源域
- 基于改進遷移學習的運動想象分類識別算法
;基于DTW進行源域數據對齊,計算與目標域數據的KL散度,并通過源域數據加權處理,提高了目標域數據的分類識別準確率[12];利用歐式對齊(EA)源域數據,以提升BCI遷移學習效率,相較于黎曼空間對齊(RA)方法速度更快[13]。上述研究通過在樣本維度上進行度量和加權以提高分類識別準確率,更適用于樣本數據量較大的情況,但在樣本量小的情況下,遷移效果并不理想?；谔卣鞯倪w移學習研究方面,如:基于實驗前腦電信號低維表征的遷移學習腦電信號解碼框架,并用于提取受試者
計量學報 2023年11期2023-12-06
- 基于稀疏字典表示的無監督域適應學習算法
形式是利用相關的源域知識輔助目標域學習,以解決目標域數據或數據標簽稀缺的問題。人類對于遷移學習的能力則是與生俱來的,一些成語如“舉一反三”“照貓畫虎”和“依葫蘆畫瓢”等也俱能反映出人類的遷移學習能力很強。但是,這種遷移能力往往體現在兩種相同的事物中,如學會自行車的騎行可以較好地幫助學習騎電動自行車,自行車和電動自行車在大體結構上是相同的。學會象棋的人也能較為容易地學會國際象棋,因為兩種棋類有很多的共通知識。因此,遷移學習的主要方法就是尋找源領域和目標領域中
計算機應用與軟件 2023年7期2023-08-10
- 一種新的半監督歸納遷移學習框架：Co-Transfer
泛應用于將知識從源域遷移到相關的目標域的任務[1-2].根據Pan 等人[1]的工作，遷移學習可分為3 類：歸納遷移學習、直推式遷移學習和無監督遷移學習.有著與前面這3 種遷移學習不同的設置，一種名為“半監督遷移學習”的研究開始被學術界關注[3-6]，它被用于解決許多實際應用問題，其學習范式一般是目標域中僅有少量樣本被標記，而源域中的所有樣本都被標記或者是源域中有一個預訓練模型.但是，與這種“半監督遷移學習”不一樣，在許多實際應用中，源域和目標域中包含標記
計算機研究與發展 2023年7期2023-07-20
- 多源域分布下優化權重的遷移學習Boosting方法
移學習是為了解決源域與目標域數據空間分布不一致情況下，從源域中抽取有用的知識訓練模型。因其可以在目標域訓練數據不完備的情況下從源域遷移獲取知識，減少了獲取標注目標域數據的成本。近年來，遷移學習在各個領域都有著高度的關注與廣泛的應用[1]。當一組數據很容易過時，可能會出現遷移學習的需求。在這種情況下，在一個時間段內獲得的標記數據在以后的時間段內可能不會遵循相同的分布[2]。此外，在目標域沒有標注或者標注目標域數據代價高昂的情況下，遷移學習可以節省大量的標記工
計算機與生活 2023年6期2023-06-07
- 論柳宗元流寓文學創作的意象圖式與隱喻編碼
個大類。第一類是源域與目標域只存在一組對應關系的單質意象圖式，這個類別包含三種隱喻建構方式：一是基于自己的審美情趣與流寓心理，選擇帶有民族印記、積淀著歷史文化的“表象”以構建意象圖式；二是在傳統隱喻結構上添加語碼，賦予已有意象圖式新的隱喻功能；三是進行個人化的“表象賦值”，在特定語境中自然生成單質意象圖式。單質意象圖式在柳宗元的流寓文學創作中使用頻率較高。第二類是源域與目標域之間至少存在兩組對應關系的化合意象圖式，這個類別包含兩種隱喻建構方式。第一種方式是
江漢論壇 2023年4期2023-05-27
- 對不平衡數據的多源在線遷移學習算法
利用從一個或多個源域中提取的有用信息來提高目標域的學習性能。一個典型的例子是，收集足夠的老虎數據是困難的，但貓的數據是豐富的，遷移學習可以用來建立一個利用貓數據的老虎分類模型。因此遷移學習顯著的好處就是，利用源域中的有用知識提高整體函數預測性能，并減少昂貴的數據標記工作。因此，遷移學習已經被應用到各個領域，趙鵬飛等人[5]闡述了不同的遷移學習方法在人機對話系統的意識識別任務中的應用。任豪等人[6]介紹了遷移學習在跨領域的推薦算法上的應用。遷移學習研究之初僅
計算機與生活 2023年3期2023-03-10
- 基于相似性遷移的網絡流量分類方法
布一致，利用舊的源域知識幫助目標域的學習，實現知識遷移。將基于樣本的遷移學習理論TrAdaBoost[6]應用于網絡流量分類面臨3個問題：一是源域數據與目標域數據相似度低差異較大時，分類效果不好且可能出現負遷移；二是TrAdaBoost是二分類輸出模型，需要改變使其適應網絡流量多分類任務；三是多次迭代后源域權重的快速收斂問題?；诖?，本文提出一種基于相似性遷移的網絡流量分類方法，引入TrAdaBoost模型并進行改進，解決上述問題，實現網絡流量多分類。1
計算機工程與設計 2023年2期2023-02-21
- 基于自糾錯偽標簽的無監督域自適應
