural net-works, CNN)来建模, 因而草图生成的研究具有很大的挑战性. Ha等[13]首次选择从矢量表示的角度来对草图进行建模. Chen等[14]在此基础上进一步将模型扩展到生成多类的草图.现有的矢量草图的生成方法大多基于变分自编码器(variational autoencoder, VAE)[15]的框架. 基于VAE生成的光栅自然图像通常比较模糊. 这一模糊现象在矢量草图上被称为“潦草效应”[16], 具体表现为笔画状态倾向于一直停留在纸上, 而不是离开纸面在另一个位置开始下一笔画. 近年来, 生成式对抗网络(generative adversarial networks, GAN)[17]已经广泛地应用于计算机视觉领域的很多任务中. GAN中判别器网络(discriminator, D)学习区分一个给定的样本是真实的样本还是生成的样本, 而生成器网络(generator, G)通过学习生成高质量的样本来迷惑判别器. 两者在训练过程中相互对抗, 不断优化直至达到平衡. 对抗自编码器(adversarial autoencoder, AAE)[18]就是将这种对抗的思想引入自编码器(autoencoder, AE), 用对抗训练替代VAE中的变分推断, 并通过实验证明AAE 比VAE具有更规整的隐空间分布, 能更好地捕捉数据分布. 对抗机制的引入, 有助于缓解VAE在草图生成上所出现的潦草效应, 同时利用对抗机制可将任意先验分布匹配至AE的隐空间.草图通常有基于矢量和基于像素2种表示形式, 它们蕴含的主要信息是不同的. 其中, 矢量表示主要包含的是草图的笔画间的时序信息, 而像素表示主要包含的是草图的空间形状信息. sketch-RNN使用了一个双向循环神经网络(bi-directional recurrent neural networks, BRNN)[19]来编码矢量表示的草图. 循环神经网络(recurrent neural networks, RNN)善于处理这种序列化的数据, 能够利用到笔画的上下文以及时序的动态信息, 所以编码到隐空间的主要为笔画相关的特征. sketch-pix2seq[14]使用CNN来编码像素表示的草图, CNN适合处理网格化的数据, 能够捕捉到图片中物体的空间局部结构, 所以编码到隐空间的主要为形状相关的特征. 然而上述2种方法都只编码了草图的一种单一的表示形式, 而本文方法同时融合了2种草图表示形式所具有的笔画时序信息和视觉形状信息.近年来, 矢量草图生成取得了一些研究成果, 但仍存在生成草图笔画潦草、类别辨识度不高等问题. 为了解决现有方法的缺陷, 生成更为贴近人类手绘风格的草图, 本文提出一种基于AAE的矢量草图生成方法(sketch-AAE). 矢量表示的草图具有的笔画时序信息和像素表示的草图具有的空间形状信息都有利于草图的生成, 所以本文利用生成对抗机制, 将像素表示形式所包含的空间形状信息融合进矢量草图的生成过程. 本文针对VAE在矢量草图生成上出现的潦草效应, 选择使用AAE 的框架代替VAE. AAE比VAE具有更规整的隐空间分布, 且对抗机制的引入也有助于缓解生成结果所出现的潦草效应. 此外, 本文选择从矢量表示的角度生成草图, 同时利用AAE的框架, 在模型中引入像素表示草图所具有的视觉语义信息, 融合草图不同表示形式所具有的笔画时序信息和空间形状等视觉信息, 使生成的草图不失创造性的同时又具有一定的可识别性.1 相关工作1.1矢量草图生成Ha[20]首先在矢量图片生成上进行了尝试, 使用了一个双层的长短期记忆网络(long short-term memory, LSTM)生成表示为矢量形式的汉字字符. 接着, 又提出了基于VAE框架的矢量草图生成模型sketch-RNN[13], 该模型使用了谷歌公司的大型草图数据集QuickDraw. 该数据集中的草图均表示为矢量的形式, 本文也选择了该数据集作为训练第12期赵鹏, 等: 基于对抗自编码器的矢量草图生成方法 1959数据集. 当在单个类上进行训练时, sketch-RNN 可以生成视觉上美观的草图, 但当使用多个类混合的训练集训练单个模型时, sketch-RNN 的生成结果会很差. 因此, 为了解决这个问题, Chen 等[14]将sketch-RNN 中的编码器替换为CNN, 并且移除了KL 散度损失, 提出sketch-pix2seq 模型. 因为使用了CNN, 所以sketch-pix2seq 的输入为QuickDraw 数据集中矢量草图的光栅化格式(即像素表示形式). Zhong [21]将sketch-RNN 模型扩展成了一个端到端的模型, 该模型输入的是SVG (scalable vector graphics)格式的字体, 使用Google Fonts Dataset 作为训练集来训练模型, 生成各种新奇的字体. 以上介绍的模型均是基于VAE 框架. 然而, 基于VAE 的方法往往生成的草图具有潦草效应. 图1是sketch-RNN 生成结果出现的潦草效应的示例. Varshaneya 等[16]使用了GAN 框架来生成矢量化草图, 采用策略梯度算法来建模离散的笔画状态, 但模型复杂度较高, 训练难度较大.a. mosquitob. yoga pose图1 sketch-RNN 生成结果出现的潦草效应示例1.2 对抗自编码器AAE 是Makhzani 等[18]提出的一种概率AE. 它使用了GAN 框架, 将AE 的隐变量的后验分布匹配至任意一个先验分布, 以此来实现变分推断. 与VAE 不同的是, AAE 是通过对抗机制, 使用一个可学习的判别器网络来对隐空间施加先验分布,而VAE 使用KL 距离惩罚来达到这一目的. AAE 模型的框架结构如图2所示.假设x 为输入, z 是AE 的隐变量, 该AE 包括编码器和解码器2个部分. ()p z 是准备施加的先验分布, ()q |z x 是编码分布, (|)p x z 是解码分布. 