迁移深度学习地基云图自动识别的网络微调学习过程

研究了一种将迁移学习引入到地基云图自动识别深度学习网络中的学习过程,其中深度学习网络采用Alex Net经典网络模型,数据集采用 Imagenet样本库进行预训练,学习过程中采用微调操作对网络的权值进行最佳调整,通过对10类地基云图的仿真实验,可以看出,由于云图类别较多,分类任务较难,将迁移学习和微调方法引入到深度学习地基云图自动识别中,是可行和有效的,该方法的有效实施,为深度学习在高精度的地基云图分类以及其他领域图像识别奠定了技术基础。     

基于半监督的SVM迁移学习文本分类算法

随着互联网的快速发展,文本信息量巨大,大规模的文本处理已经成为一个挑战。文本处理的一个重要技术便是分类,基于SVM的传统文本分类算法已经无法满足快速的文本增长分类。于是如何利用过时的历史文本数据(源任务数据)进行迁移来帮助新产生文本数据进行分类显得异常重要。文章提出了基于半监督的SVM迁移学习算法(Semi-supervised TL_SVM)来对文本进行分类。首先,在半监督SVM的模型中引入迁移学习,构建分类模型。其次,采用交互迭代的方法对目标方程求解,最终得到面向目标领域的分类器。实验验证了基于半监督的SVM迁移学习分类器具有比传统分类器更高的精确度。     

融合词性特征的深度迁移学习商品评论情感分析

情感分析是文本分类的研究方向,深度迁移学习通过学习目标领域数据和已有领域数据之间的相关度,提高当目标数据不足时文本分类的精度。从基于网络迁移的角度设计算法,首先使用Word2vec+词性特征词向量表示,然后进行卷积神经网络文本分类,再将训练好的模型共享网络参数,迁移至跨域商品评论数据,训练、分类评论数据。实验证明,在小样本数据集中算法精度有明显提升。     

基于深度学习的文本分类研究综述

与传统的机器学习模型相比，深度学习模型试图模仿人的学习思路，通过计算机自动进行海量数据的特征提取工作。文本分类是自然语言处理中的一个重要应用，在文本信息处理过程中具有关键作用。过去几年，使用深度学习方法进行文本分类的研究激增并取得了较好效果。文中简要介绍了基于传统模型的文本分类方法和基于深度学习的文本分类方法，回顾了先进文本分类方法并重点关注了其中基于深度学习的模型，对近年来用于文本分类的深度学习模型的研究进展以及成果进行介绍和总结，并对深度学习在文本分类领域的发展趋势和研究的难点进行了总结和展望。     

基于深度学习的垃圾邮件文本分类方法

文中旨在研究基于深度学习的垃圾邮件文本分类方法，该方法结合了卷积神经网络（CNN）和循环神经网络（RNN）的模型，通过对邮件文本进行特征提取和分类，能高效、准确地对垃圾邮件进行分类。文中以卷积神经网络和循环神经网络为实验对象，提出了一种垃圾邮件文本分类方法，并在公开数据集上进行了实验。实验结果表明，该方法在垃圾邮件文本分类任务上具有较高的准确率和召回率。     

基于深度学习的文本分类系统关键技术研究与模型验证

大数据时代,文本分类是文本数据挖掘和文本价值探索领域的重要工作。传统的文本分类系统存在特征提取能力弱、分类准确率不高的问题。相对于传统的文本分类技术,深度学习技术具有准确率高、特征提取有效等诸多优势,有必要将深度学习技术引入文本分类系统,以解决传统文本分类系统存在的问题。在分析传统文本分类系统的基础上,提出了基于深度学习的文本分类系统的体系架构和关键技术,同时对传统分类模型、TextCNN、CNN+LSTM多种分类模型进行了验证比对。     

