华南师范大学计算机学院学硕,华南师范大学计算机学院研究生导师简介肖菁

肖菁   副教授

School of computer science, South China Normal University

主页地址: www.scholat.com/xiaojing

联系邮箱:xiaojing@scnu.edu.cn

研究领域: computational intelligence, data mining and information retrieval

获武汉大学学士、硕士(BS and MS from the department of computer science,  Wuhan University),新加坡国立大学博士学位(PhD from the school of computing, National University of Singapore),硕士生导师。目前主要研究方向为计算智能(利用智能优化算法求解函数优化、路径优化、工作流/车辆调度、项目管理等问题),数据挖掘(文本信息和生物信息的挖掘)和信息检索(桌面/Web智能搜索引擎的研究与应用)。在国际知名的人工智能杂志和会议上发表了计算智能、Web文本检索和中英文信息抽取等方面的论文30多篇。并多次参加在美国、欧洲举行的国际学术会议并作会议学术报告。主持的科研项目有:国家自然科学基金、广东省自然科学基金团队研究项目(核心成员)、教育部博士点新教师基金、教育部留学回国人员基金、广东省信息安全重点实验室开放课题和广州市科技攻关计划项目。独立指导全日制学术型硕士和工程硕士10多名,其中学生曾获得IBM优秀研究生和广东省南粤优秀研究生称号。

欢迎对科研感兴趣的本科生和研究生跟我联系。

联系信息

所在单位 :  School of computer science, South China Normal University

联系地址 :   广州市中山大道西55号,华南师范大学计算机学院,510631

联系邮箱 :   xiaojing@scnu.edu.cn

论文信息 :      全部 期刊论文 会议论文 其他

[1]  Jing Xiao, Xian-ting Ao, Yong Tang.  Solving software project scheduling problems with ant colony optimization .  Computers & Operations Research, vol. 40, issue 1, Jan. 2013. pp. 33-46. (SCI)

[2]  肖菁,吴洲.  基于时间轴的软件多项目任务调度遗传算法 .  计算机科学, 2012.

[3]  肖菁,梁燕辉.  基于改进Ant-miner算法的分类规则挖掘 .  计算机工程, 38(17): 162-165. 2012.

[4]  肖菁,潘中亮.  股票价格短期预测的LM遗传神经网络算法 .  计算机应用, 32(增1): 144-146. 2012.

[5]  Jing Xiao, LiangPing Li..  A Hybrid Ant Colony Optimization for Continuous Domains. .  Expert Systems with Applications, vol. 38, issue 9, pp. 11072-11077. 2011. (SCI)

[6]  Jing Xiao, Yuping Yan, Jun Zhang and Yong Tang.  A Quantum-inspired Genetic Algorithm for k-means Clustering .  Expert Systems with Applications, vol. 37, pp. 4966-4973. July. 2010. (SCI)

[7]  肖菁,李亮平,XIAO Jing,LI Liang-ping.  基于信息熵调整的自适应蚁群算法 .  计算机工程与设计,2010

[8]  Xiao-Min Hu, Jun Zhang, Henry Shu-Hung Chung, Ou Liu and Jing Xiao.  An Intelligent Testing System Embedded with an Ant-Colony-Optimization-Based Test Composition Method .  IEEE Transactions on Systems, Man, and Cybernetics-Part C: Applications and Reviews Vol. 39, No. 6, 2009, pp. 659-669. (SCI)

[9]  Jing Xiao, Yuping Yan, Jun Zhang.  HPBILc: A Histogram-based EDA for Continuous Optimization .  Applied Mathematics and Computation Vol. 215, No. 3, pp. 973-982. Oct. 2009. (SCI)

[10]  Xiao-min Hu, Jun Zhang, Jing Xiao and Yun Li.  Protein Folding in Hydrophobic-Polar Lattice Model: A Flexible Ant Colony Optimization Approach .  Protein and Peptide Letters Vol. 15, No. 5, pp. 469-477, 2008. (SCI)

[11]  Ying Lin, Jun Zhang and Jing Xiao.  Pseudo Parallel Ant Colony Optimization for Continuous Functions .  Applied Mathematics and Computation Vol. 205, No. 2, pp. 677-687, 2008. (SCI)

[12]  Jing Xiao, YuPing Yan, Ying Lin, Ling Yuan and Jun Zhang.  A Quantum-inspired Genetic Algorithm for Data Clustering .  proceedings of IEEE Congress on Evolutionary Computation 2008 (IEEE CEC 2008) pp. 1513-1519. (EI)

[13]  Jing Xiao.  Fuzzy Pattern Rule Induction for Information Extraction .  Lecture Notes in Computer Science (LNCS 4683), pp.641-651, 2007. (EI)

[14]  Jing Xiao, GuanNeng Huang and Yong Tang.  An Open Source Web Browser for Visually Impaired .  Lecture Notes in Computer Science (LNCS 4681), pp.90-101, 2007. (EI)

[15]  Zhi-hui Zhan, Jing Xiao and Jun Zhang, Wei-neng Chen.  Adaptive Control of Acceleration Coefficients for Particle Swarm Optimization Based on Clustering Analysis .  IEEE Congress on Evolutionary Computation 2007(IEEE CEC 2007),pp. 3276-3282. (EI)

[16]  Jing Xiao.  A Two-View CoTraining Rule Induction System for Information Extraction .  Lecture Notes in Artificial Intelligence (LNAI 4114), pp. 1183-1190, 2006. (SCI)

著作信息

该学者并未公布其著作情况!

项目信息

[1]  云计算核心技术及云服务应用研究.  . 广东省自然科学基金团队研究项目.  汤庸、赵淦森、蒋运承、刘波、肖菁

[2]  全球交付模式下IT项目集柔性资源约束调度方法的研究 .  国家自然科学基金.  肖菁

[3]  文本特征提取优化的自适应蚁群算法解决方案的研究.  . 教育部博士点基金.  肖菁

[4]  信息抽取与文本挖掘互惠模型的研究 .  教育部留学回国人员基金.  肖菁

[5]  数字水印参数阈值优化的蚁群算法研究.  . 广东省信息安全重点实验室开放基金.  肖菁

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值