您的检索：
学者姓名：冀俊忠
精炼检索结果：
年份
成果类型
收录类型
来源
综合
曾用名
合作者
语言
清除所有精炼条件
摘要 ：
本发明公开了一种基于超维计算辅助的车辆耐撞性多目标优化方法，首先将所有已被评估的车辆结构均匀划分为规模相同的“优质结构集合”和“劣质结构集合”，为构建分类模型提供平衡的训练数据。使用一种近似结构厚度值编码方式，将所有结构编码为相应的超向量。将这些超向量根据所属类别按位相加来构建分类模型，得到表示“优质结构”和“劣质结构”的类别超向量。最后，使用遗传算子新生成的候选结构以相同的方式编码为超向量，并使用余弦相似度计算与类别超向量的相似性来预测候选结构的类别。预测类别为“优质结构”的候选结构会被筛选出来并被真实的目标函数评估。本方法在求解标准测试问题集和车辆耐撞性优化问题时有着更好的效果。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 冀俊忠 , 吴同轩 , 杨翠翠 . 一种基于超维计算辅助的车辆耐撞性多目标优化方法 : CN202310600838.3[P]. | 2023-05-25 . |
| MLA | 冀俊忠 等. "一种基于超维计算辅助的车辆耐撞性多目标优化方法" : CN202310600838.3. | 2023-05-25 . |
| APA | 冀俊忠 , 吴同轩 , 杨翠翠 . 一种基于超维计算辅助的车辆耐撞性多目标优化方法 : CN202310600838.3. | 2023-05-25 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于蚁群优化算法的电动汽车充电站选址方法，基于覆盖优先级的解构造策略，使蚁群获得解元素的全局构造顺序，从而合理安排选址对充电需求的覆盖顺序，避免显性选址重叠；采用基于轨迹覆盖关系的启发信息调整策略，在迭代中根据历史最优解来调整启发信息降低出现隐性选址重叠的概率；在每轮迭代中，通过CP‑SC构造充电设施选址问题的解，每构造一个可行解，都会进行一次局部信息素更新；在每轮迭代结束前，根据历史最优解的目标函数值即充电需求强度来进行全局信息素更新，并通过TCHA策略调整启发信息；迭代达到终止条件后，输出历史最优解。本方法不仅降低选址重叠率，还提高了充电需求的覆盖量。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 冀俊忠 , 刘钺锋 , 杨翠翠 . 一种基于蚁群优化算法的电动汽车充电站选址方法 : CN202310759998.2[P]. | 2023-06-27 . |
| MLA | 冀俊忠 等. "一种基于蚁群优化算法的电动汽车充电站选址方法" : CN202310759998.2. | 2023-06-27 . |
| APA | 冀俊忠 , 刘钺锋 , 杨翠翠 . 一种基于蚁群优化算法的电动汽车充电站选址方法 : CN202310759998.2. | 2023-06-27 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于深度哈希互学习的脑网络分类方法，包括：数据预处理和脑功能网络构建；脑网络数据划分；基于深度哈希学习的个体特征提取；基于深度哈希学习的群体特征提取；基于哈希码的互学习；基于哈希码的分类。本发明首次考虑到群体脑网络中的表型标签差异，采用表型标签构建群体脑网络关系图，提出一种基于GCN的深度哈希学习模型提取脑网络的群体特征；并考虑到脑网络个体特征和群体特征间的关系，采用基于深度哈希互学习的脑网络分类方法通过个体特征和群体特征之间的互学习来增强特征的辨别能力。本方法与其他方法相比，分类性能更优。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 冀俊忠 , 张雅琴 . 一种基于深度哈希互学习的脑网络分类方法 : CN202310522896.9[P]. | 2023-05-10 . |
| MLA | 冀俊忠 等. "一种基于深度哈希互学习的脑网络分类方法" : CN202310522896.9. | 2023-05-10 . |
| APA | 冀俊忠 , 张雅琴 . 一种基于深度哈希互学习的脑网络分类方法 : CN202310522896.9. | 2023-05-10 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Multiobjective evolutionary algorithms (MOEAs) have received much attention in multiobjective optimization in recent years due to their practicality. With limited computational resources, most existing MOEAs cannot efficiently solve large-scale multiobjective optimization problems (LSMOPs) that widely exist in the real world. This paper innovatively proposes a dual decomposition strategy (DDS) that can be embedded into many existing MOEAs to improve their performance in solving LSMOPs. Firstly, the outer decomposition uses a sliding window to divide large-scale decision variables into overlapped subsets of small-scale ones. A small-scale multiobjective optimization problem (MOP) is generated every time the sliding window slides. Then, once a small-scale MOP is generated, the inner decomposition immediately creates a set of global direction vectors to transform it into a set of single-objective optimization problems (SOPs). At last, all SOPs are optimized by adopting a block coordinate descent strategy, ensuring the solution's integrity and improving the algorithm's performance to some extent. Comparative experiments on benchmark test problems with seven state-of-the-art evolutionary algorithms and a deep learning-based algorithm framework have shown the remarkable efficiency and solution quality of the proposed DDS. Meanwhile, experiments on two real-world problems show that DDS can achieve the best performance beyond at least one order of magnitude with up to 3072 decision variables.
