3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

基于卷积神经网络的双极化气象雷达冰雹检测方法

针对现有冰雹检测算法过分依赖专家经验的问题。本文提出一种基于卷积神经网络的双极化气象雷达冰雹检测方法。首先对单个雷达分辨单元分割并利用相邻分辨单元的极化信息进行填充，将极化信息转化为数据矩阵。接着搭建卷积神经网络模型进行特征提取和分类，然后用样本数据对网络进行训练调整模型参数。最后使用训练好的模型进行冰雹检测。通过仿真数据和实测数据的实验结果表明，该方法能够在提取数据特征和自适应调节网络参数基础上有效进行冰雹检测。     

基于变分主题模型的半监督文本分类

为解决实际应用场景中常面临的数据标注不足的问题,提出一种基于变分主题模型的半监督文本分类模型。首先使用无监督变分主题模型挖掘出语义信息集中的文档-主题分布,作为有效的文档特征表示,再通过半监督方式训练分类器。基于神经网络的变分主题模型相较传统的主题模型,不仅可以得到合理的主题,而且推断速度更快。在20NewsGroup等数据集上的实验结果表明,所提出的模型仅使用30%的训练数据就可以取得与使用90%训练数据的半监督基线模型相当甚至更好的结果,证明了所提出模型的正确性和实用性。     

一种基于混合神经网络的命名实体识别与共指消解联合模型

命名实体识别与共指消解均依赖于对实体相邻文本信息的学习,本文提出一种基于混合神经网络的命名实体识别与共指消解联合模型,共用双向长短时记忆模型LSTM编码层对输入序列中每个词前后方向上下文信息进行编码,并通过训练学习得到上下文信息传递到前馈神经网络FFNN模型以提高共指消解精度,通过将领域文档及篇章语义向量加入FFNN,改进共指消解算法并优化共指消解模型.基于领域文本数据集进行联合模型训练,实验结果表明该联合模型可以有效地提高共指消解精度.     

基于特征符号化和Transformer的无参考图像质量评价方法

基于深度学习的无参考图像质量评价方法目前存在语义关联性不足或模型训练要求高的问题，为此，本文提出了一种基于语义特征符号化和Transformer的无参考图像质量评价方法。首先使用深层卷积神经网络提取图像的高层语义特征；然后将语义特征映射成视觉特征符号，并基于Transformer自注意力机制对视觉特征符号之间的关系进行建模，提取图像的全局特征，同时使用浅层神经网络提取底层局部图像特征，捕捉图像低级失真信息；最后结合全局图像信息与局部图像信息，对图像质量进行预测。为了验证模型的精度和鲁棒性，以相关系数PLCC和SROCC作为评价指标，在5个主流的图像质量评价数据集和1个水下图像质量评价数据集上进行了实验，并将本文提出的方法与15种传统和基于深度学习的无参考图像质量评价方法进行了对比。实验结果表明，本文方法以较少的参数量（大约1.56 MB）在各类数据集上均取得了优越的性能，尤其在多重失真数据集LIVE-MD上将SROCC提升到了0.958，证明在复杂的失真情况下仍能准确评估图像质量，本文网络结构能满足实际应用场景。     

基于改进BP神经网络的ATM系统信息安全评估方法

根据ATM系统3层体系结构,针对ATM系统面临的信息安全问题,提出了应用人工神经网络(ANN)技术来评估ATM系统信息安全的思想;设计了基于改进的BPANN的ATM系统3层神经网络评估模型。根据建立的BP神经网络模型,以ATM信息系统主要信息安全指标作为训练样本,通过学习和训练找出输入与输出之间的内在联系,用训练好的BP网络对ATM信息系统进行评估,并将评估结果与传统的评估方法进行比较。实验结果表明,提出的评估模型具有很强的自适应性和容错能力,适用于复杂的ATM信息系统的安全性评估。实验数据与实际ATM信息系统的运行状态相吻合。     

基于知识迁移和注意力融合的方面级文本情感分析

方面级情感分析是针对一个评论中涉及多种方面类别时的情感分析,现有方法通常利用方面级数据集在神经网络模型上直接进行训练,但已标注的方面级训练数据规模较小,造成模型不能充分学习而性能受限。为解决上述问题,本文利用迁移学习的思想,将数据量较大的文档级数据进行情感分析模型的预训练,进而获得丰富的文本语义、句法信息和情感特征,然后通过本文设计的目标函数及注意力融合方法,将文档级情感分析模型中的注意力权重融合到方面级情感分析模型中,从而使方面级文本情感分析性能提升。将该模型在SemEval2014数据集上进行实验,实验结果中的准确率和F1值均高于对比模型,证明了本文模型的有效性。      

