深度学习技术在遥感影像分类与识别中的应用研究综述

本文首先介绍了三种经典的深度学习算法,然后介绍了遥感影像分类与识别的基本方法,接着论述了基于深度学习的遥感影像分类和识别的研究现状,最后对未来深度学习技术在遥感应用领域中的发展方向进行了总结。     

基于新冠肺炎疫情期间微博文本情感分析的研究

为了深入了解新冠肺炎疫情期间微博用户舆论的焦点、更好地把握网络舆情的走向,本实验以疫情期间微博内容为基础,利用深度学习的相关算法,对数据内容进行情感分析。初始数据集已有一部分进行过人工标注,经过预处理后,将BiGRU与注意力机制相结合成BiGRU-attention模型对数据进行实验,TextCNN、BiGRU、BERT三种模型分类效果进行对比,实验结果证明,BiGRU-attention模型效果略优于TextCNN、BiGRU模型,相比于BERT模型则略差,证实在本数据集上BERT模型对文本分类的效果更加优秀,在后续实验中会对BERT模型进行更进一步地优化,以达到较好分类效果。     

无线通信中的机器学习算法综述

机器学习作为人工智能领域最具应用前景的一类技术,能够在不需要显式编程的情况下依赖于不同的算法处理数据,更有效地解决复杂问题,被广泛应用于无线通信领域。通过综述典型的监督、无监督、强化学习以及深度学习等机器学习算法在信道管理、频谱管理、功率分配和信号检测等方面的研究工作,挖掘机器学习在无线通信领域的潜在价值。针对目前算法的局限性,展望机器学习在无线通信领域未来的发展方向,为机器学习在无线通信领域的后续研究提供参考。     

深度迁移学习在文本分类问题中的应用研究综述

深度迁移学习技术是通过深度神经网络从一项任务中获得的知识来解决其他相关任务,作为机器学习的一种研究方向,已经得到广泛应用。文章首先介绍了在自然语言处理任务中深度迁移学习应用于文本分类的背景,深度迁移学习的定义,其次通过文献分析了近几年深度迁移学习以实例、映射、网络和对抗四种迁移方式及在文本分类中应用的现状,最后对借助深度迁移学习模型完成文本分类任务的应用进行总结和展望。     

YOLO算法在目标姿态检测中的应用

本文提出了一种在较少规模数据集的情况下对目标的位置和姿态进行判断的方法。在训练之前对数据集增添随机的扰动因子来增加数据集的鲁棒性,从而降低过拟合的风险。在训练的过程中,通过对损失函数进行设置,使得模型具有判断物体方向的功能。实验结果表明,改造过后的YOLO算法对物体的姿态具有较好的识别能力。     

基于AI视觉的交通标志识别与车辆控制

本文阐述了基于深度学习实现交通标志的自动识别方法,并利用识别结果对车辆进行控制。本次设计使用Matlab软件设计相关算法对模糊图像进行去雾和增强处理以得到清晰图像,再利用深度学习算法对图像中的元素进行分类识别。采用Mobilenetv2网络结构制作数据集,通过自动端到端学习解决检测和识别交通标志的难题。采用惯性导航对车辆进行导航定位,从而实现对车辆的控制。通过实验测试,车辆在正确检测到交通标志后,能够做出正确的反应。     

边缘计算下的AI检测与识别算法综述

人工智能的迅速发展深刻改变人类社会生活、改变世界。现有的AI算法过分依赖价格昂贵的GPU服务器进行后端处理,智能处理水平受限于传输链路宽带,无法实时智能处理。同时,海量数据的传输更加大网络和服务器负载。随着超低时延与超高可靠性5G时代的到来,实时、智能、安全、隐私等四大趋势催生了边缘计算与前端智能的崛起。首先,概述了边缘计算的发展,介绍了目标检测算法Faster R-CNN中anchor框的选取方式、YOLO提高性能的方式以及SSD基于不同深度特征图提高物体检测的原理,还给出了利用不同深度特征图在通道维度上合并,以及U型网络进行特征复用以提高mAP指标的M2Det算法;其次,介绍了深度卷积神经网络的轻量级优化算法,包括卷积核优化、参数剪枝和共享、知识蒸馏、张量低秩分解以及轻量级网络模型设计;同时,着重阐述了卷积核优化算法;最后,介绍了边缘计算硬件发展历程,给出了边缘计算的各种硬件平台及性能评价指标,展望了边缘计算+AI的发展趋势。     

