首页期刊导航|吉林大学学报（信息科学版）
期刊信息/Journal information
吉林大学学报（信息科学版）
吉林大学
吉林大学学报（信息科学版）

吉林大学

刘大有

双月刊

1671-5896

nhxb@jlu.edu.cn

0431-85152552;85152551

130012

长春市南湖大路5372号

吉林大学学报（信息科学版）/Journal Journal of Jilin University(Information Science Edition)CSTPCD
查看更多>>本刊主要刊登信息与通信工程、控制科学与工程，计算机科学与工程、仪器科学与工程，电子科学与技术、管理科学与工程，电器工程等方面的学术论文及研究报告。本刊既反映基础理论研究又反映应用技术研究，并注意报道技术开发工作的最新成果，在理论与实践相结合，促进科技成果转化方面具有自己的特色。
正式出版
收录年代

    融合多算法评估中英文知识图谱外延简洁性新方法

    高巍江运龙
    348-355页
    查看更多>>摘要：针对目前人们只是从理论上提出了针对知识图谱外延简洁性评估指标,并没有给出针对该指标规范的评估方法及流程问题,对知识图谱外延简洁性评估方法进行了研究,提出了支持中英文混合知识图谱外延简洁性评估的新方法.该方法定义了从总体层面进行分组以及分别对头实体、关系和尾实体进行评估的公式,同时为保障评估的准确性,定义了句子层面的评估公式.最后,将4种评估公式联合,得到了对知识图谱外延简洁性指标进行评估的算法.为验证所提出算法的准确性和性能,利用开放数据集OPEN KG(Knowledge Graph),对提出的算法和相关的算法进行了评估与比对,结果验证了本算法对中英文混合知识图谱简洁性评估方面的准确性、时间效率都具有一定的保障,综合性能高于相关的算法.

    数据质量质量维度外延简洁性知识图谱知识图谱质量评估

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于三值向二值演化的BNN剪枝方法

    徐图张博李镇陈怡凝...
    356-365页
    查看更多>>摘要：针对目前BNN(Binarized Neural Network)剪枝方法存在剪枝比例低、识别准确率显著下降以及依赖训练后微调的问题,提出了一种基于三值向二值演化的滤波器级的BNN剪枝方法,命名为ETB(Evolution from Ternary to Binary).ETB是基于学习的,通过在BNN的量化函数中引入可训练的量化阈值,使权重和激活值逐渐从三值演化到二值或零,旨在使网络在训练期间自动识别不重要的结构.此外,一个剪枝率调节算法也被设计用于调控网络的剪枝率.训练后,全零滤波器和对应的输出通道可被直接裁剪而获得精简的BNN,无需微调.为证明提出方法的可行性和其提升BNN推理效率而不牺牲准确率的潜力,在CIFAR-10上进行实验:在CIFAR-10数据集上,ETB对VGG-Small模型进行了 46.3％的剪枝,模型大小压缩至0.34 MByte,准确率为89.97％,并在ResNet-18模型上进行了 30.01％的剪枝,模型大小压缩至1.33 MByte,准确率为90.79％.在准确率和参数量方面,对比一些现有的BNN剪枝方法,ETB具有一定的优势.

    二值神经网络剪枝可训练门限演化

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于XGBoost算法的内部网络安全威胁检测方法

    丁梓轩陈国
    366-371页
    查看更多>>摘要：针对内部网络安全威胁节点成因多、特征难捕捉问题,提出一种基于XGBoost算法的内部网络安全威胁检测方法.以内部网络社区间的状态差异作为指标,计算不同社区类型内节点的边权重,查找与目标值存在关联性的节点.经多次分配提取特征值,将其作为初始值输入XGBoost决策树中,构建威胁性特征目标函数,求解每个节点对应的泰勒系数,实现内部网络安全威胁检测.实验结果表明,所提方法特征提取精准度高,在多种网络攻击条件下均能实现精准检测.

    XGBoost算法安全威胁检测目标函数泰勒系数网络社区

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于迁移学习的非结构化大数据缺失值插补算法

    颜远海杨莉云
    372-377页
    查看更多>>摘要：针对数字信息产生的海量、多角度的非结构化大数据,由于外界干扰、数据结构损坏等因素造成其信息丢失问题,提出了基于迁移学习的非结构化大数据缺失值插补算法.通过迁移学习算法,预测非结构化大数据缺失部位,利用朴素贝叶斯算法分类数据特征,度量属性间权重值,明确数据类别特征差异向量,辨别特征差异程度.采用核回归模型对数据缺失部分实施非线性映射,经过多项式变化编码,描述数据的跨空间互补条件,完成非结构化大数据缺失值插补.实验结果表明,所提算法可以有效完成非结构化大数据缺失值插补,具有较好的插补效果,能提高插补精度.

    迁移学习非结构化大数据缺失值插补缺失值预测核回归函数

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于YOLOv5的倒地检测

    何乐华谢光珍刘柯翔吴宁...
    378-386页
    查看更多>>摘要：为提高传统目标检测的识别效果和准确率,并加快运算速度,提出了一种具有更强大特征学习和特征表达能力的卷积神经网络(CNN:Convolutional Neural Network)模型和相关的深度学习训练算法,并将其应用于计算机视觉领域的大规模识别任务.首先详细分析了传统目标检测算法,如V-J(Viola-Jones)检测器、HOG(Histogram of Oriented Gradients)特征结合 SVM(Support Vector Machine)分类器和 DPM(Deformable Parts Model)检测器的特点.然后提出了深度学习算法,如RCNN(Region-based Convolutional Neural Networks)算法和YOLO(You Only Look Once)算法,并分析了其在目标检测任务中的应用现状.针对倒地检测任务,使用YOLOv5(You Only Look Once version 5)模型对不同身高体型目标人群的行为进行训练.通过使用不同的交并比(IOU:Intersection over Union)、准确率(Precision,P)、召回率(Recall,R)和 PR 曲线等评估指标,对 YOLOv5 模型进行了分析,评估了其在检测站立和倒地两种活动方式的实际效果.同时通过预训练和增强处理,增加了训练样本数量并提高了网络的识别准确率.实验结果表明,倒地识别率达到了 86％.可将其应用于灾区探测救援类机器人的设计中,以辅助识别和分类受伤倒地人员,提高灾区救援效率.

    目标检测卷积神经网络YOLO模型计算机视觉深度学习

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据