基于AMTW算法的文本特征词权值计算

提出了一种基于文本集密度的特征词选择与权值计算的方法AMTW (ApproachofModifyingTermWeighting) .该方法可以找出不损失文本有效信息的最小特征词语集 ,设计出更为合理权值计算方案 .经元打分法证明该方法是有效的     

基于改进的TF-IDF文本特征词提取算法研究

在特征词提取算法中,TF-IDF算法是最常见的特征权重计算方法。在传统TF-IDF算法的基础上,提出新的基于文本词语长度的关键词提取算法。利用中文短语分词技术,识别文本中的长词与普通词汇,对于不同长度的词语利用提出的TF-IDF-WL方法重新计算权重,按权值排序结果得到关键词。实验对比发现,新的特征词提取算法能够更加精确地反映出特征词的词长情况,该算法与传统的TF-IDF算法相比,在准确率和召回率上都有较大的提升。     

基于遗传算法的BP网络最优权值算法

针对BP神经网络由于初始权值的随机选取而造成陷入局部极小的问题,提出了以遗传算法为基础的最优值选择法,利用遗传算法自身特有的优势,为BP网络的权值找到全局最优解,从而提高BP网络的收敛速度和精度。     

基于EM的多天线信号合成权值估计算法

针对多天线信号合成技术的权值估计问题,提出了一种高斯信道下基于EM算法的权值估计算法,该算法能够实现非数据辅助情况下权值幅度和相位的联合估计,推导了多路情况下相位估计的Cramer-Rao下界（CRLB）。对MPSK和MQAM信号进行大量计算机仿真,结果表明该算法估计精度高,适用于多种调制方式,高信噪比下权值幅度与相位的估计值能够达到CRLB。     

基于自相关系数的合成权值估计算法

提出了一种适用于相关噪声条件下信号合成中最佳合成权值估计的通用算法。该算法仅需估计一组信号的自相关函数和互相关函数,通过求解一个简单的一元二次方程,就可获得最佳合成权值的估计。由于回避了估计最佳合成权值表达式中的中间变量,计算更为简单。分别对不同噪声条件下的QPSK、8PSK和64QAM调制信号进行了大量计算机仿真,结果表明该算法均能够准确估计出最佳合成权值,同时还具有鲁棒性强、通用性好的特点。     

一种基于自动特征权值的实体相似度计算方法

本体映射可以解决本体间的异构和不一致性,在现有的本体映射过程中,通常采用人工定义实体权值表示资源的重要性。提出一种通过对特征语义进行分析,定义不同实体特征相似度的计算模型和权值计算模型,实现特征权值的自动计算。实验结果表明,该方法可以提高本体映射的自动化程度,且具有较好的准确性,提高了本体映射效果。     

基于复数权神经元的多值整形器稳健设计

复数权神经元是由于引入多阈值逻辑而使得权值为复数的神经元,被认为具有更强的性能。该文根据该神经元数学模型,结合POST代数系统中多值逻辑取值及运算的概念,实现了基于单个复数权神经元的多值整形运算,设计的多值逻辑整形运算具有稳健性能,所得结果表明用复数权神经元实现多值逻辑的有效性和可行性,说明了其强大的信息处理能力。     

基于背景规范化的照相文本图像二值化

提出一种基于背景规范化的照相文本图像二值方法.通过方差计算确定文本图像的文字区域,并对文字区域进行背景插值后得到原始文本图像的背景图.根据背景图把原始文本图像转换成背景规范化的文本图像,同时用拟合曲线对不同明暗背景区实行相应的对比度补偿,把前景像点与背景像点设置到较小的灰度范围,然后用全局阈值方法进行二值化处理.试验结果表明,该方法是有效的.     

基于贝叶斯算法的二值化算法

针对在图像二值化过程中动态选取阈值难的问题,在分析了全局阈值法和局部阈值法各自优缺点的基础上,提出了一种基于贝叶斯算法的全局阈值法和局部阈值法相结合的二值化方法。经实验证明,该方法既能够有效地消除光照不均匀对图像的影响,较好地保留目标图像的细节,又能够有效地消除伪影,提高处理速度。     