并且假设d ()p x 是数据分布, ()p x 是模型分布. AE 的编码函数在隐空间上定义了一个后验分布()q z , 即d ()()()d q q |p =⎰xz z x x x(1)图2 AAE 模型的框架结构图对抗网络被附加在AE 的隐编码上, 通过将后验分布()q z 匹配到任意给定的先验分布()p z 来实现正则化. 对抗网络训练()q z 去匹配()p z , 同时AE 最小化重构误差. 对抗网络的生成器为AE 的编码器, 训练该编码器, 力图使编码器获得的后验分布()q z 可以骗过判别器, 让它认为隐变量(())~q z z z 来自先验分布()p z .AAE 分2个阶段利用随机梯度下降算法(stochastic gradient descent, SGD)联合训练, 即每个mini-batch 的训练都包括2个阶段: 执行重构阶段和正则化阶段. 在重构阶段, AE 以最小化输入的重构误差为目标来训练更新编码器和解码器.在正则化阶段, 对抗网络首先更新判别器网络, 以区分生成样本(由AE 的编码器计算出隐变量)和真实样本(从先验分布中采样的变量); 然后对抗网络更新其生成器(即AE 编码器), 来骗过判别器. 一旦完成训练之后, AE 的解码器即定义了一个将施加的先验分布映射到数据分布的生成模型.2 本文方法2.1 数据集本文模型训练和测试采样均使用QuickDraw 数据集[13], 其中的矢量草图样本是从Quick, Draw!项目中获得的. 该项目是一个在线游戏, 它要求玩家在20 s 内画出一个属于特定类的物体. Quick-Draw 数据集中的草图包含了345个类别, 每个类的训练集、验证集和测试集包含草图样本数量分别为70 000, 2 500和2 500. 数据集中样本示例如图3所示, 图3a 和图3b 分别为同一草图的矢量表示和像素表示.1960计算机辅助设计与图形学学报 第32卷a. 矢量表示b. 像素表示图3 QuickDraw 样本示例矢量表示方法将草图表示为一系列有序的笔触动作. 在这种表示方法下, 一幅草图即是一组点序列, 其中每一个点都用一个包含5个元素的向量表示为123(,,,,)x y p p p ∆∆. 前2个元素分别表示当前点距离前一个点的x 和y 方向上的距离, 后面3个元素是一个one-hot 向量, 表示3种笔画状态. 当1p =1时, 表示画笔在当前坐标点触碰纸面, 并且当前点会和下一点相连; 当2p =1时, 表示画笔在当前坐标点离开纸面, 故当前点不会和下一点相连; 当3p =1时, 表示绘画结束, 包括当前坐标点以及之后的所有点都不会被提交为草图的有效笔画.2.2 sketch-AAE本文提出的sketch-AAE 模型总体上采用了AAE 的框架, 模型主要分为自编码器和对抗网络2个模块, 总体框架如图4所示. 自编码器模块包括AE-RNN 和AE-CNN. 其中, AE-RNN 为序列到序列的AE 模块. 与sketch-RNN 不同的是, sketch-AAE 中的AE 模块舍弃了sketch-RNN 损失函数中的KL 距离损失项, 使用对抗网络约束AE 的隐空间来实现正则化. 由于sketch-RNN 使用的VAE 框架在矢量草图的生成上容易出现潦草效应, 本文模型通过引入对抗机制改善这一状况. 而AE-CNN 为预训练完成的sketch-pix2seq [14]模型, 与AE-RNN 不同的是, 该模型使用CNN 来编码像素表示的草图. 通过使用预训练完成的AE-CNN 的编码器, sketch-AAE 在训练过程中能够引入像素表示的草图所具有的空间形状信息. 通常人们在评价一幅草图的好坏时, 更多地关注该幅草图的视觉空间结构是否符合特定物体的要求, 而像素表示的草图所包含的正是这一类视觉信息, 利用CNN 将这类信息提取出来, 再将其引入到矢量草图的生成过程中, 将进一步改善模型所生成草图的质量(即视觉评价上的“好坏”).图4 sketch-AAE 模型的框架结构图受GAN 的对抗思想启发, 本文提出sketch-AAE 模型, 利用一个可学习的判别器网络来向AE-RNN 的隐空间施加约束. 不同于大多数采用对抗思想的生成模型, sketch-AAE 的判别器网络并不是用来直接评价最终生成结果的好坏, 而是通过它来约束AE-RNN 的隐空间, 对抗机制在这里是一种正则化手段. 对抗网络模块由AE-RNN 的编码器和判别器组成. 判别器的正样本(即需要判别为真的样本)为预训练完成的AE-CNN 的隐空间采样得来的隐变量; 判别器的负样本(即需要判别为假的样本)为AE-RNN 的隐空间采样得来的隐向量. 随着对抗训练的进行, 判别器网络将会指导AE-RNN 的隐空间逐步向AE-CNN 的隐空间靠近. 换言之, 逐步向AE-RNN 的隐空间施加约束.2.3 自编码器模块AE-RNN 框架如图5所示, 它由编码器和解码器组成, 目的是根据给定的输入重构出一幅矢量草图. 为了能够充分地捕捉到矢量草图笔画间的关系, 并将其编码到隐空间, 从而更准确地重构出矢量草图, AE-RNN 的编码器采用了BRNN 框架.第12期赵鹏, 等: 基于对抗自编码器的矢量草图生成方法 1961BRNN 框架的基本单元是LSTM, 输入为一幅矢量化的草图S , 输出为大小z N 的隐向量. 因为使用了双向的RNN, 所以还需要输入S 的反序列reverse S , 经过一系列LSTM 的操作, 分别得到2个最终的隐状态: →h 和←h . 然后连接→h 和←h , 获得一个串联的隐状态h ([;]→←=h h h ). 将h 输入到一个全连接层, 映射成2个大小为z N 的向量μ和ˆσ. 为了确保获得的标准差参数非负, 本文利用指数运算将ˆσ转化为σ. 之后采用VAE 中的重参数化技巧, 使用μ,σ以及从标准高斯分布中采样得到的大小为z N 的向量(0,)N I , 构造一个随机向量z N ∈ z , 即(0,)=+z N I μσ (2)因为使用了式(2)中的构造方法, 所以隐向量z 不再是一个确定的输出向量, 而是一个以输入草图为条件的随机向量.AE-RNN 的解码器是一个自回归的RNN. 它的作用是根据式(2)中得到隐变量z 以及每个时间步的输入, 来逐步地重构出完整的矢量草图. 