同領域(分別稱為源域和目標域)的問題。若用源域的標記樣本進行訓練學習到的模型，在不進行域自適應的情況下直接應用于目標域樣本，則模型會出現明顯的性能下降。這種性能的降低主要是由于兩個領域之間存在因為數據分布差異而導致的域偏移所造成。不少域自適應方法采用偽標簽[2]的思想，利用源域數據訓練出的模型為目標域生成偽標簽。但是現存的偽標簽方法存在兩個不足之處：偽標簽由源域數據訓練的模型生成，這會導致偽標簽受限于源域數據，因為域遷移現象，該偽標簽無法完全適配目標域數據
計算機技術與發展 2023年1期2023-02-06
- 多率量測下隨機跳變系統遷移交互多模型估計
計器.該方法利用源域濾波器處理緩慢、不規則采樣且不易獲得的高精度輔助量測數據,而通過目標域濾波器處理快速、規則采樣和無延遲的常規量測數據.同時,利用平滑策略實現源域慢速率輔助量測信息到目標域快速率數據的知識遷移.然后,通過定義利用常規量測數據獲得的待估計狀態的后驗概率與引入高精度輔助量測數據獲得的待估計狀態的后驗概率之間差異性度量方法,求解最優的貝葉斯遷移估計器,實現輔助信息的充分利用,提高了估計精度.本文的創新點和貢獻主要體現在以下4 個方面:1) 不同
自動化學報 2023年1期2023-01-16
- 基于shapelets時間序列的多源遷移學習滾動軸承故障診斷方法
工況下的數據作為源域與目標域，通過遷移學習實現了小樣本條件下滾動軸承故障的精確診斷。PANG等[12]利用跨域堆疊降噪自編碼器實現了跨領域滾動軸承故障診斷。上述基于遷移學習的故障診斷方法證明了通過知識遷移提高滾動軸承故障診斷精度的可行性，但它們都是采用相同設備在不同工況下的試驗數據來驗證遷移效果的。如果源域與目標域的相關性不強，那么遷移學習有可能出現負遷移與次優解的問題。相比單源遷移學習，多源遷移學習不僅可以從多個源域中挖掘出更多的知識用于目標域的學習，還
中國機械工程 2022年24期2023-01-05
- 宋代男女詞人筆下女性隱喻源域的認知比較
詞人筆下女性隱喻源域的異同。此處女性隱喻指以和女性相關的方方面面，包括但不限于身形外貌、衣著配飾、人品性格、感情遭遇等，做源域或目標域的隱喻。一、研究設計本文的研究對象為宋代289首男詞人詞作，全部來自許淵沖譯《宋詞三百首》，宋代59首女詞人詞作中，11首來自許淵沖譯《宋詞三百首》，由于數量偏少，故補充了另外48首來自網絡數據庫趙彥春、茅于美等的譯作。雖然沒有窮盡所有宋詞，但選擇被權威譯者研究過的宋詞代表作品作為研究對象，有助于得出具有一定代表性的研究結論
鹽城工學院學報（社會科學版） 2022年4期2022-11-24
- 基于多源域深度遷移學習的舵機在線故障診斷
其主要思想是利用源域有標注的數據，訓練出與源域數據分布不同的目標域樣本的泛化故障診斷模型。遷移學習分為基于實例的遷移學習、基于特征的遷移學習和基于參數的遷移學習?；谔卣鞯倪w移學習方法因具有很好的糾正差異能力得到了廣泛研究，其將源域樣本和目標域樣本映射到共享特征空間，通過度量并最小化源域和目標域數據特征之間的分布差異來挖掘兩者之間的相似性，使得在源域上訓練好的模型能應用于目標域任務中。常用的差異度量方式有最大均值偏差(maximum mean discre
兵器裝備工程學報 2022年9期2022-10-14
- 基于概念隱喻理論的韓漢位移動詞語義對比分析*
——以“”與“出”為例
映射，映射一般由源域向目標域（靶域）進行。多義動詞語義擴展的過程與之相符。表1 基于概念隱喻理論的動詞語義分析模式我們知道，隱喻一般從源域向靶域映射，語義的衍生過程就是人們對該詞語的認知從源域映射到靶域的過程。但原型語義不等于源域，原型語義代表的是語義家族的相似性。而源域是語義最初的認知域。通常源域是與人或與人的經驗有關。因此“”與“出”的源域也與人有關?！啊迸c“出”的源域均為人體，具有從[+母胎內→母體外]的語義表征?！啊迸c“出”的語義從源域映射到各個靶
新教育時代電子雜志(教師版) 2022年19期2022-09-30
- 基于漸進多源域遷移的無監督跨域目標檢測
檢測算法.其中,源域數據集(如圖1 中上行圖片)有分類標注與邊界框標注,而目標域沒有標注信息(如圖1 中下行圖片).將大量易得的標注數據的知識遷移到其他不易得且缺乏標注的數據域中,以提升檢測器在不同場景下的適應能力,是本文的主要研究目的.圖1 Cityscapes[9] (上)與Foggy Cityscapes[10] (下)示例圖Fig.1 Examples from Cityscapes[9] (up) and Foggy Cityscapes[10]
自動化學報 2022年9期2022-09-30
- 基于多源域深度遷移學習的機械故障診斷