基于关键实体和文本摘要多特征融合的话题匹配算法

随着网络的快速普及,互联网新闻的数量剧增,在这种情况下,如何有效地找到更加符合特定主题的相关报道成为一个迫切需要解决的问题。针对这一问题,提出了基于关键实体和文本摘要多特征融合的话题匹配算法。首先,使用W²NER模型进行命名实体识别,通过词频、TF-IDF、词的合群性、词词相似度和词句相似度特征,提取关键的实体。其次,使用Pegasus模型进行文本摘要,通过BiLSTM融合关键实体特征与文本摘要特征,得到新闻文本的深层次语义特征。再次,使用交叉注意力机制对待匹配新闻进行特征交互,增进彼此的联系。最后,融合新闻文本的深层次语义特征和文本交互特征,共同参与文本话题匹配的判断。在来自于搜狐的真实数据上进行了不同算法的对比实验,结果表明：所提算法准确率和精确率均与其他算法效果相近,召回率和F1值均有所提升。     

学习特征权值对聚类算法的优化

现有的k-均值聚类算法大都是以距离差异为基础的,而同等重要地依赖所有属性的相似性度量会引起误导.传统的k-均值算法选择的相似性度量通常是欧几里德距离的倒数,这种距离通常涉及所有的特征.而在距离公式中引入一些特征权值后,其聚类结果将依赖于这些权值,从而可以通过调整这些权值优化聚类效果.由于k-均值算法是迭代算法,很难直接确定其权值以优化聚类结果,因此提出了一种通过免疫算法学习权值的方法以改进聚类结果.实验结果显示,该方法确定的权重值在提高聚类效果方面是可行的、有效的.     

基于浅层文本分析的中文Web信息检索

为了提高信息检索效率,在中文Web信息检索中引入了浅层文本分析技术。首先提取文本句子的谓词及与谓词直接关联的前置体词和后继体词。然后在将谓词转换成概念化表达的基础上,获取表达文本语义的语义向量。提出了一个语义向量相似度计算算法,用语义向量的相似度来度量文档之间的语义相似度。与主流网络搜索引擎比较,系统查准率方面有了较大提高。     

基于数据压缩的文本相似性计算

利用数据压缩原理，对文本文档进行压缩，由压缩比公式得到相似值．与基于统计的传统方法相比，它具有简便快速的特点．     

自适应权值卷积特征的鲁棒目标跟踪算法

针对传统基于固定权值卷积特征的深度学习跟踪算法在部分视频跟踪失败的问题,提出一种新颖的基于响应图和熵函数的评估各卷积神经网络层跟踪性能的方法. 该方法能根据评估结果自动调整各层的权值系数;同时引入边界框检测机制,当跟踪响应最大值小于给定阈值时,采用滑动窗口采样一定数量的边界框,并对边界框进行评估,生成初始建议边界框;最后在初始建议边界框的基础上进行相关滤波跟踪,并给出模型更新策略。 将文中算法与其他9种算法在OTB-2013视频数据库上进行跟踪仿真,实验结果表明,所提算法具有较高的中心点距离准确率和跟踪成功覆盖率。     

神经网络权值的混沌优化方法研究

研究了混沌优化方法中混沌变量的初值设定和载波过程中放大倍数等参数调整的实用方法。在此基础上,为了克服ＢＰ网络收敛速度慢和易陷入局部极小点的不足,提出了基于混沌优化的ＢＰ网络学习算法,该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明,把混沌优化方法用于神经网络权值优化,方法简单可行,搜索速度快,是一种有效的新途径。     

自适应权值调整的C-V模型及图像分割

Chan-Vese模型（简称C-V模型）是基于均质区域能量最小化的曲线演化分割框架。本文提出一种区域相关权重的C-V模型,并对模型的区域权重进行了探讨,定义了自适应权值调整函数,加速曲线收敛过程,得到精确的区域边界。实验表明该算法可行有效。     

基于信噪比权值的合作频谱感知技术

根据无线环境中各个认知用户的信噪比不同,提出一种基于信噪比权值的合作频谱感知算法。认知用户根据与主用户之间路径衰落因子的不同,得出各自的信噪比值,再通过递归得到相应的权值。融合中心进行加权融合得出最终判决结果。仿真结果表明,这种算法可以提高对主用户的检测概率,其检测性能也优于传统的硬判决融合准则。     

基于树形结构的评论文本相似度计算算法

文本相似度度量对于促进信息处理领域的发展具有重要意义。针对评论文本提出了一种基于树形结构的内容相似性度量方法。该方法利用评论文本的内容组织特征,将其分解为对应树各层之间的相似性度量,从而使得每层相似度的度量对象都为同类型的词语,进而分别采用合适的相似性度量方法,最后再对各层相似度赋予不同的权重,并通过融合树各层的相似度最终得到整体的相似度。在Amazon数据集上的实验结果表明文章方法较之于其它常见度量方法更加有效,准确率更高。