基于VML的句法树的可视化研究

在现代汉语教学和研究中,为了分析句子成分之间的关系,经常需要绘制句法结构图.手工方式绘制具有工作量大,存储容量大等缺陷.针对该问题研究了采用VML技术进行句法结构树自动生成以及句法结构树在网页中可视化的方法.与北大树库中的树图进行比较的结果表明提出的图形元素定位方法更精确.     

基于节点连接模式的缺失节点识别方法

提出了一种基于节点连接模式的缺失节点识别方法.首先通过一组占位符节点及其与已知节点之间的连接,对网络中缺失节点的信息进行了表示;接着结合不同的链路预测指标,为占位符定义了一个节点连接模式向量用于表示占位符与其他节点之间的连接关系;最后基于节点连接模式向量的相关性,对占位符进行聚类,从而完成缺失节点的识别.实验结果表明:提出的方法在Purity和NMI两个评价标准上的性能优于竞争算法.     

基于神经网络的建筑结构节点损伤识别方法

将建筑结构节点损伤识别反问题归结为优化问题，然后用LM人工神经网络来求解．对建筑结构中某些点的垂直位移进行静态测量，用以确定建筑结构中受损伤节点的位置．同经典的优化方法相比，人工神经网络具有全局收敛性．利用神经网络对受损建筑结构节点的位置进行识别是一种可行的方法．数值模拟结果表明，采用Levenberg-Marquardt法训练的神经网络进行结构损伤识别具有较快的收敛速度和较高的识别精度，并且具有良好的鲁棒性。     

基于Bi-LSTM的多层面隐喻识别方法

以双向长短期记忆网络(Bi-LSTM)为核心,结合多层卷积神经网络以及单向长短期记忆网络构建了多层面隐喻识别模型.基于多特征协同作用的思想,利用依存关系特征、语义特征、词性特征等多特征融合输入方法,丰富了模型的学习信息.为降低信息干扰,利用基于统计学的规范化文本输入方法提升模型识别效果.在英文语料词层面和句层面实验中,各个特征均表现出明显的正向作用.裁剪和填充处理及多特征协调作用在英文语料词层面研究中使F₁值分别提升2.5%和5.1%,在句层面研究中F₁值分别提升3.1%和1.9%.在中文语料句层面实验中,最优效果的F₁值可达88.8%.     

基于多通道卷积注意力机制的精神状态识别方法

为了获取老年人的精神状态从而更全面地了解老年人的身体状况,提出了基于多通道卷积注意力机制的精神状态识别方法。首先,对多种生理信号进行数据预处理,将不同采样频率的传感器数据进行重采样操作,保证数据长度一致。其次,根据输入信号的结构特征以及信号的长度设计对应卷积模块,使用4个不同大小的一维卷积核同时对信号进行特征提取,以增强模型的特征提取能力。再次,将卷积结果进行拼接,对拼接结果进行最大池化操作增加模型的感受野,在提取局部特征信号的同时实现信号间的长距离特征表达。最后,实验结果表明,总体分类准确率为99.75%,所提方法优于对比方法。     

基于加权元学习的节点分类算法

受注意力机制和直推式学习方法的启发,提出一种基于加权元学习的节点分类算法.首先利用欧氏距离计算元学习子任务间数据分布的差异;然后利用子图的邻接矩阵计算捕获子任务间数据点的结构差异;最后将二者转化为权重对元训练阶段更新元学习器过程进行加权,构建优化的元学习模型,解决了经典元学习算法在元训练阶段所有元训练子任务的损失是等权重更新元学习器参数的问题.该算法在数据集Citeseer和Cora上的实验结果优于其他经典算法,证明了该算法在少样本节点分类任务上的有效性.     

基于二项熵和邻域节点间范德华力的关键节点识别方法

对节点重要性进行排序是复杂网络中识别关键节点的一种常用分析方法,分析网络中节点的重要性,有助于深入了解网络特性。在现有方法上为进一步提升节点评估精准度,引入二项熵概念来量化节点在网络中的重要性,通过邻域相似度衡量节点间的相互影响力,同时采用范德华力抽象节点之间的相互作用关系,提出一种基于二项熵和邻域节点间范德华力的关键节点识别方法,该方法从网络的整体信息流和相邻节点之间的位置和交互关系,综合考虑节点的局部和全局特征,并选取3个同类算法通过3个评价指标验证性能优劣,实验结果表明该算法对重要节点的判断具有良好的性能。     

