有监督的人工智能机器学习图片认知分类系统的方法研究

人工智能出现在我们视野的占比逐渐增大,给我们的生活工作带来了很多便利,步入信息时代的社会离不开信息技术。人工智能机器学习在众多的数据以及产品中具备其独特的特点,本文以介绍机器学习的进行简要介绍,并在此基础上对图片认知分类进行阐述。     

一种利用情感词统计信息构造文本特征表示的方法

数据表达方法和文本分类的效果密切相关。文本分类中常用的数据表达方法主要包括基于词典的共现频率方法、基于隐性语义空间(LSA/SVD)的方法、基于神经网络语言模型的方法。该文提出一种利用单词的统计特征创建文本分类中特征空间的表达方法。该方法利用单词的7种常见的统计特征，通过相关性分析选取相对独立的统计特征创建特征空间。该方法能够有效降低文本向量空间的维度，同时降低了语义空间内的计算复杂度。情感分类实验的结果表明，与现有的单词的数据表达方法相比，该方法能够显著提高分类算法的准确率和召回率。     

基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

结合句法依存信息的方面级情感分类

引入句法依存信息到原方面术语,提出一种新的方面术语表示方法,利用Glove词向量表示单词以及单词与单词之间的依存关系,构造出包含句法依存信息的依存关系邻接矩阵和依存关系表示矩阵,利用图卷积神经网络和多头注意力机制将句法依存信息融入到方面术语中,使得方面术语表达与上下文结构高度相关。将改进后的方面词术语表示替换到现有模型后,模型泛化能力得到有效提升。对比试验和分析结果表明:该方法具有有效性和泛化性。     

人工智能实例分析

介绍了人工智能处理二分类问题的一般流程,详细阐述数据预处理、模型构建的技术处理方法,并对比xgboost、LM神经网络、随机森林、cart决策树、逻辑回归算法的应用效果,对智能风控具有一定的借鉴意义.     

明代盔甲种类及制作工艺研究

本文通过盔甲的制作及材料,区分了非金属材料的皮甲、瓠子作甲、藤甲、绵甲、纸甲以及金属材料组成的齐腰甲、齐腰明甲、缉甲、布甲、铁甲、钢甲、铜甲、锡甲等类型,并对其制作方式等进行分析。结合不同材质盔甲的使用地区、战争方式进行研究,以对明代盔甲有一个整体性的认知。     

关于构建塑料包装废弃物的分类、收集与管理体系的思考

简介了我国塑料包装行业发展状况和塑料包装废弃物治理的有关政策与法规；阐述了为解决塑料包装废弃物等对环境造成的污染不同主体应承担与落实的责任，包括政府部门、企业和消费者等；提出了为高值（质）化回收利用塑料包装废弃物构建细化分类、收集与管理体系的一些设想。