解码器在时间步i 的输入为一个由点向量1i -S 和隐变量z 连接而成的向量1i -x , 其中1(1)i i ->S 为输入矢量草图的第i 个点, 0= (0, 0, 1, 0, 0)S . 时间步i 的输出i y 为重构矢量草图第i 个数据点i S 的概率分布参数.图5中的基本单元是经典的LSTM. 假设时间步t 的输入为t x , 则LSTM 中当前时间步的输入门t i , 遗忘门t f , 输出门t o , 单元状态t c 和隐藏状态t h 的计算分别为i i 1i f f 1f o o 1o 1c c 1c sigmoid(),sigmoid(),sigmoid(),tanh(),tanh().t t t t t t t t t t t t t t t ttt-----=++=++=++=+++= i W x U h b f W x U h b o W x U h b c f c i W x U h b h o c 其中, i i (,)W U ,f f (,)W U ,o o (,)W U 和c c (,)W U 分别为输入门、遗忘门、输出门以及单元状态的参数矩阵,i b ,f b ,o b 和c b 分别为输入门、遗忘门、输出门以及单元状态的偏置矩阵.图5 AE-RNN 框架结构图在解码器的每个时间步, 使用由M 个正态分布组成的高斯混合模型(Gaussian mixture model, GMM)来建模点坐标偏移量(,)x y ∆∆, 使用类别分布来建模笔画状态123(,,)p p p . GMM 是一种通过将简单分布组合生成复杂分布的模型, 相比于单个的正态分布, 使用由多个正态分布组成的混合模型能够更好地拟合点坐标分布. 解码器时间步t的输出向量63y y (,)M t t t t +=+∈y y W h b y 包括长度为3的笔画状态向量123(,,)q q q , M 个混合权重(1,2,,)i Πi M =⋅⋅⋅, 以及M 个二元正态分布(,|,,,,)x y x y xy x y μμσσρ 的参数, 即11123ˆˆˆˆ[(,,,,,),,ˆˆˆˆˆˆˆ (,,,,,),()] .t x y x y xy M x y x y xy M ΠΠq q q μμσσρμμσσρ=⋅⋅⋅y为了确保标准差非负以及相关系数在‒1~1, 令ˆˆˆexp(),exp(),tanh()x x y y xy xy σσσσρρ===. 本文将通过最小化重构损失函数项r L 来训练AE-RNN, 即最大化生成的概率分布的对数似然来优化模型. r L 由2个部分组成: 重构点坐标偏移量(,)x y ∆∆的对数损失s L 和重构笔画状态123(,,)p p p 的对数损失p L , 即r s p ,L L L =+1962计算机辅助设计与图形学学报第32卷ss max 11log((,)),N i i L p x y N ==-∆∆∑max 3p ,,max111log().N k i k i i k L p q N ===-∑∑其中, (,)x y ∆∆为训练集样本; max N 表示当前训练集中最长草图所具有的笔画数; s N 表示当前草图所具有的笔画数; ,1(,)(,)=∆∆=∆∆∑Mi j i i i jj p x y Πx y为(,)x y ∆∆的概率分布函数,,11,Mj i j Π==∑,2,,(,)exp ,2(1)i i j j i xy j i x y Z ρ∆∆=-⎡⎤⎢⎥-⎢⎥⎣⎦22,,,,,22,,,,,,,,,,,,,,()()2()().x j i y j i j i x j iy j ixy j i x j i y j i x j i y j ix y Z x y μμσσρμμσσ∆-∆-=+-∆-∆-AE-CNN 与AE-RNN 的唯一区别是将编码器的结构替换为CNN, 原因是CNN 更善于捕捉像素化图片的局部空间结构. 首先, 将QuickDraw 数据集中的矢量化草图转化为像素化草图, 即将数据集中的原始序列转化为SVG 格式; 再将SVG 格式转化为481⨯48⨯的PNG 格式图片. 与AE-RNN 一样, AE-CNN 也没有采用KL 距离损失项. 由于本文使用AE-CNN 的目的是对草图在像素空间中的信息进行编码, 所以应尽可能多地将像素化草图具有的信息编码到隐空间, 移除KL L 项, 只使用r L 项, 可以使AE-CNN 专注于优化重构损失, 从而尽可能多地将有用的信息编码到隐空间. AE-CNN 的解码器和训练所用的重构损失R L 均与AE-RNN 相同.2.4 对抗网络模块对抗网络的生成器G 为AE-RNN 的编码器, 由它产生判别器D 的负样本-z , 即()-=En z x , 再利用预训练完成的AE-CNN 的编码器产生正样本+z .因为本文模型所使用的隐向量维度比较小, 所以对抗网络模块中的判别器D 使用的是简单的多层感知机(multi-layer perception, MLP), 一定程度上节约了训练成本. 训练过程与经典GAN [17]的训练过程相同, 其损失函数为data GAN ~GD~min max [log ()] [log(1(()))].p p L E D E D En +++=+-z z x z x其中, +p z 为预训练的AE-CNN 的隐空间分布; p data 为训练数据分布. 通过对抗训练即可将p +z 施加至AE-RNN 的隐空间, 得到一个融合多种草图信息的隐空间.2.5 模型训练本文模型的训练分2个部分交替进行, 一部分是AE-RNN 的重构训练; 另一部分是对抗训练. 当模型训练时, 在每个mini-batch 上, 首先输入矢量化的草图, 利用最小化重构损失项R L 训练AE-RNN; 然后将像素表示的草图输入预训练的AE-CNN 的编码器中得到正样本, 与AE-RNN 中得到的负样本一起利用对抗损失项训练生成器和判别器. 图4中的虚线箭头展示了获取对抗网络的正样本和负样本的流程.在重构训练阶段, 训练AE-RNN 的编码器, 将矢量草图所具有的信息编码到隐空间. 