深度学习在影像中的算法研究

深度学习技术的运用正日趋广泛,深度学习自身的高效性和智能性受到研究者的青睐.通过对深度学习影像分类的剖析,进一步探究深度学习在影像识别方向的应用,介绍了主要用于影像分类识别的基于深度学习的医疗影像检测算法,可作为开展深度学习技术运用于医学影像检测研究工作的有益参考.     

深度学习在城市交通流预测中的实践研究

短时交通流状态预测对于实现城市智能交通系统至关重要。在过去,很多神经网络模型被提出来用以预测交通流,但是效果并不是很显著。究其原因,是因为大多数都是利用浅层模型在学习,浅层模型由于容易陷入局部极值而且不能模拟更复杂的数学运算,所以并不适合于模拟现实的交通状况。深度学习作为机器学习的新兴学科,在语音与图像处理方面取得了显著的成效,它能够非监督地从数据中学习出有效的特征用以预测,故在此利用深度学习进行建模用以城市主干道交通流预测。实验表明,模型取得了不错的交通流预测效果。     

情感识别中的迁移学习问题综述

情感识别是实现自然人机交互的必要过程。然而,情感数据高昂的采集和标注成本成为了限制情感识别研究发展的一大瓶颈。在无标注或有限标注的场景下,利用知识的跨领域或跨任务迁移提升情感识别效果的问题值得探索。本文对情感识别中的迁移学习问题进行了梳理和分析。首先,将迁移学习问题划分为针对领域差异和针对任务差异的两大部分,并进一步将每部分问题细分为多种不同的情况。随后,基于情感识别领域的研究现状,分别总结不同情况下的现有工作。在目标领域训练资源匮乏的情况下,可以利用其他带标注的数据集作为源领域训练模型,并对齐不同领域下的特征分布,或将特征映射到域间共享的空间。考虑到情感标签所提供的监督信息往往较为有限,为了进一步提升模型的识别效果,可以引入其他相关任务进行联合训练,或将预训练模型、外部知识库提供的先验语义知识迁移到情感识别任务中。最后,讨论了情感识别领域中未来需要得到更多关注和探索的迁移学习问题,旨在为研究者带来新的启发。     

人工智能算法梳理及解析

文章旨在梳理当前人工智能主流算法脉络,简析其原理及应用场景,帮助人们更加理性深入地对人工智能技术有一个比较全面的理解和思考。文章在对人工智能技术背后数学理论及实际应用的分析基础上,对机器学习算法主要任务、深度学习发展动因、深度学习算法应用进行梳理和分析,提取出人工智能算法主要能够完成的三类任务,并在技术层面针对人工智能下一步发展做出了分析和展望。     

人工智能技术在广播电视工程中的应用

以人工智能技术在广播电视工程中的应用为重点,介绍人工智能技术的概念与发展方向,分析人工智能技术在广播电视工程中的应用,为广播电视从业者和研究人员提供有价值的参考。     

基于自然语言处理的新冠疫情文献分析与研究

随着时间推移,COVID-19对人类的影响与日俱增,人们很难迅速找到自己需要的文章,缺少合适的检索工具,浪费大量的时间和精力,文章提出了一种新的检索方法.该方法首先采用线性化归一对文章数据进行预处理,其次使用NLP从每个文档的正文中解释文本,然后使用TF-IDF将每个文档实例转换为特征向量,接着用t-SNE对每个特征向...     