上研究主要是從單源域出發利用域適應或域對抗學習方法解決變工況、不同設備、新工況故障數據不足以及出現未知故障的旋轉機械故障診斷問題。然而在實際工業場景中，由于單一工況或單一設備的個性，進行單源域遷移學習會出現域不匹配造成負遷移和模型泛化能力不足的現象。而從多種工況的數據出發，即進行多源域下遷移學習任務，能夠集成多源域故障特征信息，提取更好的域不變公共特征，學習到故障知識，將對于未知工況下的故障診斷具有較好的診斷效果。因此，本文將結合錨適配器集成和深度神經網絡
振動與沖擊 2022年9期2022-05-16
- 聚類中心對齊的無監督域適應網絡
標注數據集定義為源域，無標簽的新數據集定義為目標域，由于兩個域的特征空間和分布并不相同，直接使用源域數據訓練的分類器對目標域數據的分類效果不盡人意.因此，有效利用相似域的可用數據，從而減少對新樣本進行標記的需求和工作量是非常必要的.這就產生了一種新的機器學習領域即遷移學習[1]，將源域和目標域是否有標簽以及兩個域任務是否相同作為劃分依據將遷移學習分為3類：歸納式，直推式以及無監督遷移學習.域適應屬于直推式，是遷移學習中最受歡迎的一個子領域，它假定源域有標簽
小型微型計算機系統 2022年4期2022-05-09
- 空間變化場景下衛星部組件域適應識別研究*
寬。對于任意一個源域樣本特征fs和目標域樣本ft，得到svec(fs)和svec(ft)，并且用歸一化的內積sr來表示這兩個樣本的關聯性為近似度量源域樣本和目標域空間的關聯性，在模型訓練過程中，將源域數據集打亂并進行順序采樣，對目標域數據集進行隨機采樣。迭代m次后，可以得到均值。在一個epoch 定義內，以μrele作為閾值，源域樣本計算得到的sr＞μrele，則表示該源域樣本被擊中，與目標域場景關聯性較強。在訓練多個epoch 后，可以得到其中μrele
遙測遙控 2022年2期2022-03-22
- 結合對抗網絡與條件均值的多源適應分類方法
g，TL)借助于源域數據訓練過程中學到的知識，完成對目標域的識別[7]。但是不同域之間存在的間隙使得源域訓練的模型在目標域進行識別的時候學習效果會受到影響，域適應[8]學習作為遷移學習中的一種代表性方法，通過建立從有標簽源域到無標簽目標域的知識遷移，學習域間共享信息，實現模型在目標域上的正確分類[9]。針對域適應的研究，SankaraNara-yanan等[10]提出的生成適應網絡(generate-to-adapt，GTA)，通過學習單個源和單個目標之間
計算機工程與設計 2022年3期2022-03-21
- 基于多模態域對抗神經網絡的調制識別算法
際電子偵察場景中源域調制數據和目標域調制數據因為碼速率的差異而導致數據分布不同，預先訓練的深度學習模型失配，智能調制識別算法性能急劇惡化且大量無標注目標域調制數據未被利用的問題，利用遷移學習技術進行知識遷移，結合無標簽目標域調制數據參與訓練，充分挖掘源域和目標域的相關性，使得源域調制數據訓練獲得的知識能有效地提升目標域調制數據的性能。本文在前人研究的基礎上，采用一種基于多模態域對抗神經網絡的調制識別算法，在域對抗神經網絡基礎上同時使用時域和頻域的多模態信息
航天電子對抗 2021年6期2022-01-20
- 基于特征遷移的域自適應算法研究進展
學習;語義分割;源域;目標域當今采用機器學習或者深度學習方法從海量數據提取有用信息已經成為主流。域自適算法利用已有的帶標簽原始數據集訓練一個模型，并且將訓練好的模型用于不帶標簽的目標數據集的標注工作。域自適應依據不同的假設有不同的方法?；谔卣鬟w移的觀點認為發生域漂移的問題在于源數據集和目標數據集的分布不一致，可以通過一系列算法對齊它們的分布實現遷移學習。本文以特征遷移的觀點從非深度學習方法和深度學習兩個方面對當下域自適應方法進行闡述。一、非深度學習的域自
三悅文摘·教育學刊 2021年42期2021-12-03
- 漢英食物類詞語隱喻用法對比
)”。[1]依據源域到目標域的映射路徑，我們歸納出以下幾種語義橋的類型。(一)食物的外形[2]食物的外形特征包括顏色、體積以及形狀。1.由顏色產生的隱喻，如：【香蕉】思想上、文化上已經完全西化的海外華人及其后代(《現代漢語詞典》，后文簡稱《現漢》)——“香蕉”的表皮為黃色，果肉為白色?！緇ettuce】【cabbage】【spinach】one dollar(一美元)(《世界英語俚語詞典》，后文簡稱《俚語》)[3]——“lettuce (萵苣)”“cabb
山東商業職業技術學院學報 2021年3期2021-07-02
- 基于貝葉斯網絡參數遷移學習的電熔鎂爐異常工況識別
通過使用來自相關源域的數據及其他信息解決目標域問題.文獻[11]基于文獻[9?10]建立的BN 模型,考慮了來自同一工廠或其他工廠的電熔鎂爐的異常工況數據,提出一種基于BN 參數遷移學習的異常工況識別方法,提高了目標域異常工況識別的準確率.然而,文獻[11]所提出的方法僅適用于源域BN 與目標域BN 結構一致情況下的參數遷移學習.在實際情況中,很多工廠僅通過電流特征建立模型對異常工況進行識別,此時源域BN 與目標域BN 結構不一致,文獻[11]提出的方法無