而在对抗训练阶段, 训练AE-RNN 的编码器(此时为生成器)来拟合像素草图的隐空间分布(即AE-CNN 的隐空间分布). 利用上述训练过程能够得到一个融合了2种不同草图表示形式的信息的隐空间, 而引入像素草图所具有的空间形状信息有利于改善重构结果出现的潦草效应.2.6 草图生成当模型训练完成后, 在采样阶段, 仅仅使用训练完成的AE-RNN 来生成草图. 此时, 模型已经将2种不同草图表示形式所具有的信息融合进了AE-RNN 的隐空间, 从该隐空间采样得来的隐向量可由解码器解码得到生成的草图.在采样的过程中, 解码器的每个时间步都会生成2部分参数: 用来建模点坐标偏移量的GMM 的参数和用来建模笔画状态的类别分布的参数. 利用上述2个分布, 可以采样得出当前时间步的笔画'i S . 不同于训练过程的是, 采样过程直接将当前时间步的笔画'i S 作为下一个时间步的输入. 按此步骤一直采样下去, 直到31=p 或者max =i N .与编码器一样, 解码器的输出也不是确定的, 而是一个以输入隐向量z 为条件的随机序列. 为了控制采样结果的随机性, 模型引入了一个随机程度参数τ, 通过2222x x y y ˆˆˆˆ,, ,k k k kqΠqΠσστσστττ→→→→ 来调节采样分布. 其中, ˆk q 和ˆkΠ分别为解码器某第12期赵鹏, 等: 基于对抗自编码器的矢量草图生成方法 1963一时间步生成的k q 和k ∏. 通过使用随机程度参数τ, 可以缩放类别分布的Softmax 参数以及二元正态分布的参数σ, 达到控制采样结果随机性的目的. τ的取值范围为(0,1), 当τ→0时, 采样的随机性变小, 模型变得确定, 每次采样的结果变得相似.3 实 验3.1 实验设置本文实验环境使用的是TensorFlow 深度学习框架, 所有模型均是在单张NVIDIA GeForce GTX 1080Ti 显卡上训练完成. 实验使用的训练集为QuickDraw, 本文选择其中的cat, fire truck, mos-quito 和yoga pose 4个类进行训练, 它们分别代表了动物、物体、昆虫和人类, 一定程度上捕捉了数据集的多样性.本文实验分为定性实验和定量实验. 其中, 定量实验中所有模型使用的随机程度参数均为τ=0.10, M =20, 训练轮数均为1 000 000, 隐向量维度为128, 批次(batch)的大小为100. 本文使用了梯度衰减技术来稳定训练, 初始学习率为0.000 10, 以每步0.999 90的概率逐步衰减至最小学习率0.000 01. 当进行对抗训练时, 判别器每更新1次, 生成器更新2次, 对抗学习率为0.000 10. 为了防止出现过拟合, 本文在LSTM 中采用了dropout 技术, 此外在训练中, 以一定的概率丢弃训练样本每一笔画中的数据点, 以此来达到数据增强的效果. 3.2 评测指标在Ske-score 度量指标[16]之前, 没有量化评测指标来度量矢量草图的好坏. 由于已有的矢量草图生成模型的生成结果容易出现潦草效应, Var-shaneya 等[16]提出了Ske-score 度量指标, 希望通过使用该指标能够对矢量草图上出现的潦草效应进行量化, 从而一定程度上能够度量生成的矢量草图的好坏. 本文采用了Ske-score 作为定量的评测指标. 一幅矢量草图的Ske-score 得分C , 一个模型的Ske-score 得分C M , 一个数据集的Ske-score 得分C D , 它们定义分别为lift touch,N C N = MM M11,N i i C C N ==∑DD D11.N j j C C N ==∑其中, lift N 为有效笔画中画笔离开纸面的笔画数;touch N 为有效笔画中画笔触碰纸面的笔画数; C i 为模型生成的第i 幅草图的Ske-score 得分; N M 为模型生成草图的数量; C j 为数据集中第j 幅草图的Ske-score 得分; N D 为数据集中包含的草图数量. Ske-score 分值反映了绘画过程中画笔离开纸面的频率, 高分值意味着画笔离开纸面的次数更多. 当D M ||C C ε-<时, 可以认为模型M 是一个可以生成无潦草效应草图的“好”模型.3.3 草图重构实验本文通过使用训练完成的模型来对测试集的样本进行重构, 定性地评价模型的好坏. 部分重构结果如图6所示, 图6a 和图6b 分别为sketch-AAE 在cat 类和fire truck 类上的重构结果. 所使用的模型均是在单个类上训练完成, 重构结果从左到右使用的τ值依次为0.01, 0.10, 0.30, 0.50, 0.70, 1.00.从图6中的每一行都可以看出, 从左到右随着τ值的增加, 重构结果的自由度越来越大. 图6a 和图6b 中的每一行都框出了一个较好的重构结果. 从重构结果可以发现, 本文方法具有一定程度的部件修复功能, 即能添加一些输入缺失的该类别常见的部件. 例如, 图6a 中第1行的部分重构结果补齐了输入中缺少的猫脸的左半边胡须, 第3行重构结果均添加了输入缺失的一只猫眼睛; 图6b 中第1行部分重构结果添加了输入中缺失的车轮, 第2行部分重构结果补齐了输入中缺失的车轮, 以及第3行部分重构结果添加了fire truck 中常见的梯子. 这表明sketch-AAE 较好地学习到了训练类别的特征, 归纳出该类别物体常见的部件特征, 并在重构时添加在物体适当的位置, 这一特性具有很好的应用前景, 也验证了本文所提方法的有效性. 在草图识别以及基于草图的图像检索场景中, 常常会遇到用户提交的一些所谓“画坏”的绘画结果, 如果直接输入这些样本, 势必会大大影响识别或检索的精度. 此时, 可以先将用户提供的样本送入训练完成的sketch-AAE 中重构, 将缺失的部件补齐, 再进行识别和检索, 这将有助于提高识别和检索的精度.3.4 隐空间插值实验为了进一步验证sketch-AAE 的有效性, 本文对训练完成的模型进行隐空间插值的实验. 通过AE-RNN 的解码器, 将2个隐向量之间的插值结果解码, 可以观察到一幅草图是如何逐渐变化成另一幅草图的. 同时, 转化过程本身的平滑性以及一致。