基于改进注意力机制的实体关系抽取方法

实体关系抽取是知识库构建中至关重要的一个环节.在众多的实体关系抽取方法中,远程监督结合神经网络模型的方法在准确率等性能上是比较令人满意的,但远程监督获取的标注语料中往往存在大量的噪声数据,给实体关系抽取模型的训练带来了很大的影响.本文提出一种基于改进注意力机制的卷积神经网络实体关系抽取模型.该模型针对包含同一实体对的句子集合,从中尽可能地找出所有体现该实体对关系的正实例,构建组合句子向量,抛弃可能的噪声句子,从而最大程度地降低噪声句子的影响又能充分利用正实例的语义信息.实验证明,本文提出的关系抽取模型在准确率上优于对比的关系抽取模型.     

基于网络资源的震后应急处置灾情信息可视化平台研究与实现

地震应急工作中及时获取各类地震应急处置信息并直观展示,对震后抗震救援工作十分关键。随着信息技术的快速发展,震后网络资源中的各类灾害信息会随着时间变化呈现几何式增长且动态变化,但由于以上处置信息具有文本较长、语义内容繁杂散乱等特点,传统事件信息抽取方法在复杂长距离文本中的多类型事件抽取中容易出现嵌套实体和上下文语义复杂不明确的问题,从而影响到整体事件论元抽取的准确性。针对以上问题,采用基于Python的Selenium自动化技术+APScheduler定时模块进行数据多时段获取自动化获取,以近10年的历史灾情信息构建灾情信息语料库,并构建基于机器阅读理解框架,结合BiGRU网络的多轮问答式地震应急处置灾情信息抽取模型,对各类地震应急处置事件进行论元抽取。为了方便展示,基于WEBGL技术+VUE+PHP技术开发了地震应急处置灾情信息平台,在2023年多次地震的应用中,所提出的平台模型计算快速准确,为震后应急救援工作提供信息辅助。     

基于主动学习的图像分类技术：现状与未来

图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法...     

深度神经网络在无源定位中的应用研究

针对无源定位中噪声统计特性不准确和对多源信息的综合利用,提出一种利用深度神经网络（DNN）的无源定位方法,该方法将训练集数据输入到深度神经网络中进行学习训练,利用随机失活这一正则化方法提高了模型的泛化能力,对模型的超参数选择进行二维搜索,最终得到深度神经网络模型的最优参数设置。将其和传统的无源定位方程解算方法以及单层神经网络模型进行对比,仿真结果表明提出的方法能有效降低噪声对无源定位的精度影响,增强了系统鲁棒性,同时也证明了深度神经网络对多源信息的综合利用能力。     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

一种基于卷积神经网络的环境声音分类方法

卷积神经网络(CNN)辨别频域-时域模式的能力使其适合于环境声音分类。然而数据的相对稀缺使该方法的应用受限。所以使用数据增强与卷积神经网络结合的方法来克服这一难点。首先,提出使用音频数据增强来增加训练数据,然后提出了一种卷积神经网络模型进行分类。所提出的方法对于环境声音分类的准确率达到了79.5%,这种方法既优于没有增强的CNN模型也优于具有增强的SVM模型。     

基于函数加密的密文卷积神经网络模型

目前,多数的外包卷积神经网络（CNN）模型采用同态加密、安全多方计算等方法来保护敏感数据的隐私性。然而,上述方法存在计算与通信开销过大而引起的系统效率较低的问题。利用函数加密的低开销特点,构建了基于函数加密的密文卷积神经网络模型。首先,设计了内积函数加密算法和基本运算函数加密算法,实现了密文数据的内积、乘法、减法等基本运算,降低了计算与通信开销;然后,设计了针对基本运算的安全卷积计算协议和安全损失优化协议,实现了卷积层的密文前向传播和输出层的密文反向传播;最后,给出了模型的安全训练和分类方法,通过将以上安全协议进行模块化顺序组合的方式实现CNN对密文数据的训练和分类,该方法可以同时保护用户数据和标签的机密性。理论分析和实验结果表明,所提模型能够在保证正确性和安全性的前提下实现密文数据的训练和分类。     

