针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural net...针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural network)模块并且和不同的RNN(recurrent neural network)串行连接实现特征降维,提出一种改进的基于BiLSTM(bidirectional long and short term memory neural network)的注意力机制来提取较好的抽象特征。提出一种多主导的对齐集成策略将本体不同层次的对齐进行合并,提高匹配的质量。实验在OAEI(ontology alignment evaluation initiative)的benchmark测试集上进行,提出方法的评价指标较高,并且和其它匹配系统作比较,高质量的对齐验证了所提方法具有一定的先进性和创新性。展开更多
文摘面向心脏疾病计算机辅助诊断,本文提出一种基于一维卷积神经网络和循环神经网络混合深度学习结构的心音分析方法.本结构首先利用卷积神经网络学习心脏病症在心音信号上的表征,然后通过循环神经网络处理心音信号中的时序信息进行分类,在提升心音分类正确率的同时,大幅度降低了网络参数.为验证本深度学习结构所学特征的有效性,除已有的成人心音数据集外,本文还专门构建了一个面向婴幼儿先天性心脏病的心音数据集,并通过端到端的类别响应图证明了本方法在室缺诊断时学习到的心音信号特征符合临床医师的心音听诊经验.实验结果表明,本文方法能在3153例成人心音数据分类上达到92.56%的正确率,在528例婴幼儿心音数据分类上达到97.48%正确率,模型参数仅有0.05 M.
文摘针对一些缺少参考对齐的本体匹配任务,提出一种基于深度无监督学习的匹配技术,通过对文本的上下文信息进行学习,提取到抽象文本特征,以此找到对齐。由于高维度输入会影响计算的效率,针对本体的多种描述构建CNN(convolutional neural network)模块并且和不同的RNN(recurrent neural network)串行连接实现特征降维,提出一种改进的基于BiLSTM(bidirectional long and short term memory neural network)的注意力机制来提取较好的抽象特征。提出一种多主导的对齐集成策略将本体不同层次的对齐进行合并,提高匹配的质量。实验在OAEI(ontology alignment evaluation initiative)的benchmark测试集上进行,提出方法的评价指标较高,并且和其它匹配系统作比较,高质量的对齐验证了所提方法具有一定的先进性和创新性。