智能交通信号灯配时及优化设计
Abstract :Wit h t he rapid increase of t he number of vehicles in t he city ,t he contradiction of t he vehicles and roads becomes more and more outstanding ,increasing t he area of roads is not an essential but a superficial met hod to resolve t his problem. Practices have proved t hat rea2 sonable controlling on traffic signal light in t he city and separating t he fastigium and normal period of traffic flux can play a significant role in improving t he quality of traffic flux , taking more advantage of current transport ability ,reducing t he environment pollution ,implement2 ing t he security ,speediness and comfort of traffic flux. This paper puts forward a kind of fine time - distributing scheme about single cross2 road according to t he traffic flux and saturated flux of roads in t he cit y and t he double cycles algorit hm advanced. All t he algorit hms have been turned to t he application software. This scheme has been tested by means of t he Vissim traffic simulated software of Company PTV in Germany ,and t he result of t he test is very excellent . Key words :traffic flux ;saturant flux ;traffic light time - distributing ;traffic light cycle ;direction
安徽大学电子信息工程学院研究生导师信息
安徽⼤学电⼦信息⼯程学院研究⽣导师信息姓名：胡根⽣性别：男出⽣年云：1971．5职称：教授学院：电⼦信息⼯程学院研究⽅向：1．图像处理2．智能信息处理个⼈简历2003年6⽉获江苏⼤学硕⼠学位，2006年6⽉获华南理⼯⼤学博⼠学位。
主要从事机器学习、模式识别等⽅⾯的研究和教学⼯作。
近期在国内外学术期刊或学术会议上发表学术论⽂10余篇，其中SCI检索1篇，EI检索5篇。
学术成果1．基于⽀持向量值轮廓波变换的遥感影像融合．电⼦学报．2．具有多分段损失函数的多输出⽀持向量机回归．控制理论与应⽤．3．在线多输出⽀持向量机回归及在投资决策中的应⽤．华南理⼯⼤学学报（⾃然科学版）．4．具分段损失函数的⽀持向量机回归及在投资决策中的应⽤．控制理论与应⽤．在研项⽬安徽省教育厅重点科技项⽬《基于⽀持向量机的遥感影像云层去除新⽅法（批准号KJ2010A021）》姓名：孙⽟发性别：男出⽣年⽉：1966年职称：教授学院：电⼦信息⼯程学院研究⽅向：1. 计算电磁学及应⽤2. ⽆线通信与电磁兼容3. 电磁散射与⽬标识别个⼈简历1988年、1991年毕业于⼭东⼤学⽆线电物理专业，获理学学⼠学位和硕⼠学位，2001年毕业于中国科学技术⼤学电磁场与微波技术专业，获⼯学博⼠学位。
1994年7⽉—1998年8⽉，安徽⼤学讲师；1998年9⽉—2003年8⽉，安徽⼤学副教授；2003年9⽉⾄今，安徽⼤学教授。
2002年在⾹港城市⼤学⽆线通信中⼼做访问学者，2003年9⽉—2006年9⽉在中国科学技术⼤学信息与通信⼯程博⼠后流动站做科学研究⼯作。
学术成果中国电⼦学会⾼级会员，全国⾼等学校电磁场教学与教材研究会理事，电⼦测量与仪器学会微波毫⽶波测试专业委员会委员，《电波科学学报》编辑委员会委员，安徽省⾼等学校‘⼗五’第⼆批中青年学科带头⼈培养对象，安徽⼤学中青年学术⾻⼲。
主持国家⾃然科学基⾦1项，省部级科研项⽬2项，厅局级科研项⽬1项，参加国家⾃然科学基⾦重点项⽬1项，国家⾃然科学基⾦3项，省部级项⽬3项等，发表学术论⽂40余篇，其中被SCI、EI收录16篇，主编安徽省‘⼗⼀五’规划教材1部。
应用Normal矩阵谱平分法的多社团发现
应用Normal矩阵谱平分法的多社团发现张燕平;王杨;赵姝【摘要】现实世界中许多实际网络都有一个共同的性质,即社团结构.揭示网络中的社团结构,对于了解网络结构与分析网络性质都是很重要的.分析了常见的社团发现算法的特点,以及谱二分法在实际应用中必须不断迭代才能完成多社团发现的不足,提出了基于Normal矩阵和k-means聚类算法的多社团发现方法.该算法能选择合适的特征向量雏数,为k-means划分社团提供有效数据,相比其他算法有着较高的准确率.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)027【总页数】3页(P43-45)【关键词】社团结构;Normal矩阵;谱平分法;k-means聚类算法【作者】张燕平;王杨;赵姝【作者单位】安徽大学智能计算与信号处理教育部重点实验室,合肥,230039;安徽大学智能计算与信号处理教育部重点实验室,合肥,230039;安徽大学智能计算与信号处理教育部重点实验室,合肥,230039【正文语种】中文【中图分类】TP3931 概述近年来复杂网络研究在发现、建模、分析和控制等主要研究方向上都取得了突破性的进展。