自動化學報 2021年1期2021-03-04
- 小說《授者》中身體隱喻的運用
隱喻;身體隱喻;源域;目標域作者簡介：劉思佳（1995-），女，漢族，遼寧省沈陽市人，遼寧大學外國語學院外國語言學及應用語言學專業碩士研究生。[中圖分類號]：I106? [文獻標識碼]：A[文章編號]：1002-2139（2021）-02--02一、身體隱喻概述1、身體隱喻內涵身體隱喻是指將身體部位域映射到其他概念域。即憑借人體的知識或經驗來理解抽象的、新的概念。從人體到客觀物質世界的映射是基于這兩個概念域在形態、功能和位置上的相似性，從而形成人體隱喻。因
青年文學家 2021年2期2021-02-26
- 無監督域適應的表示學習算法
于訓練做訓練集的源域中已經擁有大量有標簽的數據，但是源域的數據和真正需要進行分類的目的域數據并不是同分布的.所以域自適應主要解決兩個域分布適應的問題，從而借助源域中大量有標簽的數據集對目的域的數據進行識別.目前傳統的域自適應算法的相關研究工作主要分為以下3種方式：1)數據分布的適應：即通過某種變換直接將兩個域的分布拉近或者選擇出分布相似的公共特征，主要通過最大平均差異(maximum mean discrepancy, MMD)[5]度量變換后的兩個域的相
哈爾濱工業大學學報 2021年2期2021-01-26
- 基于域自適應與多子空間的人臉識別研究
豐富的監督信息(源域)遷移到另一個不同但相關的領域(目標域)。子空間學習是域自適應的一種方法，文獻[4]在保持數據的原始結構的同時，通過最小化源域和目標域之間的差異得到潛在的公共子空間。但上述方法只利用了源域和目標域的共同特征，忽略了目標域對分類任務有利的特定信息。文獻[5]提出了一種TSD域自適應方法，帶有標簽的源域數據由公共子空間中的目標域數據(稱為目標化源域)表示。TSD的公共子空間在較好地保持源域和目標域結構的基礎上使源域和目標域數據具有良好的交融
桂林電子科技大學學報 2020年3期2020-12-18
- 基于參數字典的多源域自適應學習算法
移學習利用相關的源域知識輔助目標域學習，以解決目標域數據或數據標簽稀缺的問題，目前已得到機器學習領域的廣泛關注。在推薦系統中，遷移學習利用評分完善的電影數據幫助推薦無評分記錄的書籍，解決冷啟動問題；在室內wifi定位中，借助遷移學習，利用前時刻已有設備采集的信號數據，幫助學習新設備和未來時刻產生的信號。其實，遷移學習廣泛存在于人類活動中，一個人學會了自行車，便很容易學會開電動車；熟悉五子棋，則可將知識遷移到學習圍棋中。遷移學習的關鍵在于如何找到源領域和目標
計算機技術與發展 2020年11期2020-12-04
- 基于多源域遷移學習的腦電情感識別
新被試上，挖掘出源域被試和目標被試間共享的信息，最終構建適應目標被試數據分布的模型。對于單源域遷移學習，如果領域間的相關性較低，直接遷移可能會產生負遷移現象[4]，并且在進行跨被試情感識別時往往存在多個源域被試數據，因此可以利用多源域遷移學習來彌補單源域遷移學習的不足。目前鮮有文獻從樣本和特征兩個層面對待遷移的多源域數據進行優化的報道，本文提出用多源域選擇(multi-source domain selection，MDS)與遷移特征選擇(transfer
計算機工程與設計 2020年7期2020-07-20
- 中國傳統文化中“鄉愁文化”的認知隱喻分析
。關鍵詞：鄉愁;源域;目標域什么是“鄉愁”？這種情緒不像愛情情緒的濃烈，也不是針對具體對象的掛念，它是漂泊在外的游子在對故鄉的不斷回憶中尋求美好、牽掛的感受。從古至今，多少文人騷客都為“鄉愁”這種情緒困擾、落淚。在中國傳統文化的背景下，在這些表達游子情緒的話語或詩詞中，文人們都無一例外地避開了直接描寫“鄉愁”，而選擇了隱喻的表達。在文人們建立的“鄉愁”隱喻中，我們發現，詩人對“隱喻”的選擇極為巧妙，不僅表達了情緒，還建立了自己與眾不同的表達風格和美學感受，
北方文學 2020年6期2020-06-19
- 選擇性集成遷移算法在軸承故障診斷領域的應用
習是運用己存有（源域）知識對不同但相關領域（目標域）問題進行求解的一種機器學習方法，是一種可以有效解決傳統機器學習以上兩個問題的方法，目的是遷移已有的知識來解決目標域中僅有少量有標簽樣本數據甚至沒有的學習問題。目前已在文檔分類、情感分類、計算機視覺、網絡搜索排序等領域有著廣泛應用[9]。如文獻[10]將基于最大間隔的核均值匹配的遷移學習算法應用于文檔分類處理；文獻[11]將遷移學習應用到語音情感識別，解決了跨庫不易識別的難題；文獻[12]提出了基于稀疏編碼
機械設計與制造 2020年5期2020-05-21
- 基于score樣本選擇的同構域適應遷移學習?