基于计算机视觉的植物病害识别方法综述

病害识别是计算机视觉技术在农业领域的重要应用之一,对及时发现和早期预防植物病害起着关键作用。近年来,随着病害识别方法的不断演进,病害识别性能有了显著提高,但自然条件下病害特征提取困难、病害严重程度难以区分等问题依然存在。为了在现有方法的基础上进一步探索病害识别的新思路,先是针对不同识别目标,分析病害识别和病害严重程度识别的研究现状。然后从视觉特征类型和学习方式两个角度对植物病害识别方法进行全面的比较与研究,指出深度模型是当前植物病害识别的主流方法,融合多源信息和结合不同的机器学习方式是改进植物病害识别的重要手段,并将不同识别方法在主流数据集上的性能进行对比和分析。最后对未来发展方向进行展望。     

基于MA-DRNet的糖尿病视网膜病变等级识别方法

糖尿病视网膜病变是糖尿病并发症最常见的疾病之一。由于视网膜病变病灶具有特征复杂、特征差异小的特点,导致传统深度学习网络对视网膜病变等级识别存在错误率高、鲁棒性差等问题。针对上述问题,提出了一种MA-DRNet模型进行优化：(1)提出了一种多级特征残差块,提取不同分辨率多尺度特征、扩大模型感受野,加强模型对于小尺度病灶的学习能力以及模型对尺度的鲁棒性;(2)改进一种全局通道联合注意力机制,实现像素长距离依赖关系捕获和通道注意力,提升模型对复杂病灶表征效果;(3)设计集成难例挖掘训练方法,巩固对于困难样本的学习,融入集成的思想提升模型对易错样本的关注度。在Kaggle和Messidor两个公开视网膜数据集进行模型训练和测试,本文模型特异性为99.02%,敏感性为98.26%,准确率为98.87%,各指标均优于目前同类算法。大量的实验表明,MA-DRNet有效的解决了视网膜病变识别存在的问题,实现了视网膜病变等级的高精度辅助诊断。     

基于K-shell的复杂网络关键节点识别方法

针对复杂网络中关键节点识别方法的分辨率和准确性不足的问题,该文提出了一种基于K-shell的复杂网络关键节点识别方法（K-shell based key node recognition method, KBKNR）。首先,采用K-shell方法将网络分层,获取每个节点的K壳（K-shell,K_s）值,通过K_s值衡量复杂网络全局结构的影响。其次,提出综合度（comprehensive degree, CD）的概念,并设定可动态调整的影响系数μ_i,通过平衡邻居节点和次邻居节点的不同影响程度,获取每个节点的综合度。在该方法中,当节点K_s值相同时,综合度较大的节点更重要。对比几种经典关键节点识别方法和一种风险评估方法,实验结果表明,该方法能够有效识别关键节点,在不同复杂网络中具有较高的准确率和分辨率。除此之外,KBKNR方法可以为网络节点的风险评估、重要节点保护和网络中节点的风险处置优先级排序提供依据。     

基于模型嵌入循环神经网络的损伤识别方法

目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络（Model-Embedding Recurrent Neural Network,MERNN）的损伤识别方法.首先,通过数据驱动的卷积神经网络（Convolutional Neural Network,CNN）建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.     

基于双流多关系GCNs的骨架动作识别方法

为了更好地提取并融合人体骨架中的时序特征和空间特征,文章构建了融合时空域注意力模块的多流卷积神经网络(AE-MCN)：针对目前大多数方法在建模骨架序列相关性时因忽略了人体运动特性而没有对运动尺度进行适当建模的问题,引入了自适应选取运动尺度模块,从原尺度动作特征中自适应地提取关键时序特征;为了更好地对特征进行时间维度和空间维度上的建模,设计了融合时空域的注意力模块,通过对高维时空特征进行权重分配,进而帮助网络提取更有效的动作信息。最后,在3个常用的人体动作识别数据集(NTU60、JHMDB和UT-Kinect)上进行了对比实验,以验证AE-MCN网络的有效性。实验结果表明：与ST-GCN、SR-TSL等网络相比,AE-MCN网络都取得了更好的识别效果,证明AE-MCN网络可以对动作信息进行有效的提取与建模,从而获得较好的动作识别性能。     