发现了复杂网络的小世界性质、无标度性质、聚集性、社团结构等统计特征[1-2]。
社团结构，即每个社团内部的节点之间的连接相对比较紧密，而各社团之间的连接相对比较稀疏。
复杂网络演化过程中的社团结构中的成员如果具有相同的特征，则各成员之间的联系也具有相似的特点。
现实中的复杂网络是由多个社团组成的。
2 社团发现研究现状网络社团结构的研究已经有很长的历史，起源于社团学的研究工作，与社会学中的层次聚类（hierarchical clustering）和计算机科学中的图形分割（graph partition）有着密切的关系，其代表性的算法有Kernighan-Lin算法[3]、谱二分法[4]、GN算法[5]、Newman快速算法[6]等。
目前研究最多的是GN算法。
计算机组成原理课程导入教学的探讨
计算机 的基本组成 ，为今后学习各部件原理提供感性认
识 ；通 过 多媒 体 ，演 示 计 算 机 系 统 的 发 展 历 程 ， 并展 望
未来发展趋势 ，充分调动学生积极性，从而避免常规 的 文字罗列造成的课堂气氛沉闷，无法激发学生兴趣 ，无
果的好坏直接影响整个 学期 的教学。故计算机组成原理
的 导入 教 学 对 激 发 学 生 学 习兴 趣 、 发 挥教 师 主 导 性 和 学
资助 项 目：国家 级质 量 工程 项 目 （ 国家 级特 色专 业 ）资 助 （０ ９ ） ，安徽 大 学校 级精 品课 程 （０ ２０ ２ ，教 育 教学 改革 研 究项 ２０ 年 ４０ ０ ５ ）
采 唱 ＝～ ． 一 埘 一 一 ， ＝ 眦 汕 蝴 的 一
的反馈意见 以及课堂学生讨论、报告活动 ，发现学生喜
欢 模 仿 主 讲 教 师 的教 学风 格 。故关 于 计 算 机 组 成 原理 导 入 的教 学 内容 ， 除 了 以更 新 颖 的方 式 介 绍 课 本 知识 “ 计
Ａ ｔ ａｃ Ｔ ｅ ａ ｅ ａ ｐｒ ｂｌ ｍｓ ｎ ｈｅ ｅ ｃｈ ｎｇ ｂｓ ｒ ｔ ｈ ｒｅ ｒ ｍ ｎｙ ｏ ｅ ｉ ｔ ｔ ａ ｉ ｏｆ ｍｅ ｈ ｎｉ ａｌ ｃ ａ ｃ ｍａ ｕｆ ｃ ｕｒ ｎｇ ｎ ａ ｔ ｉ ｔｅ ｈ ｌ ｇｙ Ａｃ ｏｒ ｎｇ ｃ ｎｏ ｏ ． ｃ ｄｉ ｔ ｔ ｆ ａｔ ｅｓ ｆ ｏ ｈｅ ｅ ｕｒ ｏ ｍｅ ｈ ｎｉ ａｌ ｃ ａ ｃ ｍａ ｕ ｃ ｕ ｎ ｔｅ ｈ ｏｌ ｇ ｔ ａ ｈｉ ｇ ｍ ｙ ｅ ｏｒ ｍ ｈｏ ｗｅ ｅ ｒ ｐｏ ｅｄ ｎ ｆａ ｔ ｒｉ ｇ ｃ ｎ ｏ ｙ ｅ ｃ ｎ ， ａｎ ｒ ｆ ｍ ｅｔ ｄｓ ｒ ｐ ｏ ｓ ｔｏ ｎ ｎ ｉ ｔ ａｃ ｎ ｅ ｅ ｔ． ｅ ｈａ ｃｅ ｔ ｅ ｈｉ ｇ ｆｆ ｃ Ｋ ｗ ｄ ｃ ｎｉ ｌ ｅｙ ｏｒ ｓ ｍｅ ｈａ ｃａ ｍａ ｕｆ ｃ ｒ ｎｇ ｅ ｎ ｏ ｙ ｔ ｃ ｎｇ ｒｅ ｏ ｍ ｂ ｎ ａ ｔｕ ｉ ｔ ｃｈ ｏｌ ｇ ｅａ ｈｉ ｆ ｒ ａｓｉ ｃ ｒ ｃ ｕ ｃ ｕ ｒｉ ｕｌ ｍ
面向工程教育专业认证的《计算机组成与体系结构》课程建设研究
面向工程教育专业认证的《计算机组成与体系结构》课程建设研究赵姝;刘晓曼;陈洁;张燕平【摘要】我国的工程教育专业认证工作已经普遍开展起来,《计算机组成与体系结构》作为计算机各专业的专业核心课程,需要通过课程改革适应工程教育专业认证的需求.本文分析了目前该课程体系建设过程中的成功经验和不足,从教学团队、教学内容、教学方法和人才培养等方面探讨了面向工程教育的课程体系建设思路.【期刊名称】《合肥师范学院学报》【年(卷),期】2015(033)003【总页数】4页(P88-90,98)【关键词】工程教育专业认证;计算机组成与体系结构;课程建设;CDIO理念【作者】赵姝;刘晓曼;陈洁;张燕平【作者单位】安徽大学计算机科学与技术学院,安徽合肥230601;安徽大学计算机科学与技术学院,安徽合肥230601;安徽大学计算机科学与技术学院,安徽合肥230601;安徽大学计算机科学与技术学院,安徽合肥230601【正文语种】中文【中图分类】G611 引言工程教育专业认证是国际通行的工程教育质量保证制度，也是实现工程教育国际互认和工程师资格国际互认的重要基础。
在我国，工程教育专业认证是由专门职业或行业协会、学会（联合会）会同该领域的教育工作者和相关行业、企业专家一起进行的，针对高等教育本科工程类专业开展的一种合格评价［1］。
我国的工程教育认证始于1992年土建类专业评估，截止2012年底，已有15个专业领域，总计295个专业点接受认证。
随着工程教育专业认证的发展，认证协会将逐步扩大认证专业领域。
我国开展工程教育专业认证的目的是构建工程教育的质量监控体系，推进工程教育改革，进一步提高工程教育质量：建立与工程师制度相衔接的工程教育专业认证体系，促进工程教育与工业界的联系，增强工程教育人才培养对产业发展的适应性；促进中国工程教育的国际互认，提升我国工程技术人才的国际竞争力。
工程教育专业认证是高等教育认证的重要组成部分，通过专业认证，必将加强高等工程教育与工业界的关系，促进专业教育与企业的有效接轨，对保障高等工程教育质量具有重要的意义［2］。
利用变分自编码器进行网络表示学习
* The National Natural Science Foundation of China under Grant Nos. 61876001, 61602003, 61673020 (国家自然科学基金)；the National
Key Research and Development Program of China under Grant No. 2017YFB1401903 (国家重点研发计划); the Natural Science Foundation of Anhui Province under Grant Nos. 1508085MF113, 1708085QF156 (安徽省自然科学基金).