中。主要思想是從源域及目標域相關的輔助領域中學習標簽數據或知識結構，以改進或實現目標領域或任務的學習效果。遷移學習試圖實現人通過類比進行學習的能力，例如學習走路的技能可以用來學習跑步、學習識別轎車的經驗可以用來識別卡車等。在自然語言處理［1］、計算機視覺［2～6］、醫療健康與生物信息［7］等領域，目標任務的標簽數據稀缺，域適應［2～3，5，8］等問題十分突出，遷移學習具有很強的現實需求。其中無監督域適應［2，9～15］是特別具有挑戰性的。例如，歧視性訓練的
計算機與數字工程 2019年12期2019-12-27
- 半監督多源域適應集成的球磨機負荷參數軟測量
據)和歷史數據(源域數據)分布存在差異及待測工況數據不足的問題。若根據源域數據建立軟測量回歸模型，則會違背機器學習方法建立在數據同分布條件的前提；若利用少量目標域數據建模，模型預測效果往往不理想。近年來，為適應工況的變化，廣泛采用即時學習、集成學習的建模策略。文獻[7]提出一種基于k近鄰的局部建模方法。文獻[8]引入因果關系利用動態主成分分析實現過程監控。Ma等[9]和Jaffel等[10]運用移動窗策略，對模型實時更新。針對在線測量中可能產生的偏差，Sh
振動與沖擊 2019年19期2019-10-21
- 概念隱喻理論文獻綜述
喻 語言與思維 源域 目標域1.引言隱喻一直是國內外眾多學科關注的話題，除隱喻在修辭層次的研究之外，越來越多的國內外研究將隱喻的認知功能重視起來。Lakoff和Johnson（1980）認為：“隱喻不僅是一種語言現象或文體特征，更是人們基本的認知方式。隱喻就存在于我們的生活，它不僅僅存在于語言中，也存在于思維和活動中?！?980年，在合著的《我們賴以生存的隱喻》一書中，Lakoff和Johnson首次系統地從隱喻的角度對語言和認知的關系作了闡述和分析，認為
新生代·下半月 2019年5期2019-09-10
- 參數字典稀疏表示的完全無監督域適應*
其無需假設訓練/源域（記為S）樣本和測試/目標域（記為T）樣本服從相同的概率分布，即PS(X)≠PT(X)，因此能有效解決因概率分布不同而產生的學習性能退化問題。無監督域適應（unsupervised DA，UDA）作為域適應學習的一個研究分支，通常用于解決標記稀缺、無標記小樣本、個性化設計等問題。其中，無標記小樣本問題備受關注，一般采用聚類方法進行建模，但因樣本量少易導致聚類性能較差。因此，嘗試借助相關域（與目標域分布不同）中的“知識”來提高目標域的學習
計算機與生活 2019年5期2019-07-18
- 從認知語言學的角度對比擬人和隱喻
都是基于相似性從源域到目標域的映射。本文提出隱喻是從源域到目標域的靜態映射，兩個域都會出現，而擬人是從源域到目標域的動態映射且目標域不會單獨出現。關鍵詞：隱喻 擬人 源域 目標域 映射中圖分類號：H05 文獻標識碼：A 文章編號：1009-5349（2019）07-0102-02一、引言“Meatphor”一詞來自希臘語“metapherin”，其中“meta”意味著超越；“pherein”意味著負載，這個詞的意思是指把一個東西從一個地方送到另一個地方；它
現代交際 2019年7期2019-05-16
- 基于多源域深度遷移學習的液晶面板缺陷檢測
配適當的權重，從源域種選擇部分實例作為目標訓練集的補充?；谟成涞纳疃冗w移學習是指將源域和目標域種的實例映射到新的數據空間，在這個新的數據空間中，來自兩個域的實例都是相似且適用于聯合深度神經網絡?；诰W絡的深度遷移學習是指服用在源域中預先訓練好的部分網絡，包括其網絡結構和連結參數，將其遷移到目標中使用的深度神經網絡的一部分?；趯沟纳疃冗w移學習是利用生成對抗網絡技術，找到適用于源域和目標域的可遷移表征。在單源域遷移學習方面，目前已有較多相關研究，但是如果
福建質量管理 2019年6期2019-04-02
- 簡析范疇理論下英漢顏色詞隱喻認知機制
隱喻把顏色詞當作源域，將顏色詞的意象映射到抽象的其它域里，我們能夠通過這樣的隱喻更好地交流與溝通。該文用認知語言學當中的范疇理論和顏色隱喻來分析英漢中不同顏色的隱喻含義，以及涉及到顏色的英漢翻譯中的隱喻現象。此論文有助于英漢雙語學習者提高交流能力，更好地翻譯英漢雙語中的顏色詞。關鍵詞：顏色詞;隱喻;翻譯;源域;范疇理論;映射第一章? 顏色詞簡介無論是漢語還是英語，我們都能從中看到很多顏色詞，作為一個概念范疇，色彩隱喻是相對獨立的概念范疇，其是指色彩在語言中