结合全局词向量特征的循环神经网络语言模型

 针对循环神经网络语言模型对长距离历史信息学习能力不足的问题,本文提出了结合全局词向量特征的循环神经网络语言模型。首先利用GloVe(Global Word Vectors)算法训练出全局词向量,然后将其作为特征向量输入到引入特征层的循环神经网络中进行训练。相对于局部词向量方法,全局词向量能够利用全局统计信息来训练出含有更加丰富的语义和句法信息词向量。为了验证新方法的性能,本文在Penn Treebank和Wall Street Journal语料库上分别进行困惑度和连续语音识别实验。实验结果表明结合全局词向量的循环神经网络语言模型的困惑度相比传统的循环神经网络语言模型降低了202%,同时语音识别系统的词错误率降低了183%。      

基于神经网络的高校贫困生辅助认定模型研究

“精准资助”是现阶段我国贫困生资助等教育扶贫工作的新任务，贫困生认定工作作为贫困生资助的首要环节，现行的传统流程中存在着“假贫困”、认定标准主观性强等问题。将数据挖掘应用于贫困生辅助认定，基于学生消费行为习惯、学习情况和家庭情况等相关数据，对智慧校园长期积累的数据产物进行数据采样和建模，形成贫困生特征样本数据集，利用TensorFlow对全连接神经网络进行模型训练，根据模型产生期望输出，得到贫困生辅助认定模型。随机抽取输出的测试集数据对比已有贫困生数据进行精度测试，测试准确率较高。整个模型训练过程包括数据采样、数据建模、模型训练和模型评价等过程，将其应用于贫困生辅助认定，为传统主观的贫困生认定提供了更为精准、科学、客观的决策支撑。     

基于生成对抗网络联合训练的语音分离方法

基于深度神经网络的语音分离方法大都在频域上进行训练，并且在训练过程中往往只关注目标语音特征，不考虑干扰语音特征。为此，提出了一种基于生成对抗网络联合训练的语音分离方法。该方法以时域波形作为网络输入，保留了信号时延导致的相位信息。同时，利用对抗机制，使生成模型和判别模型分别训练目标语音和干扰语音的特征，提高了语音分离的有效性。实验中，采用Aishell数据集进行对比测试。结果表明，本文所提方法在三种信噪比条件下都有良好的分离效果，能更好地恢复出目标语音中的高频频段信息。      

基于聚类分析和神经网络的时间序列预测方法

文章提出了一种组合聚类分析和神经网络的预测方法。聚类分析将大的数据集聚类划分为几类小的数据集，这样在每一类中，数据的相似度比较高，然后再分类训练相应的模型，最后做预测。建立加入聚类分析的径向基神经网络模型，用金融时间序列做试验，并跟径向基神经网络模型进行比较。试验结果表明．加入聚类分析的径向基神经网络模型提高了连续预测的趋势准确率，降低了时间代价，并减小了模型的复杂度。     

基于加权复杂网络的中文文档关键短语抽取

提出了基于加权复杂网络的中文文档关键短语抽取方法.在识别完整短语后,将单个文档构建成一个语义复杂网络,同时加以共现信息对网络予以权重.之后进行网络分离,计算主体网络节点的加权点度中心度,同时提出基于边界节点的介数,解决了介数计算量大的问题.最后结合加权点度中心度和基于边界节点的介数抽取出关键短语,表现出良好的抽取效果,对利用复杂网络抽取关键短语有很好的指导作用.     

基于图卷积网络的双语多文档差异性摘要抽取

针对现有方法利用机器翻译在双语新闻中抽取差异性摘要存在的语义转换偏差问题，提出一种基于图卷积网络的双语多文档差异性摘要抽取方法。首先，对已抽取的双语多文档摘要构建句子关系图，并将GRU模型获得的句向量和句子关系图作为图卷积网络的输入，以获得图卷积相关性聚合之后的句子节点表征；然后，计算句子节点表征和GRU模型获得中英文文档向量之间的显著性得分；最后，按照显著性得分高低进行降序排序，分别抽取出中英文的差异性摘要。实验结果表明，所提出的方法能够有效抽取双语多文档差异性摘要。