集成学习在短文本分类中的应用研究

为了进一步提高基于深度神经网络短文本分类性能,提出将集成学习方法应用于5种不同的神经网络文本分类器,即卷积神经网络、双向长短时记忆网络、卷积循环神经网络、循环卷积神经网络、分层注意力机制神经网络,分别对两种集成学习方法(Bagging,Stacking)进行了测试。实验结果表明:将多个神经网络短文本分类器进行集成的分类性能要优于单一文本分类模型;进一步两两集成的实验验证了单个模型对短文本分类性能的贡献率。     

基于BERT-LSTM模型的情感分析研究

情感分类技术在舆论评价和商品评价等诸多领域均有广泛使用,对自然语言处理领域来说具有很重要的研究意义。在当前的社交网络文本中,用户不仅仅使用文字来传达情感,其文本中的表情元素也带有浓厚的情感色彩。传统情感分析模型容易忽略表情元素,从而导致模型未能正确判断文本情感。文中将BERT预训练模型和长短时记忆网络相结合,运用带表情元素的weibo＿senti＿100k数据集实现一个针对微博评论的情感二分类模型。BERT-LSTM模型利用BERT嵌入层对预处理后的句子进行分割并将其转换为动态词向量,结合LSTM模型提取文本和表情元素的特征,最后以预测评论文本的情感极性。实验验证表情元素的重要性和BERT-LSTM模型情感分类的有效性,结果表明同时考虑文字和表情元素相较于纯文字来说模型分类准确率提高20%,BERT-LSTM模型的分类准确率为98.31%、F1值为98.28%,相比传统机器学习模型和其他深度学习模型在最终结果上表现出明显优势。     

一种新的基于SVM的文本分类增量学习算法

文本分类将自然语言文本按内容归入一个或多个预定义类别中,在许多信息组织和管理中都是一项重要的内容。不同算法的分类;佳确性各不相同。在文本分类领域,SVM分类器是一种常用且效果较好的分类器,具有较严密的理论基础。对SVM分类器进行了分析,提出了利用增量模式实现多类文本分类的算法。实验表明：增量方法大大减少新类增加时分类器更新所需要的学习步骤和时间,是一种较好的分类算法。     

基于SVM的文本情感分析——以新冠疫情事件为例

疫情暴发,国家生产、社会发展均受到一定冲击,将情感分析技术运用于研究疫情期间人民群众的情感状况,利于进一步了解疫情期间网民舆论动向,为国家和社会开展心理调试活动及相关疏导工作提供数据依据和帮助。基于此,通过Python的SNOWNLP模块利用疫情期间人民日报、央视新闻的微博评论文本数据计算情感得分,将情感得分可视化输出;另一方面基于SVM进行文本情感分类。结果表明,基于此次研究数据,面对疫情,13.1%的人具有积极的情绪,69.8%的人面对疫情情绪比较稳定,仅有0.4%的人出现极端情绪。核函数选择多项式核函数时模型训练效果最好,精确率为0.966 29,F₁值达到0.948 66,分类器具有良好的分类性能。     

多分类器融合的短文本识别算法

近年来,关于短文本的文本挖掘逐渐变成了自然语言处理的热点之一。针对微博这种短文本,内容较少但语义却极其丰富,而且新词、错字较多等特征,文章提出一种多分类器融合的短文本识别算法,该算法能够自动的对短文本情感倾向性进行识别。从NLPCC2012提供的评测数据的实验结果来看,该方法取得了一定的效果。     

集成学习之随机森林算法综述

集成学习是一类非常重要且实用的方法,以简单高效著称的随机森林算法是集成学习算法的代表之一,它集成众多决策树并以投票的方式输出结果,在许多应用领域取得了巨大的成功。文章介绍决策树和随机森林算法,总结随机森林算法在性能改进、理论性质方面的研究进展,及其和深度学习算法之间的区别与联系。