低信噪比下基于融合网络的音素识别方法

针对低信噪比下音素识别准确率低的问题,提出一种新的识别方法。提取语音的Fbank特征,输入到由多头注意力机制、ResNet、BLSTM、CTC构建的A-R-B-CTC模型中进行音素识别,利用Wave-U-Net对语音特征Fbank、MFCC、GFCC、对数频谱进行图像去噪,发现Fbank特征去噪后,可以取得更低的音素错误率。在0 dB白噪声环境下采用THCHS30数据集进行实验验证。结果表明,Fbank去噪前,所提A-R-B-CTC模型相比于BLSTM-CTC、ResNet-BLSTM-CTC、Transformer模型,平均音素错误率分别降低了4.38%、2.5%、1.96%;Fbank去噪后,4种模型的音素错误率明显下降,其中所提A-R-B-CTC模型相比于其他3种模型性能依旧出色。此外,在其他信噪比下也达到了不错的效果。     

基于无监督样本关系嵌入模型的疟疾识别算法

目的 在不依赖真实标签的情况下利用图像样本关系识别被疟疾寄生虫感染的细胞。方法 采用一种能够提取样本间关系的无监督疟疾识别方法,并提出了一个由3个模块组成的样本关系注意力嵌入(Sample Correlation Attention Embedding, SCAE)模型。特征和关系初始化模块用于将原始图像映射为特征向量,并建立疟疾细胞之间的初始相关性矩阵。图注意力编码器模块通过一个带有注意力机制和图重构技术的图卷积网络进一步学习样本间特征和他们的关系信息。深度特征聚类模块用来预测细胞是否被疟疾感染。结果 将SCAE模型与一些最新的无监督算法进行了比较,以验证其在疟原虫识别任务中的有效性。结果表明,SCAE算法可达到94.8%的准确率、86.8%的标准化互信息(NMI)指标和84.7%的调整互信息(AMI)指标。结论 通过对SCAE模型评估,证明了该方法具有强大的疟疾识别能力,是当前最优的无监督疟疾识别方法。     

注意力机制下轻量化网络视频行为识别方法

为了解决视频行为识别中网络模型结构过于复杂且计算量大的问题,提出一种基于MobileNet+BiGRU结构的轻量化视频行为识别方法。通过嵌入注意力机制提取改进的MobileNet网络视频单帧画面空间特征,将多帧画面的空间特征叠加后送入BiGRU网络提取时序特征,并通过softmax分类器进行分类。对比实验表明,该方法在UCF-101和HMDB51数据集上的识别率分别达到81.4%和56.8%,相比未使用注意力机制的模型分别提升4.7%和6.2%,计算量仅相当于ResNet50+LSTM结构的7.7%,表明该方法比其他方法效率更高。     

结合注意力机制与时空特征融合的长时程行为识别方法

为了建立基于视频行为识别的长时程图像序列的时空信息模型,文章提出了一种嵌入注意力的时空特征融合网络(attention-embedded spatial-temporal feature fusion network,ASTFFN)的深度神经网络模型.AST FFN将一个包含动作的长时程图像序列分割成多个重叠的片段,并...     

基于双维注意力机制的事件要素识别方法

事件要素识别是事件抽取的基本任务,对后续任务的开展起着重要作用.随着深度学习技术的发展,神经网络逐渐成为事件要素识别的主流方法.近几年,注意力机制在自然语言处理领域得到广泛使用,但注意力机制依赖于嵌入层对上下文特征的提取,在事件要素识别等序列标注问题中效果不理想.针对这一问题,提出了一种基于注意力机制的双维注意力机制,从矩阵行和列两个维度计算注意力得分,因此可以较好地提取句子的上下文特征,并且使用了动态目标损失函数,通过动态给予不同标签不同的权重,一定程度上缓解了样本不平衡和数据稀疏带来的模型泛化不足问题.在CEC2.0中文突发事件语料库上对比实验表明,所提方法取得较好效果.     

句法树中CFG规则提取和二叉化的C#实现

CFG规则自动提取和二叉化是自然语言处理中的基础性工作。本文介绍了一种从句法树中提取CFG规则和对CFG规则进行二叉化处理的C#方法。其中用到了结构数组、堆栈、嵌套循环等。     

基于RoBERTa和多头注意力的简历命名实体识别方法

针对传统简历实体识别存在一词多义和训练时间长的问题,提出了一种新的简历命名实体识别模型。通过RoBERTa预训练模型获取具有上下文关系的字向量,结合BiGRU和多头注意力机制(Multi-head Attention, MHA)层提取全局信息和局部相关性信息,采用CRF层修正解码确定最终标签,同时裁剪RoBERTa预训练模型。实验表明,该模型在中文电子简历数据集取得95.97%的F₁值,高于其他主流模型,且相较于未剪枝的模型提升0.43%,减少1/5训练时间。