基于多特征融合的主观题智能阅卷算法研究

为了实现在线考试主观题智能阅卷,本文提出了一个基于多特征融合的主观题智能阅卷算法,首先,分别设计两种算法：关键词相似度算法和语义相似度算法,计算学生答案和标准答案之间的关键词相似度和语义相似度;然后,利用题目的题型和科目作为特征值,分别计算出关键词相似度的权值和语义相似度的权值,并利用两权值计算出学生答案的最终得分;最后,以某在线学习平台历年考试数据作为数据集,对该主观题智能阅卷算法进行训练和实验。实验表明,本文提出的基于多特征融合的主观题智能阅卷算法,能有效主观题智能阅卷算法的准确性,具有较好的应用前景。     

一种基于知网的主观题阅卷算法

通过分析知网中词语表示方法提出了一种新型的义原相似度计算方法进而获得词语相似度的计算公式,以词语相似度计算为基础提出了主观题阅卷算法的设计与实现.实验结果证明,该算法能够较好的评阅学生答案中语义正确的内容,这在提高系统阅卷的正确性方面具有一定的意义.     

基于语义融合的文本相似度算法研究

针对在传统语义融合的文本相似度算法设计与实现中由于汉语语义复杂存在容易形成局部极小值而得不到全局最优、训练次数较多、学习效率降低、隐节点的选取缺乏理论依据等问题,提出一种改进算法。首先在把握文本相似度算法内涵和分类情况的基础上,通过调整数字识别方向、选取合适的数据来源,依据图像识别技术和算法深度学习的共性需求,从语义融合角度提出以核心词为节点进行文本相似度计算;然后通过多特征融合向量空间模型对特征项的类间分布问题进行分析,最终通过加权计算得到文本相似度。从算法实现效果来看,相较于传统算法能够获得更高文本分类准确度,改进基于文本相似度算法的语言处理技术更加高效、准确。     

基于特征相似度的科技论文元数据提取算法研究

通过对论文元数据网页的分析发现论文摘要页面的各种元数据在长度、前置引导词、分隔符等方面都具有特定的规律,并据此提出了基于元数据特征的元数据抽取算法,归纳出了论文元数据的7个形式特征和2个语义特征,定义了确定特征和排除特征,描述了特征相似度算法的6个步骤,给出了分别采用正则表达式方法和特征相似度方法的试验结果,测试表明,采用特征相似度方法的提取成功率从68%提高到了95%,达到了实用水平.     

基于CS-LBP特征融合的人脸智能识别方法研究

传统人脸智能识别方法存在识别正确率低的问题,为此提出了一种基于CS-LBP特征融合的人脸智能识别方法。通过分析人脸表情特征提取流程,设计CS-LBP特征融合目标计算,获取模糊特征LBP阈值。并结合不同LBP算子距离,均衡人脸图像灰度,以此提高人脸识别图像的清晰度。同时,绘制人脸识别标准纹路模型,计算经过识别后的人脸纹路与标准纹路的垂直距离,判断距离是否符合高斯单元线性组合规律,若符合规律可输出识别参数与结果,完成人脸的智能识别。采用设计实验的方式,验证了提出方法在实际识别应用中,可提高人脸图像识别正确的次数,证明了设计方法更具备实际应用价值。     

基于Web智能阅卷考试系统的设计与实现

智能阅卷是基于Web的考试系统的关键技术.从目前智能阅卷系统现状出发,针对计算机等级考试系统中不同题型的特征,进行了相应智能阅卷算法的研究,最后设计了基于Web的C语言计算机等级考试智能阅卷考试系统,在实际教学中应用后取得了较好的教学效果.该系统的实现对计算机等级考试全面实现智能阅卷具有重要的应用和研究价值.     

基于类特征注意力机制融合的语义分割算法

针对DeepLabv3+模型对图像目标边缘分割不准确、不同类目标分割不一致等问题,提出一种基于类特征注意力机制融合的语义分割算法。该算法在DeepLabv3+模型编码端先设计一个类特征注意力模块增强类别间的相关性,更好地提取和处理不同类别的语义信息。然后采用多级并行的空间金字塔池化结构增强空间之间的相关性,更好地提取图像不同尺度的上下文信息。最后在解码端利用通道注意力模块的特性对多层融合特征重新校准,抑制冗余信息,加强显著特征来提高网络的表征能力。在Pascal Voc2012和Cityscapes数据集上对改进模型进行了有效性和泛化性实验,平均交并比分别达到了81.34%和76.27%,使图像边缘分割更细致,类别更清晰,显著优于本文对比算法。     

基于特征融合与自注意力机制的图像语义分割算法

提出了一种基于特征融合与自注意力机制的图像语义分割方法,设计了特征融合模块、自注意力模块、增强模块、全局空间信息融合模块和损失函数。特征融合模块融合多个图像的所有组件,通过自注意力机制来执行。自注意力模块从而有效地捕获远程上下文信息。增强模块旨在增强输入图像以获得更多样化的特征。全局空间信息注意模块相对于图像尺寸只有线性的复杂度,能够带来显著的提升效果。利用损失函数,对模型进行优化,将每个像素的分类结果优化到最接近真实值。实验结果表明,所提出的方法可以显著提高PASCAL VOC 2012数据集、COCO-Stuff 10K数据集和ISIC 2018数据集这3个数据集的性能,并在3个数据集上进行了验证,实验还通过对自注意力、推理速度和消融实验进行比较,验证了本文方法的优越性。     