关键词 ：
Decomposition Decomposition Block coordinate descent Block coordinate descent Large-scale multiobjective optimization Large-scale multiobjective optimization Sliding window Sliding window
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Yang, Cuicui , Wang, Peike , Ji, Junzhong . A dual decomposition strategy for large-scale multiobjective evolutionary optimization [J]. | NEURAL COMPUTING & APPLICATIONS , 2022 , 35 (5) : 3767-3788 . |
| MLA | Yang, Cuicui 等. "A dual decomposition strategy for large-scale multiobjective evolutionary optimization" . | NEURAL COMPUTING & APPLICATIONS 35 . 5 (2022) : 3767-3788 . |
| APA | Yang, Cuicui , Wang, Peike , Ji, Junzhong . A dual decomposition strategy for large-scale multiobjective evolutionary optimization . | NEURAL COMPUTING & APPLICATIONS , 2022 , 35 (5) , 3767-3788 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Classification of dynamic functional connectivity (DFC) is becoming a promising approach for diagnosing various neurodegenerative diseases. However, the existing methods generally face the problem of overfitting. To solve it, this paper proposes a convolutional neural network with three sparse strategies named SCNN to classify DFC. Firstly, an element-wise filter is designed to impose sparse constraints on the DFC matrix by replacing the redundant elements with zeroes, where the DFC matrix is specially constructed to quantify the spatial and temporal variation of DFC. Secondly, a 1x1 convolutional filter is adopted to reduce the dimensionality of the sparse DFC matrix, and remove meaningless features resulted from zero elements in the subsequent convolution process. Finally, an extra sparse optimization classifier is employed to optimize the parameters of the above two filters, which can effectively improve the ability of SCNN to extract discriminative features. Experimental results on multiple resting-state fMRI datasets demonstrate that the proposed model provides a better classification performance of DFC compared with several state-of-the-art methods, and can identify the abnormal brain functional connectivity.
关键词 ：
Symmetric matrices Symmetric matrices feature extraction feature extraction Functional magnetic resonance imaging Functional magnetic resonance imaging Convolutional neural network Convolutional neural network resting-state functional Magnetic Resonance Imaging (rs-fMRI) resting-state functional Magnetic Resonance Imaging (rs-fMRI) Windows Windows Feature extraction Feature extraction Diseases Diseases Sparse matrices Sparse matrices Time series analysis Time series analysis sparse strategies sparse strategies dynamic functional connectivity dynamic functional connectivity
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Ji, Junzhong , Chen, Zhihui , Yang, Cuicui . Convolutional Neural Network With Sparse Strategies to Classify Dynamic Functional Connectivity [J]. | IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS , 2022 , 26 (3) : 1219-1228 . |
| MLA | Ji, Junzhong 等. "Convolutional Neural Network With Sparse Strategies to Classify Dynamic Functional Connectivity" . | IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS 26 . 3 (2022) : 1219-1228 . |
