杨旻
- 作品数：13 被引量：17H指数：2
- 供职机构：烟台大学数学与信息科学学院更多>>
- 发文基金：国家自然科学基金国家重点基础研究发展计划山东省自然科学基金更多>>
- 相关领域：理学自动化与计算机技术更多>>
- 题库查找问题的一类简单局部采样算法
- 2017年
- 近年来,诸如在线查题这样的图像匹配问题,由于广泛的用户需求和良好的应用前景,日益得到重视。对于这类题库匹配查找问题构建了一类新型的局部采样算法,该算法适用于轻微变形且文字较为稀疏的题库问题,如数学题库。对于经过预处理后的图像,采用不同的空间步长,仅仅针对每幅图像的中间部分进行间隔的降采样,并对采样结果进行简单的行(列)求和构建相应的低维特征向量,利用所得低维特征向量进行自适应查找匹配。最后,实验结合倾斜与变形图像、边缘模糊图像这两类情形进行算法测试,获得了令人满意的查找结果。
- 杨旻于宪荣
- 关键词：自适应
- 非线性双曲型方程的广义差分方法及其误差估计
- 2003年
- 针对二维非线性双曲型方程初边值问题提出了全离散广义差分格式 ,其中试探函数空间为分片线性函数空间 ,而检验函数空间为分片常数空间 ,并得到了最优H1 误差估计 。
- 杨旻
- 关键词：非线性双曲型方程边值问题
- 半正定两相驱动问题的多步有限体积方法及其理论分析被引量：1
- 2006年
- 考虑多维半正定两相驱动方程的初边值问题,在非结构网格上构造多步的迎风有限体积格式,利用微分方程先验估计理论证明了格式的离散模形式的误差估计为D(△t^2+h),其中△t和h分别表示时空步长．数值算例进一步验证了格式的有效性．
- 杨旻袁益让
- 非线性对流扩散方程沿特征线的多步有限体积元格式被引量：5
- 2004年
- 对于二维非线性对流扩散方程构造了沿特征线方向的多步有限体积元格式,关于空间采用二次有限体积元方法离散,关于时间采用多步法进行离散,获得了O(△t^2+h^2)形式的误差估计。本文最后给出的数值算例表明了方法的有效性。
- 杨旻袁益让
- 关键词：非线性对流扩散方程数值算例有限体积特征线多步法
- 基于Lipschitz常数约束的胶囊网络鲁棒性增强
- 2023年
- 为了提升胶囊神经网络的对抗鲁棒性,本文提出了基于Lipschitz常数约束的正则化方法,利用对抗训练方法来得到更加鲁棒的胶囊网络,将改进后的模型命名为Lips-CapsNet。相比较其它模型而言,Lips-CapsNet计算简便,不需要对胶囊网络的结构做出任何改变。实验结果显示,模型在MNIST、SVHN等数据集上实现了鲁棒性的提升,尤其是在Fashion-MNIST数据集上,在较强的攻击算法下,对抗样本的预测精度提升可达8%。
- 魏鹏飞杨旻张媛媛
- 关键词：LIPSCHITZ常数正则化
- 标签带噪声数据的重加权半监督分类方法被引量：2
- 2019年
- 对于仅有部分数据带标签且标签含有噪声的二分类问题,提出了一类基于重要性重加权的半监督分类算法,借助贝叶斯公式和无约束最小二乘拟合进行标签噪声率的估计,并由此利用BP神经网络逐步求解带权的优化问题,在多个标准数据集上的实验结果表明,本文提出重加权的半监督分类方法,能有效地降低标签不足以及标签噪声对分类准确率的影响。
- 陈倩杨旻魏鹏飞
- 关键词：半监督分类
- 椭圆方程约束最优控制问题的深度计算
- 2022年
- 对于PDE约束最优控制问题,传统方法主要借助有限元、有限差分等数值离散手段。本文研究一类受椭圆方程约束的最优控制问题,将问题转化为特定的优化目标,构建出相应的损失函数,最后通过建立深度神经网络来求解。本文给出的深度学习方法具有很好的泛化性,能够求解控制变量无约束和带约束情形。最后实验结果验证了方法的有效性。
- 辛梦琦毕春加杨旻
- 关键词：神经网络最优控制
- 几类有限体积元及有限体积格式的数值分析
- 有限体积元(FVE)和有限体积(FV)方法作为守恒型问题的离散方法具有较长的历史,这类方法被广泛的应用于科学工程计算领域中,如流体力学,热传导,物质运移以及石油工业等,在早期的文献中[2-6],这类方法亦被称为积分有限差...
- 杨旻
- 关键词：有限体积元有限体积格式
- 非线性抛物型方程组的二次有限体积元方法及其误差估计被引量：3
- 2006年
- 讨论基于三角形网格的二维非线性抛物型方程组的有限体积元方法,其中试探函数空间为二次Lagrange元,检验函数空间为分片常数函数空间,对问题的全离散格式证明了最优的能量模误差估计。最后给出一个相关数值算例以验证格式的有效性。
- 杨旻袁益让
- 关键词：非线性抛物型方程组有限体积元
- 基于多边缘信息融合的图像修复模型被引量：2
- 2023年
- 提出了一种基于多边缘信息融合的深度学习图像修复模型MEC,将图像修复任务解耦为边缘信息修复任务和条件图像修复任务。首先,MEC通过边缘信息修复网络对缺失图像的多种边缘信息进行修复;之后,修复的边缘信息通过信息融合作为先验知识来辅助缺失图像的修复。实验结果表明,MEC的修复结果无论是在直观感受还是在量化指标上都比现有的深度学习图像修复模型有进一步的提升。
- 王寓枫杨旻
- 关键词：图像修复先验知识信息融合