基于CBC-LIKE算法的产品特征词聚类的研究

用户评论中存在产品特征表达多样性问题,在细粒度观点挖掘任务中需要对产品特征词聚类。首先,结合不同的语义相似度计算的特点,提出基于语义知识和上下文熵模型的语义相似度混合计算方法,计算抽取得到的特征词语义相似度;然后改进了传统CBC算法,提出适用于产品特征词聚类的CBC-LIKE方法实现聚类。最后在三个领域的真实评论语料上进行实验,对提出的语义相似度计算方法和聚类算法的性能进行了分析。实验结果表明,所提方法是有效的,与另外两种基线方法相比性能较优,取得了较好效果。     

基于特征融合的红外目标跟踪方法

为了能够对红外目标实现稳健跟踪,提出一种特征融合算法,将目标的LBP纹理特征和灰度特征空间融合,构造了由基于区域置信度及空间距离加权的LBP特征直方图,以及灰度加权直方图联合表示的目标模型。以均值偏移算法为跟踪框架,在当前帧中迭代搜索目标位置。实验证明该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

基于多特征融合的人脸识别算法

针对局部二值模式描述子提取的纹理信息以及梯度幅值量化算子提取的边缘特征无法有效且全面地描述人脸信息的问题,文中提出一种基于马尔可夫稳态特征模型的多特征融合算法。首先,将通过GMQ算子提取的边缘特征以及通过LBP描述子提取的纹理特征分别与马尔可夫稳态特征模型进行融合,然后再将两者进行有效地线性加权融合。最后,在ORL数据集上进行的实验显示,文中提出算法的识别精度可达到 95.83%。与单一的特征提取算法以及常见的人脸识别算法对比结果表明了该方法的有效性。     

基于多特征融合的视频检索算法

随着视频等多媒体数据呈指数式迅猛增长,高效快速的视频检索算法引起越来越多的重视。传统的图像特征如颜色直方图以及尺度不变特征变换等对视频拷贝检测中检索速度以及检测精度等问题无法达到很好的效果,因此文中提出一种多特征融合的视频检索方法。该方法利用前后两帧的时空特征进行基于滑动窗口的时间对齐算法,以达到减少检索的范围和提高检索速度的目的。该算法对关键帧进行灰度序列特征、颜色相关图特征以及SIFT局部特征提取,然后融合全局特征和局部特征两者的优势,从而提高检测精度。实验结果表明,该方法可达到较好的视频检索精度。     

一种基于特征融合的运动目标跟踪算法

联合目标的灰度特征空间和梯度特征空间,构造了由目标的灰度加权直方图和梯度加权直方图联合表示的目标模型,利用均值平移算法在当前帧中迭代搜索目标位置.实验表明,该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的.     

多特征融合的手掌静脉匹配算法研究

针对相关系数法在手掌静脉图像匹配中无法解决平移与旋转的问题,提出了一种基于多特征融合的改进算法。首先,在匹配前,用文中提出的改进的图像校正算法校正图像,它可以改进相关系数法对于仅发生平移图像的匹配通过率;再利用基于细节的点的特征点匹配与基于全局的不变矩匹配的融合决策来弥补相关系数法对旋转图像匹配通过率偏低的不足。实验结果证明,本算法能提高系统的通过率,降低误识率。     

基于特征融合的步态识别

基于人行走时下肢关节角度变化包含丰富的个体识别信息的观点,提出了一种利用下肢关节角度进行识别的方法。利用下肢关节角度来表征步态运动的动态特征,并用主分量分析进行特征提取来表征步态的静态特征,其次融合步态运动中的静态特征和动态特征,采用对小样本具有很好分类效果的支持向量机进行分类识别。对算法进行MATLAB仿真,结果表明所用方法具有较高的识别性能。     

基于时空特征提取的智能网络切片算法

5G网络作为新一代的移动通信网络,提供了差异多样的各类业务服务,而通过网络切片可以将5G网络的资源虚拟化并更为有效地分配给各类服务.然而,当用户的服务需求发生变化时,需要及时地进行切片资源的重新分配和管理.为了准确适配业务需求的时空变化,提升切片性能,考虑采用深度强化学习的人工智能算法对切片资源进行实时管理,提出了基于...     

基于自适应空间特征融合的轻量化目标检测算法

针对目前深度学习中单阶段目标检测网络结构复杂、训练困难与在移动与嵌入式设备难以部署的问题,提出了一种基于自适应空间特征融合的轻量化目标检测算法.所提算法以YOLOv4为网络基础框架,采用轻量级MobileNet作为特征提取网络,降低网络深度与训练难度,提高检测速度;采用一种自适应空间特征融合(ASFF)方式改进PANe...     

基于特征融合和L-M算法的车辆重识别方法

车辆重识别是在视频监控系统中, 匹配不同外界条件下拍摄的同一车辆目标的技术。针对车辆重识别时不同摄像机中同一车辆的图像差异较大,单一特征难以稳定地描述图像的问题,采用多种特征融合实现车辆特征的提取,该方法将车辆图片的HSV特征和LBP特征进行融合,并对融合特征矩阵进行奇异值分解,提取特征值。针对重识别模型训练时传统BP算法收敛速度慢,精度不高的问题,采用Levenberg-Marguardt自适应调整算法优化BP神经网络。实验结果表明,该方法在车辆的同一性识别方面的识别率达到975%,且对光照变化、视角变化都具有较好的鲁棒性。