期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于双向LSTM网络的流式文档结构识别
被引量：
10
1
作者
张真
李宁
田英爱
《计算机工程》
CAS
CSCD
北大核心
2020年第1期60-66,73,共8页
流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低。针对该问题,提出一种基于双向长短期时间记忆(LSTM)...
流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低。针对该问题,提出一种基于双向长短期时间记忆(LSTM)网络的流式文档结构识别方法。从文档单元的格式、内容与语义3个方面筛选关键特征,并将文档结构识别看作序列标注问题,使用双向LSTM神经网络构建识别模型,以实现对18种逻辑标签的识别。实验结果表明,该方法能够对文档结构进行有效识别,其识别效果优于方正飞翔软件。
展开更多
关键词
文档结构识别
流式文档
特征提取
序列标注
长短期时间记忆网络
在线阅读
下载PDF
职称材料
面向人体行为识别的深度特征学习方法比较
被引量：
9
2
作者
匡晓华
何军
+1 位作者
胡昭华
周媛
《计算机应用研究》
CSCD
北大核心
2018年第9期2815-2817,2822,共4页
针对人体行为识别问题,比较了两种基于智能手机惯性加速度传感器数据的深度特征学习方法。先将传感器数据进行重叠加窗的预处理;然后将带标签的样本数据直接输入深度网络模型中,通过端到端的特征学习,最终输出行为分类结果。通过对比深...
针对人体行为识别问题,比较了两种基于智能手机惯性加速度传感器数据的深度特征学习方法。先将传感器数据进行重叠加窗的预处理;然后将带标签的样本数据直接输入深度网络模型中,通过端到端的特征学习,最终输出行为分类结果。通过对比深度卷积神经网络、长短期记忆网络两种深度学习方法在公开网站UCI的机器学习知识库的人体行为识别数据集上的识别效果。实验结果表明,采用Dropout深度卷积神经网络特征学习方法识别准确率为90.98%,是一种有效的深度特征学习方法。
展开更多
关键词
深度学习
行为识别
序列数据分类
深度卷积神经
网络
长短期时间记忆网络
在线阅读
下载PDF
职称材料
基于CoAtNet-LSTM模型的多传感器信息融合刀具磨损预测
3
作者
李亚
尚轩丞
+1 位作者
王海瑞
朱贵富
《计量学报》
2025年第10期1433-1445,共13页
基于长短时记忆网络(LSTM)与CoAtNet网络,提出了一种刀具磨损预测CoAtNet-LSTM模型。在时域、频域、时频域中提取传感器信号特征,并通过孤立森林算法进行信号特征异常值处理,再将其输入预测模型中获得刀具磨损预测值并通过Hyperband算...
基于长短时记忆网络(LSTM)与CoAtNet网络,提出了一种刀具磨损预测CoAtNet-LSTM模型。在时域、频域、时频域中提取传感器信号特征,并通过孤立森林算法进行信号特征异常值处理,再将其输入预测模型中获得刀具磨损预测值并通过Hyperband算法优化模型超参数。应用PHM2010数控铣床刀具数据集验证训练模型的预测精度。实验结果表明,该模型的决定系数相较于原CoAtNet和LSTM网络模型平均提升了12.73%、16.44%。
展开更多
关键词
几何量计量
刀具磨损
CoAtNet-LSTM模型
长短期时间记忆网络
Hyperband算法
孤立森林算法
在线阅读
下载PDF
职称材料
题名
基于双向LSTM网络的流式文档结构识别
被引量：
10
1
作者
张真
李宁
田英爱
机构
北京信息科技大学网络文化与数字传播北京市重点实验室
北京信息科技大学计算机学院
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第1期60-66,73,共8页
基金
国家重点研发计划“私有云环境下服务化智能办公系统平台”(2018YFB1004100)
国家自然科学基金“流式文档排版格式的智能化分析与优化方法”(61672105)
文摘
流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低。针对该问题,提出一种基于双向长短期时间记忆(LSTM)网络的流式文档结构识别方法。从文档单元的格式、内容与语义3个方面筛选关键特征,并将文档结构识别看作序列标注问题,使用双向LSTM神经网络构建识别模型,以实现对18种逻辑标签的识别。实验结果表明,该方法能够对文档结构进行有效识别,其识别效果优于方正飞翔软件。
关键词
文档结构识别
流式文档
特征提取
序列标注
长短期时间记忆网络
Keywords
document structure recognition
stream document
feature extraction
sequence labeling
Long Short-Term Memory(LSTM)network
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
面向人体行为识别的深度特征学习方法比较
被引量：
9
2
作者
匡晓华
何军
胡昭华
周媛
机构
南京信息工程大学电子与信息工程学院
南京信息工程大学江苏省气象探测与信息处理重点实验室
出处
《计算机应用研究》
CSCD
北大核心
2018年第9期2815-2817,2822,共4页
基金
国家自然科学基金资助项目(61601230)
江苏省自然科学基金资助项目(BK20141004)
+1 种基金
上海市北斗导航与位置服务重点实验室开放基金项目
江苏省高校优势学科Ⅱ期建设工程资助项目
文摘
针对人体行为识别问题,比较了两种基于智能手机惯性加速度传感器数据的深度特征学习方法。先将传感器数据进行重叠加窗的预处理;然后将带标签的样本数据直接输入深度网络模型中,通过端到端的特征学习,最终输出行为分类结果。通过对比深度卷积神经网络、长短期记忆网络两种深度学习方法在公开网站UCI的机器学习知识库的人体行为识别数据集上的识别效果。实验结果表明,采用Dropout深度卷积神经网络特征学习方法识别准确率为90.98%,是一种有效的深度特征学习方法。
关键词
深度学习
行为识别
序列数据分类
深度卷积神经
网络
长短期时间记忆网络
Keywords
deep learning
activity recognition
sequential data classification
deep convolution neural network(DCNN)
long short-term memory network(LSTM)
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于CoAtNet-LSTM模型的多传感器信息融合刀具磨损预测
3
作者
李亚
尚轩丞
王海瑞
朱贵富
机构
昆明理工大学信息工程与自动化学院
出处
《计量学报》
2025年第10期1433-1445,共13页
基金
国家自然科学基金(61863016)。
文摘
基于长短时记忆网络(LSTM)与CoAtNet网络,提出了一种刀具磨损预测CoAtNet-LSTM模型。在时域、频域、时频域中提取传感器信号特征,并通过孤立森林算法进行信号特征异常值处理,再将其输入预测模型中获得刀具磨损预测值并通过Hyperband算法优化模型超参数。应用PHM2010数控铣床刀具数据集验证训练模型的预测精度。实验结果表明,该模型的决定系数相较于原CoAtNet和LSTM网络模型平均提升了12.73%、16.44%。
关键词
几何量计量
刀具磨损
CoAtNet-LSTM模型
长短期时间记忆网络
Hyperband算法
孤立森林算法
Keywords
geometric measurement
tool wear
CoAtNet-LSTM model
long and short term temporal memory networks
hyperband algorithm
isolation forest
分类号
TB92 [一般工业技术]
TB936 [机械工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于双向LSTM网络的流式文档结构识别
张真
李宁
田英爱
《计算机工程》
CAS
CSCD
北大核心
2020
10
在线阅读
下载PDF
职称材料
2
面向人体行为识别的深度特征学习方法比较
匡晓华
何军
胡昭华
周媛
《计算机应用研究》
CSCD
北大核心
2018
9
在线阅读
下载PDF
职称材料
3
基于CoAtNet-LSTM模型的多传感器信息融合刀具磨损预测
李亚
尚轩丞
王海瑞
朱贵富
《计量学报》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