计算机科学与探索
Journal of Frontiers of Computer Science and Technology
1673-9418/2019/13(10)-1733-12
doi: 10.3778/j.issn.1673-9418.1903052
利用变分自编码器进行网络表示学习*
张
蕾 1,2，钱
决诸如节点分类、链接预测、社团挖掘和推荐等下游应用任务。通常网络中的节点携有属性信息，与结构信息
具有一定的相关性，将这些信息融入到网络表示学习过程中，有助于提升下游任务的性能。但是针对不同的
应用场景，结构和属性信息并不总是线性相关，而且它们都是高度非线性的数据。提出一种基于变分自编码
器的网络表示学习方法 VANRL。变分自编码器是一种深度神经网络，它不仅可以捕获结构和属性非线性相似
representation. However, for different application scenarios, structure information and attribute information are not
计算机系统结构课程群建设
计算机系统结构课程群建设
赵姝;张蕾;张燕平;陈洁
【期刊名称】《中国现代教育装备》
【年(卷),期】2014(000)013
【摘要】教育改革是世界性话题，教育改革的核心是教学改革，教学改革的重中
之重是课程群改革。
结合安徽大学正在实施的计算机系统结构课程群建设，从存在的问题入手，分析原因，综合理论和实践两大方面、学生和教师两大主体，找出解决问题的最佳方案，总结经验，为加快计算机系统结构课程群建设打下良好的基础。
【总页数】3页(P43-44,47)
【作者】赵姝;张蕾;张燕平;陈洁
【作者单位】安徽大学计算机科学与技术学院安徽合肥 230601;铜陵学院数学与
计算机学院安徽铜陵 244000;安徽大学计算机科学与技术学院安徽合肥 230601;
安徽大学计算机科学与技术学院安徽合肥 230601
【正文语种】中文
【相关文献】
1.计算机科学技术——计算机系统结构 [J],
2.计算机组成原理与计算机系统结构的教学内容衔接 [J], 郑丽萍;秦杰;王献荣
3."计算机组成原理"与"计算机系统结构"教学研究 [J], 徐爱萍;许先斌;蔡朝晖
4.上海梅山冶金公司1422mm热连轧板厂计算机系统结构及系统结构及硬件配置[J], 庞树萱
5.计算机硬件类科技竞赛对硬件课程群建设的优化初探——以"计算机组成原理"为例 [J], 高明霞;方娟;朱文军
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进烟花算法的Web服务组合优化
基于改进烟花算法的Web服务组合优化张以文;吴金涛;赵姝;唐杰【摘要】为了在大数据背景下从大量候选服务集中选择出合适的Web服务,并组合成能够完成复杂增值业务过程需求的组合服务,提出一种改进的烟花算法,首次应用于离散服务组合优化问题.该算法根据烟花对变异后的火花产生的贡献大小,引入高斯变异概率,使高斯变异具有方向性的同时保持了种群多样性;在烟花选择过程中采用精英选择策略,有效降低了算法的时间开销.通过大量实验结果验证了该算法的可行性和有效性.【期刊名称】《计算机集成制造系统》【年(卷),期】2016(022)002【总页数】11页(P422-432)【关键词】服务组合;烟花算法;服务质量【作者】张以文;吴金涛;赵姝;唐杰【作者单位】安徽大学计算智能与信号处理教育部重点实验室,安徽合肥230031;安徽大学计算智能与信号处理教育部重点实验室,安徽合肥230031;安徽大学计算智能与信号处理教育部重点实验室,安徽合肥230031;清华大学计算机科学与技术系知识工程组,北京100084【正文语种】中文【中图分类】TP393Web服务是一种平台独立、低耦合、自包含、基于可编程的Web应用程序，可使用开放的可扩展标记语言(eXtensible Markup Language, XML)标准来描述、发布、发现、协调和配置，用于开发分布式的互操作应用[1]。
近年来，越来越多的企业将应用、资源和技术加入Web服务中。
然而，单个Web服务提供的功能有限，有时无法完成用户提出的实际应用需求，因此Web服务组合应运而生。
Web服务组合的主要思想是利用Web服务的高度可集成能力和松耦合特性，将现存的多个Web服务(即原子服务)快速、灵活地组合成各种新增服务，以满足不同用户的复杂业务应用需求[2]。
Web服务组合研究涉及服务合成、服务编排和服务质量等，服务组合建模为服务组合研究的一个关键性问题，该问题通常与服务组合采用的方法相关。
基于覆盖最优划分的社团发现算法
基于覆盖最优划分的社团发现算法杨雪洁;陈洁;赵姝;钱峰;张燕平【期刊名称】《模式识别与人工智能》【年(卷),期】2018(031)009【摘要】覆盖最优划分思想是将子集间重叠区域样本通过覆盖的合并和分割,使原来有交集的覆盖划分为无交集的类误差最小.文中将覆盖的最优划分思想引入社团发现中,提出基于覆盖最优划分的社团发现算法(CDA OPC),将社团发现问题转化为求给定覆盖的最优划分问题.首先利用节点间邻域重叠关系构造覆盖,然后运用覆盖的最优划分概念,通过覆盖子集的合并与分割达到对覆盖的最优逼近,最后计算社团间的相似度,将相似度最大的社团两两合并,在多层次合并后最终形成多粒度的社团结构.在真实网络上的实验表明,CDA OPC可以有效划分社团.【总页数】8页(P837-844)【作者】杨雪洁;陈洁;赵姝;钱峰;张燕平【作者单位】安徽大学计算机科学与技术学院合肥230601;合肥师范学院计算机学院合肥230601;安徽大学计算机科学与技术学院合肥230601;安徽大学计算机科学与技术学院合肥230601;安徽大学计算机科学与技术学院合肥230601;铜陵学院数学与计算机学院铜陵244061;安徽大学计算机科学与技术学院合肥230601【正文语种】中文【中图分类】TP181【相关文献】1.基于主题划分和链接划分的社团发现算法 [J], 欧阳骥;周宪政;卓晓燕;黄翰2.WSN随机调度覆盖算法的子集划分最优解 [J], 刘永生;周颢;赵保华3.基于层次覆盖的多层网络社团发现算法 [J], 王林;李阳;周媛媛;于文涛4.基于最优子阵划分ESPRIT的任意线阵高精度DOA估计算法 [J], 马严;韩勋;匡银;郑佳;冯鑫5.基于覆盖的社团发现算法 [J], 张燕平;汪洋;赵姝;段震;高兆远因版权原因，仅展示原文概要，查看原文内容请购买。