基于集成深度学习的培养评估大数据分析与跟踪算法

针对传统就业情况问卷调查方法无法分析诸多变量间的复杂关系且严重依赖人工的问题,建立了一种基于集成深度学习ATE与APC的联合学习模型LCF-ATEPC。该模型集成了文本情感分析中局部上下文聚焦及BERT机制,同时通过文本方面项提取和情感极性分类两个子任务的交互,克服了常规模型中方面项提取任务精度不足的问题。数值实验结果表明,通过LCF-ATEPC算法挖掘社交媒体数据,并进行多方面话题情感分析,可有效提升分析结果的准确度,且相较传统人工评估与深度学习算法分别提升了约3.58%和1.12%,既提高了工作效率又降低了人力成本。     

一种新的SVM多层增量学习方法HISVML

为了有效的解决支持向量机(SVM)在文本分类中的增量学习问题,文中提出了一种基于树结构的在线学习方法-HISVML.该方法通过将增量学习任务限制在分类子树中来达到减少工作量的目的.实验证明,HISVML比普通的单层增量学习器训练时间短、准确率高.     

基于注意力机制和CNN-BiLSTM模型的在线协作讨论交互文本自动分类

针对当前的在线协作讨论交互文本分类仅采用深度学习方法时,存在无法充分获取上下文语义关联以及忽略关键特征词,造成分类结果准确率下降的问题,文中提出一种结合注意力机制的深度学习网络模型—CNNBiLSTM-Attention,进一步强化文本的语义特征。利用该模型对在线协作讨论活动中产生的12000条交互文本进行分类,分类结果表明,CNN-BiLSTM-Attention的分类准确率整体上可达到82.40%,有效提升了文本分类的效果。     

基于深度学习的生活垃圾分类方法现状与展望

随着计算机视觉应用的突破性发展以及垃圾分类智能化需求的日益增长,基于深度学习的垃圾分类技术成为生活垃圾分类的主流发展趋势。基于深度学习的垃圾分类典型方法主要包括基于ResNet、DenseNet、单阶段目标检测方法和卷积神经网络与迁移学习相结合方法等。文章系统梳理各分类方法的技术特色和适用效果,介绍了有限的垃圾分类公开数据集图像获取及数据情况,指出深度学习在垃圾分类应用中面临数据集依赖、多目标小物体检测率低、轻量型网络模型少等瓶颈问题。聚焦问题,提出了深度学习技术在生活垃圾分类中应用的重点研究领域,并对未来研究发展趋势予以展望。     

多种AI算法在新冠疫情文本情绪识别中的实践

本文设计算法对疫情相关的微博内容进行情绪识别,判断内容是积极的、消极的还是中性的.以识别准确率为评价指标,使用机器学习、深度学习等多种AI算法进行实践,并分别进行模型调优.通过实验表明:相比传统机器学习算法,深度学习算法在疫情相关文本情感分类任务中具有较为明显的优势.在机器学习算法中,TfidfVectorizer在文本特征提取上优于CountVectorizer,Lightgbm集成算法的实际效果优于朴素贝叶斯.在深度学习算法中,使用BERT预训练的Embedding实际效果优于Word2VecEmbedding.     

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。     

基于深度学习的光学薄膜元件损伤识别与分类研究

激光诱导光学薄膜元件损伤是限制激光向高功率、高能量发展的瓶颈,因此,光学薄膜损伤的快速检测已成为亟需解决的问题。为提高光学薄膜元件损伤识别与分类的准确率和效率,提出了一种基于深度学习的损伤图像分类模型训练方法。采集激光辐照氧化物薄膜损伤图像,通过噪声去除、图像增强等预处理,提取损伤区域RGB值、灰度、纹理、形状等特征信息,投入BP神经网络训练识别,受数据集较少和计算误差的影响导致分类结果未达期望值,因此,使用迁移学习训练数据集,结果表明,使用迁移学习在准确率和灵敏度等评价指标上均优于BP神经网络,准确率达90%,将深度迁移学习技术用于光学薄膜元件的损伤识别,为解决激光诱导的光学薄膜损伤判别提供了新思路。     