北方文學 2019年3期2019-03-10
- 共享域特征的深度神經網絡異常檢測方法
度神經網絡提取出源域數據的抽象特征表示，用于提升目標域的分類準確率.Huang et.al[10]使用共享隱含層節點的方法實現深度神經網絡的知識遷移，有效地降低了新語言識別的錯誤率.Heigold et.al[11]和Vu et.al[12]利用分布式深度神經網絡實現多語言聲學模型，從一種語音模型遷移到另一個缺乏訓練數據的語音模型.李陽輝等[13]利用降噪自動編碼器實現了微博情感的分析.需要指出，上述遷移學習方法直接使用所有源域的標簽數據訓練深度神經網絡.
小型微型計算機系統 2018年6期2018-07-04
- 論科技英語新詞的隱喻理據
英語新詞 隱喻 源域 目標域中圖分類號：G64 文獻標識碼：A 文章編號：1672-3791（2018）01（a）-0177-02Abstract： A large number of Scientific English new words emerge with the rapid development of the science and technology. In this process metaphor， as an important m
科技資訊 2018年1期2018-06-05
- 一種基于樣本選擇和在線字典學習的域適應圖像分類算法
適應方法主要包括源域和目標域兩個概念，并且源域和目標域中的數據具有不同的分布形式。域適應方法可被劃分為兩大類，無監督域適應方法和半監督域適應方法，在半監督域適應方法中目標域中的樣本包含少量的類別標簽，而在無監督域適應方法中目標域中的樣本不包含任何類別標簽的信息。由于目標域中的樣本不具有類別信息，因此相比于半監督域適應方法，無監督域適應方法更具挑戰性和實用性。無監督域適應方法的一類常用做法，是基于源域和目標域構建域適應的子空間。該類方法將源域和目標域中的樣本
蘇州市職業大學學報 2018年2期2018-05-26
- 一種基于聚類與分類結合的漢語隱喻短語識別方法
兩個部分，一個“源域”(source domain)和一個“目標域”(target domain)?！?span class="hl">源域”通常是熟知的比較具體直觀、容易理解的一些概念范疇，而“目標域”通常是后來才認識的抽象的、不太容易理解的概念范疇[2]。這里沿用“源域”和“目標域”的說法，將能夠在句子中作為“源域”出現的詞稱為源域詞，例如“殺手”“大軍”“海洋”等都可以稱為源域詞。漢語短語中存在大量的隱喻現象，我們將帶隱喻義的短語稱為隱喻短語。例如表1中有兩種模式的隱喻短語。本文的工
中文信息學報 2018年2期2018-04-16
- 域間F-范數正則化遷移譜聚類方法*
FR的主旨是利用源域的歷史譜聚類知識，即部分歷史特征向量來輔助目標域的譜聚類過程。為此本文基于K近鄰（Knearest neighbor）策略[12]為目標域每一數據樣本從源域挑選一可用來遷移歷史聚類知識的歷史樣本，利用這些歷史數據樣本的歷史特征向量組成歷史特征矩陣，結合F-范數正則化機制[13]構造目標域最優譜聚類目標函數完成聚類。本文算法具有三大特點：（1）通過遷移歷史特征矩陣，TSC-IDFR實現了對歷史知識的有效學習和利用，很大程度上提高了目標算法
計算機與生活 2018年3期2018-03-12
- 跨領域分布適配超限學習機及其在域自適應問題的應用
情況下，訓練集(源域)數據的分類器不能直接用于測試集(目標域)數據的分類.域自適應問題的核心就是為了解決訓練集與測試集分布不等的問題.例如，如果待分類的數據集T的標簽難以獲得，而可使用的有標簽數據集S服從某個與T相關但不同的分布時，就需要運用域自適應的算法，以有效地利用數據集S的信息來低成本地對數據集T進行分析和分類.近年來，研究者們提出了多種實現域自適應的模型和算法，比較常用的有3大類.第一類方法是尋找一個低維子空間，使得源域和目標域的數據樣本在映射到該
中國計量大學學報 2017年4期2018-01-23
- 英文新聞標題中的隱喻
的新聞標題，對其源域、目標域和類型進行分析，揭示了隱喻的本質——通過一種事物來理解另一種事物——是如何在英文新聞標題中得到體現的。這種分析有助于讀者理解新聞標題，從而迅速抓住新聞報道的主旨。關鍵詞：隱喻 新聞標題 源域 目標域近年來，隱喻成為了眾多學者研究的熱點現象。對隱喻最早的研究可追溯到亞里斯多德時期。傳統修辭學里，隱喻被認為是一種修辭方法。20世紀80年代，美國學者Lakoff和Johnson對隱喻的研究擴展了隱喻概念的內涵。他們認為，隱喻是人類認知