| APA | Ji, Junzhong , Chen, Zhihui , Yang, Cuicui . Convolutional Neural Network With Sparse Strategies to Classify Dynamic Functional Connectivity . | IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS , 2022 , 26 (3) , 1219-1228 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于监督对比学习与结构推断的图分类训练方法，首先，该模型通过结构推断充分挖掘图数据本身的拓扑信息作为原本图数据的增强图。然后通过标签进行随机采样构建样本正负例对，并使用层次化的图神经网络分别对正负例样本进行学习以提取整图嵌入。最后，通过普通分类损失和监督对比学习损失共同指导层次化图神经网络的学习过程，提升嵌入的分类性能。本发明融合结构推断和标签信息，基于结构推断的数据增强方式不需要先验知识，增广了模型使用范围，加速了模型学习速度。将图数据上的自监督对比学习扩展为标签监督下的对比学习，增强了其对比学习能力。本发明提升图分类性能，在广义图分类数据上具有较好的可推广性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 冀俊忠 , 贾浩 , 雷名龙 . 一种基于监督对比学习与结构推断的图分类训练方法 : CN202211106324.4[P]. | 2022-09-11 . |
| MLA | 冀俊忠 等. "一种基于监督对比学习与结构推断的图分类训练方法" : CN202211106324.4. | 2022-09-11 . |
| APA | 冀俊忠 , 贾浩 , 雷名龙 . 一种基于监督对比学习与结构推断的图分类训练方法 : CN202211106324.4. | 2022-09-11 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于共现关系分层注意力的脑CT医学报告自动生成方法，预处理脑CT数据集并建立词汇表；构建脑CT影像的特征提取器用于提取脑CT影像的视觉特征；构建共现关系语义注意力模块，用于提取脑CT影像中常见医学术语的语义注意力特征，其内部包括词嵌入层及语义注意力机制。构建主题向量引导的视觉注意力模块，该模块中的主题向量融合常见及罕见的医学术语的语义信息，完整表达句子层级的医学术语主题，该医学术语主题则指导视觉注意力机制捕捉重要的病灶区域特征。本方法结合常见医学术语之间的共现关系推测缺失的语义信息，从而提取更加丰富的语义注意力特征，分层协作提升生成的脑CT医学报告的准确性、多样性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 冀俊忠 , 豆世鑫 , 张晓丹 . 一种基于共现关系分层注意力的脑CT医学报告自动生成方法 : CN202211401246.0[P]. | 2022-11-09 . |
| MLA | 冀俊忠 等. "一种基于共现关系分层注意力的脑CT医学报告自动生成方法" : CN202211401246.0. | 2022-11-09 . |
| APA | 冀俊忠 , 豆世鑫 , 张晓丹 . 一种基于共现关系分层注意力的脑CT医学报告自动生成方法 : CN202211401246.0. | 2022-11-09 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于跨模态对比注意力的医学报告自动生成的方法，具体分为编码和解码两个阶段，编码阶段包含三个子模块：视觉注意力模块VAM、视觉对比注意力模块VCAM和跨模态注意力模块CAM，其中，VAM提取输入图像的视觉特征；另外，通过对比当前图像和过往相似案例图像之间的视觉差异性和相似性：VCAM利用差异性引导注意力模型关注当前图像独特的异常视觉区域；CMAM利用相似性引导注意力模型实现对过往相似案例报告中有效词的跨模态匹配。解码阶段由并行注意力模块PAM组成，并行计算编码阶段得到的编码特征来指导生成医学报告。本发明在自然语言评价指标和临床评价指标上做了充分实验，实验结果展示了所提出方法的有效性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 张晓丹 , 宋晓 , 冀俊忠 . 一种基于跨模态对比注意力的医学报告自动生成方法 : CN202210563429.6[P]. | 2022-05-20 . |
| MLA | 张晓丹 等. "一种基于跨模态对比注意力的医学报告自动生成方法" : CN202210563429.6. | 2022-05-20 . |
| APA | 张晓丹 , 宋晓 , 冀俊忠 . 一种基于跨模态对比注意力的医学报告自动生成方法 : CN202210563429.6. | 2022-05-20 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种针对图像分类的稀疏对抗攻击问题的双分解方法，首先，将图像分类的稀疏对抗攻击问题建模为大规模多目标优化问题，图像的每个像素点为一个决策变量，随后执行双分解策略。外分解使用滑动窗口将大规模决策变量划分为小规模决策变量的重叠子集。每次滑动窗口滑动时，都会产生一个小规模的多目标优化问题。一旦生成小规模的多目标优化问题，内分解立即创建一组全局方向向量，将其转换为一组单目标优化问题。最后，采用块坐标下降策略对所有单目标问题进行优化，增强了优化过程中解的完整性和最优性。实验表明所提方法相较于其他算法在求解大规模多目标问题时有着更好的效果，在稀疏对抗攻击问题中相比其他算法能够找到最佳扰动。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 杨翠翠 , 王佩科 , 冀俊忠 . 一种针对图像分类的稀疏对抗攻击问题的双分解方法 : CN202211419814.X[P]. | 2022-11-14 . |
| MLA | 杨翠翠 等. "一种针对图像分类的稀疏对抗攻击问题的双分解方法" : CN202211419814.X. | 2022-11-14 . |
| APA | 杨翠翠 , 王佩科 , 冀俊忠 . 一种针对图像分类的稀疏对抗攻击问题的双分解方法 : CN202211419814.X. | 2022-11-14 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于双蚁群优化算法的电动汽车充电基础设施规划方法，本方法基于双蚁群算法实现。该算法使用两个蚁群分别求解CIPL的两个子问题。在每次迭代中，上层蚁群搜索最佳充电站选址，最大化充电需求，下层蚁群搜索每个确定充电站的最佳充电桩数量，最小化经济成本。应用两种信息传输策略平衡充电需求和经济成本。信息素增强策略是根据上层蚁群的解来增强下层蚁群的信息素，以加速下层蚁群的收敛。全局信息素更新策略通过综合考虑两个目标函数来确定最优解，并据此解对上层蚁群的信息素进行更新。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 冀俊忠 , 刘钺锋 , 杨翠翠 . 基于双蚁群优化算法的电动汽车充电基础设施规划方法 : CN202211669886.X[P]. | 2022-12-25 . |
| MLA | 冀俊忠 等. "基于双蚁群优化算法的电动汽车充电基础设施规划方法" : CN202211669886.X. | 2022-12-25 . |
| APA | 冀俊忠 , 刘钺锋 , 杨翠翠 . 基于双蚁群优化算法的电动汽车充电基础设施规划方法 : CN202211669886.X. | 2022-12-25 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