覆盖聚类算法
覆盖聚类算法赵姝;张燕平;张铃;张媛;陈传明【期刊名称】《安徽大学学报（自然科学版）》【年(卷),期】2005(029)002【摘要】首先比较几类主要的聚类算法,给出每类算法的基本概念、原理、每类的代表性算法,及这些算法的主要特征.在此分析基础上,提出一种新的聚类算法--覆盖聚类算法,该算法采用覆盖的概念将比较集中的样本聚合在一起,从而发现隐含在样本集中的类,对于周围稀疏的样本结合最短距离法,获得聚类效果,并用实验数据对分层聚类方法、LBG方法与覆盖聚类算法进行比较,证明了覆盖聚类算法的可行性和有效性.最后给出了算法的研究方向.【总页数】5页(P28-32)【作者】赵姝;张燕平;张铃;张媛;陈传明【作者单位】安徽大学,计算智能与信号处理教育部重点实验室,安徽,合肥,230039;安徽大学,计算智能与信号处理教育部重点实验室,安徽,合肥,230039;安徽大学,计算智能与信号处理教育部重点实验室,安徽,合肥,230039;安徽大学,计算智能与信号处理教育部重点实验室,安徽,合肥,230039;安徽大学,计算智能与信号处理教育部重点实验室,安徽,合肥,230039【正文语种】中文【中图分类】TP311【相关文献】1.基于全覆盖粒计算的K-medoids文本聚类算法 [J], 邹雪君;谢珺;任密蜂;续欣莹2.基于最小覆盖圆时空聚类算法的出行轨迹停驻点识别 [J], 张小佳;孙然然;李晓璐;赵晖;张彭;朱广宇3.基于聚类算法的5G网络覆盖问题智能定位 [J], 朱佳佳;马昱;杨洁艳;田元兵4.基于聚类算法的覆盖寻优研究 [J], 朱伟;李明鑫;张晶;赵志扬;仇勇;叶萍5.基于语义覆盖度融合的I/O映射聚类算法 [J], 葛学锋因版权原因，仅展示原文概要，查看原文内容请购买。
基于交叉覆盖算法的入侵检测
基于交叉覆盖算法的入侵检测
赵姝;张燕平;张媛;陈传明
【期刊名称】《计算机工程与应用》
【年(卷),期】2005(041)001
【摘要】文章提出了一种应用人工神经网络进行入侵检测分类器设计的新方法,即采用多层前向网络的交叉覆盖算法进行入侵检测分类器的设计.该算法克服了传统BP算法的收敛速度慢,易陷入局部最小点的问题.实验结果表明,该分类器用于入侵检测,效果良好,学习速度快,分类准确率高,为实现入侵检测分类器提供了一条准确高效的途径.
【总页数】3页(P141-143)
【作者】赵姝;张燕平;张媛;陈传明
【作者单位】安徽大学人工智能研究所智能计算与信号处理重点实验室,合
肥,230039;安徽大学人工智能研究所智能计算与信号处理重点实验室,合肥,230039;安徽大学人工智能研究所智能计算与信号处理重点实验室,合肥,230039;安徽大学人工智能研究所智能计算与信号处理重点实验室,合肥,230039
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于交叉覆盖算法的改进算法-最近邻交叉覆盖算法 [J], 钱付兰;张媛
2.基于构造性核覆盖算法的异常入侵检测 [J], 周鸣争;楚宁;强俊
3.基于链接全覆盖的无线Mesh网络入侵检测算法 [J], 褚贵洋
4.基于交叉覆盖算法的改进算法--核平移覆盖算法 [J], 赵姝;张燕平;张媛;陈传明
5.基于交叉覆盖算法的改进算法-最近邻交叉覆盖算法 [J], 钱付兰
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
院（系、所）：计算机科学与技术学院
姓名：赵姝
性别：女
出生年月：1979.10
导师类别：硕士生导师
技术职称：副教授
联系方式
zhaoshuzs2002@
招生专业名称
计算机应用
主要研究方向
机器ቤተ መጻሕፍቲ ባይዱ习
神经网络
智能计算
个人简历
赵姝，女，博士，副教授，硕士生导师。2007年获安徽大学计算机科学与技术专业博士学位，现在美国加州大学伯克利分校（University of California，Berkeley）做访问学者。主要研究方向是智能计算，包括商空间理论、模糊集理论、粒度计算、机器学习等。
学术成果
近十年来，一直从事智能计算方面的研究，参加过多项973项目（基于商空间的（从数据中）自动获取信息的构造性算法的研究(2004CB318108)、基于视觉感知的非结构化信息处理理论与关键技术( 2007CB311003)）、国家自然科学基金（基于商空间的粒度计算理论及应用（60475017）、基于商空间拓扑结构变换的动态信息分析（60675031）、动态商空间理论及应用（61073117））、教育部博士点基金项目（基于商空间的时间规划研究（20040357002））、安徽省自然科学基金（复杂系统（网络）的商空间表示与目标求解（11040606M145））和安徽省教育厅科学基金（基于商空间模型的火电厂运行成本分析与智能决策系统(2005kj053)、基于粒度计算理论的气象灾害预测模型研究及应用（2006KJ015A））等项目，主持过安徽省高等学校优秀青年人才基金重点项目（机器学习过程中知识动态获取和更新的研究与应用（2009SQRZ020ZD）），发表论文十多篇，申请专利3项，其中已获专利号1项，获软件著作权1项。
获奖情况
在研项目
1.安徽省高等学校优秀青年人才基金重点项目（机器学习过程中知识动态获取和更新的研究与应用（2009SQRZ020ZD））
2.安徽省自然科学基金（复杂系统（网络）的商空间表示与目标求解（11040606M145）
3.国家自然科学基金（动态商空间理论及应用（61073117））
填表时间：2011年4月15日