基于深度学习和半监督学习的入侵检测算法

深度学习是一种具有自动学习能力的智能算法,通过自我学习到的经验而动态地提升分类的能力。深度学习的思想与入侵检测中通过学习而提高检测率和降低误报率的思想是相同的。对于入侵检测准确率不高的情况,提出了一种基于深度学习和半监督学习的入侵检测方法,该方法使用深度学习对特征提取和后验概率对未标记数据进行分类,提高了分类性能。使用KDD CUP99数据集对算法准确性进行了验证,实验结果验证该方法能够有效改善入侵检测系统性能。     

基于深度学习的多轮对话意图识别技术在运营商的应用实践

本文介绍一种基于深度学习算法的运营商客服多轮对话意图识别技术，采用Ro BERTa模型作为方法的预训练模型，然后以Text CNN作为分类模型进行意图识别任务，创新实现模型组合和应用流程，独创性地对角色特征、文本拼音特征、文本对话特征进行多维度建模，实践证明预测准确率因此能够获得稳定提升。在实现客服实时辅助、智能质检等高端服务能力方面具有较好的技术参考价值，助力提升服务质量，增强客户满意度。     

基于Agent强化学习的地图迁移学习算法

强化学习是Agent学习中广泛使用的方法,在智能机器人、经济学、工业制造和博弈等领域得到了广泛的应用,但学习速度慢是强化学习的主要不足。迁移学习可从源任务中获得与目标任务相关的知识,利用这些知识去提高学习效率与效果。本文提出Agent地图迁移算法,实现了Agent在不同状态空间下的经验迁移。实现将Agent在简单环境中的学习经验迁移到复杂环境中,实验中验证了算法可加快Agent路径规划速度。     

基于分类误差一致性准则的自适应知识迁移

目前大多数迁移学习方法在利用源域数据辅助目标域数据建模时,通常假设源域中的数据均与目标域数据相关。然而在实际应用中,源域中的数据并非都与目标域数据的相关程度一致,若基于上述假设往往会导致负迁移效应。为此,该文首先提出分类误差一致性准则(CCR),对源域与目标域分类误差的概率分布积分平方误差进行最小化度量。此外,该文提出一种基于CCR的自适应知识迁移学习方法(CATL),该方法可以快速地从源域中自动确定出与目标域相关的数据及其权重,以辅助目标域模型的构建,使其能在提高知识迁移效率的同时缓解负迁移学习效应。在真实图像以及文本数据集上的实验结果验证了CATL方法的优势。     

基于域自适应的Wi-Fi指纹设备无关室内定位模型

基于Wi-Fi指纹定位方法在大规模实际应用中存在设备多样性问题,定位精度受到极大影响.提出了一种设备无关的Wi-Fi指纹室内定位模型DeviceTransfer.该模型基于深度学习的域自适应理论,把智能手机的设备类型作为域,通过对抗训练来提取任务相关而设备无关的Wi-Fi数据特征,并把学习到的源域位置信息迁移到目标域上...     

基于深度学习的智能垃圾分类系统设计

为了推进我国的环境保护,我国正大力推广垃圾分类。由于垃圾品类复杂繁多,且分类垃圾桶设计简单,大部分仅为贴有分类标签的普通垃圾桶,需要人为识别垃圾种类,因此造成垃圾分类工作效率偏低。本文提出了基于深度学习算法,将图像识别、迁移学习和嵌入式开发应用到垃圾分类当中,设计了一种智能分类垃圾桶,实现了垃圾识别、自动分拣的功能。符合当下社会环境保护和发展的形势,同时为智能制造市场填补上重要的一环,具有较强的创造性意义。     

基于深度学习的中文电商评论情感分析

随着在线评论和推荐系统可用性的不断增加,情感分析逐渐成为学术研究中的一个重要的任务,近年来得到了许多研究人员的关注。传统的解决文本情感分析问题的方法主要是基于情感词典或浅层学习,利用回归、分类等方案实现特征的提取及分类。但由于评论语料内容简短,特征稀疏,含有大量未登录词使得上述这些方法存在数据稀疏问题,且忽略了词的语序问题。以这类方法为起点,本文采用深度学习的方法对评论文本进行情感分析,通过组合实验对比,找到可以深度理解人类情感表达的模型。