文學教育·中旬版 2017年12期2018-01-01
- 二次相似性：隱喻翻譯的靈魂*
性隱喻中目標域和源域之間所具有的或創造出來的相似性是隱喻翻譯的語內相似性，它是隱喻建構不可或缺的要素，隱喻建構的相似形式是隱喻翻譯的語內相似性的外在表現。理解隱喻的語內相似性是隱喻翻譯的前提，同時隱喻的語內相似性也是隱喻翻譯的“一次相似性”，為隱喻翻譯的“二次相似性”形成奠定基礎。1.1 隱喻建構的基礎：相似性人腦在認識客觀事物前具有先已貯存的經驗，即“相似塊”，可將新認知的對象和熟悉的事實建立聯系。隱喻是一種認知現象，其本質就是用一類事物去理解和經歷另一
外語學刊 2017年3期2017-12-07
- 認知隱喻視角下禪宗話語機鋒的特征分析
認知隱喻 特征 源域 目標域一、引言關于隱喻現象，自古以來就有諸多學者對其進行研究，但這些研究多是將隱喻當作一種修辭手段。隱喻真正的革命史始于1980年《我們賴以生存的隱喻》的發表。此時，隱喻從傳統意義上的修辭手段上升到了認知方式的高度上來，從而開辟了認知語言學的新時代。隱喻將始源域的結構、關系、特征和知識映射到目標域之上（Lakoff& Tuener，1989：63-64），實現了用顯而易見、易于理解的事物來刻畫晦澀難懂事物的目的。禪宗作為最具中國特色的
現代語文 2017年10期2017-12-03
- 知識遷移的極大熵聚類算法及其在紋理圖像分割中的應用
題: 1)如何從源域中選擇合適的知識對目標域進行遷移學習以最終強化目標域的聚類性能；2)若存在源域聚類數與目標域聚類數不一致的情況時，該如何進行遷移聚類。為此提出一種全新的遷移聚類機制，即基于聚類中心的中心匹配遷移機制。進一步將該機制與經典極大熵聚類算法相融合提出了基于知識遷移的極大熵聚類算法(KT-MEC)。實驗表明，在不同遷移場景下的紋理圖像分割應用中，KT-MEC算法較很多現有聚類算法具有更高的精確度和抗噪性。遷移學習；中心遷移匹配；極大熵聚類；紋理
智能系統學報 2017年2期2017-05-16
- 概念隱喻理論視角下的高中英語閱讀教學探究
詞： 概念隱喻 源域 目標域 英語閱讀1.引言隱喻不僅是一種修辭手段，還是人類認知不可缺少的手段。美國學者G.Lakoff和M.Johnson在1990年發表的《我們賴以生存的隱喻》一書中，指出隱喻不僅僅是一種語言現象，而且是一種認知現象，是人類思維的重要方式，而語言本質是隱喻的，我們的生活和學習都離不開隱喻。G.Lakoff和M.Johnson提出的隱喻，其“實質是運用另一事物來理解或體驗另一事物”（G.Lakoff & M.Johnson 1980：5
文教資料 2017年3期2017-04-26
- 狄金森詩歌中的新奇隱喻解讀
情感隱喻 詩歌 源域 目的域一、背景艾米莉·狄金森是美國十九世紀最富傳奇色彩的著名抒情女詩人。她一生未嫁，歸隱幽居，生前默默無聞，死后名聲大作，為后人留下了近1800首別具一格、內容豐富的詩歌。她的詩歌自發表以來，在學術界一直備受關注和爭議。但是，最終一致的看法是，狄金森為美國文學做出了重大獨創性貢獻。狄金森的詩歌處處可見新奇的、創造相似性的隱喻。例如“‘希望是個有羽毛的東西，頭腦比天空遼闊，攀登達到高貴的心”等。二、理論介紹隱喻是通過人類的認知和推理，將
教育界·下旬 2016年12期2017-04-19
- 淺析《離騷》中的跨域映射現象
騷》；跨域映射；源域；目標域《離騷》是屈原作品中最具有代表性的一篇，他在《離騷》中大量運用了隱喻以抒發其對君對國的壯志豪情。George Lakoff和Mark Johnson認為，隱喻不僅被看成是語言修辭的表達形式，更是一種思維和行為方式——概念隱喻?；趯Ω拍铍[喻的理解，本文將運用Lakoff等學者的跨域映射原理，分析《離騷》中的香草美人、巫鬼占卜和圖騰崇拜等意象中體現出的跨域映射現象。一、香草美人意象在《離騷》中，屈原常以香花、美草隱喻品性高潔之人，
北方文學·中旬 2017年2期2017-03-25
- 區別性知識利用的遷移分類學習*
利用事先準備好的源域數據為目標域學習提供輔助知識，即從源域抽象出與目標域共享的知識結構時，使用所有的源域數據。然而，由于人力資源的限制，收集真實場景下整體與目標域相關的源域數據并不現實。提出了一種泛化的經驗風險最小化選擇性知識利用模型，并給出了該模型的理論風險上界。所提模型能夠自動篩選出與目標域相關的源域數據子集，解決了源域只有部分知識可用的問題，進而避免了在真實場景下使用整個源域數據集帶來的負遷移效應。在模擬數據集和真實數據集上進行了仿真實驗，結果顯示所
計算機與生活 2017年3期2017-03-16
- 核典型關聯性分析相關特征提取與核邏輯斯蒂回歸域自適應學習
型關聯性分析提取源域目標域最大相關特征,使用核邏輯斯蒂回歸模型進行域自適應學習的算法,該算法稱為KCCA-DAML(Kernel Canonical Correlation Analysis for Domain Adaptation Learning).該算法基于特征集關聯性分析,有效的減小源域和目標域的概率分布差異性,利用提取的最大相關特征通過核邏輯斯蒂回歸模型實現源域到目標域的跨域學習.實驗比較源域數據上核邏輯斯蒂學習模型、目標域上核邏輯斯蒂學習模型
電子學報 2016年12期2017-01-10
- “新經驗主義”視閾下漢日隱喻源域對比研究
”視閾下漢日隱喻源域對比研究李 敏， 王 忻(杭州師范大學 外國語學院， 浙江 杭州 311121)隱喻是各種語言共有的表達形式，但隱喻的源域卻因語言不同而不同。第一，隱喻源域的使用完全基于語言使用者的體驗性；第二，在動物為源域的隱喻中，漢日語所用源域異大于同，原因在于使用者生活環境、習俗異大于同；第三，在身體為源域的隱喻中，兩語言所用源域同大于異，因為人體部位與人的關系不因民族、群體不同而異。其不同之處乃是由語言或習俗不同帶來的經驗差異所致。新經驗主義；
杭州師范大學學報(社會科學版) 2016年6期2016-12-16
- 基于最小最大概率機的遷移學習分類算法
學習分類算法利用源域中大量有標簽的數據和目標域中少量有標簽的數據解決相關但不相同目標域的數據分類問題，但對于已知源域的不同類別數據均值的遷移學習分類問題并不適用。為了解決這個問題，利用源域的數據均值和目標域的少量標記數據構造遷移學習約束項，對最小最大概率機進行正則化約束，提出了基于最小最大概率機的遷移學習分類算法，簡稱TL-MPM。在20 News Groups數據集上的實驗結果表明，目標域數據較少時，所提算法具有更高的分類正確率，從而說明了算法的有效性。
智能系統學報 2016年1期2016-07-01
- 從映射理論視角分析《麥田里的守望者》的成長主題
詞：映射；隱喻；源域；目標域.[中圖分類號]：I106 [文獻標識碼]：A[文章編號]：1002-2139（2015）-29-0-02一、引言杰羅姆·大衛·塞林格的著作《麥田里的守望者》被視為美國20世紀文學的經典作品之一。 該書一出版，就受到國內青少年的熱烈歡迎，認為它道出了自己的心聲。本書描寫一個名叫霍爾頓的十六歲青少年的生活，作者塞林格以犀利的洞察力剖析青少年的復雜心理，透過現象觀察精神實質，描繪了霍爾頓的精神世界的各個方面，既揭示了他受環境影響頹廢
青年文學家 2015年29期2016-05-09
- 英語狗習語的隱喻分析
狗；隱喻；映射；源域；靶域引言西方人喜歡狗，狗是他們忠實的朋友﹑家人甚至伴侶。但狗作為寵物也就是近200年內的事情。根據朗文當代英語詞典（Longman Dictionary of Contemporary English），狗是一種常見有四條腿，皮毛和尾巴的動物，能幫助人們看家，狩獵甚至經訓練可任職專職工作，現多做寵物養于家庭。很明顯，在狗出現的歷史長河中，首先被重視的是它的功能。等到人類社會物質文化極度發展后，人與人的相處方式發生了變化，信任出現了危機
阜陽師范大學學報(社會科學版) 2016年3期2016-04-16
- 可遷移測度準則下的協變量偏移修正多源集成方法
學習通過充分利用源域共享知識，實現對目標域的小樣本問題求解，然而，對訓練和測試樣本分布差異測度仍然是該領域的主要挑戰。該文針對多源遷移學習算法中，由于源域選擇和源域輔助樣本選擇不當引起的“負遷移”問題進行研究，提出一種可遷移測度準則下的協變量偏移修正多源集成方法。首先，根據源域和目標域之間的協變量偏移原則，利用聯合概率的密度估計，定義輔助樣本的可遷移測度，驗證目標域和源域在數據空間中標記分布的一致性。其次，在多源域選擇階段，引入非遷移判別過程，提高了源域知
電子與信息學報 2015年12期2015-08-17