-
题名深度学习算法在藏文情感分析中的应用研究
被引量：7
- 1
-
-
作者
普次仁
侯佳林
刘月
翟东海
-
机构
西藏大学藏文信息技术研究中心
西南交通大学信息科学与技术学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2017年第7期1122-1130,共9页
-
基金
国家自然科学基金61540060
国家软科学研究计划项目2013GXS4D150
西藏自治区科技厅科学研究项目~~
-
文摘
针对以往进行藏文情感分析时算法忽略藏文语句结构、词序等重要信息而导致结果准确率较低的问题,将深度学习领域内的递归自编码算法引入藏文情感分析中,以更深层次提取语义情感信息。将藏文分词后,用词向量表示词语,则藏文语句变为由词向量组成的矩阵;利用无监督递归自编码算法对该矩阵向量化,此时获得的最佳藏文语句向量编码融合了语义、语序等重要信息;利用藏文语句向量和其对应的情感标签,有监督地训练输出层分类器以预测藏文语句的情感倾向。在实例验证部分,探讨了不同向量维度、重构误差系数及语料库大小对算法准确度的影响,并分析了语料库大小和模型训练时间之间的关系,指出若要快速完成模型的训练,可适当减小数据集语句条数。实例验证表明,在最佳参数组合下,所提算法准确度比传统机器学习算法中性能较好的语义空间模型高约8.6%。
-
关键词
深度学习
情感分析
递归自编码
递归神经网络
-
Keywords
deep learning
sentiment analysis
recursive auto encoder
recursive neural networks
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多模态深度学习的RGB-D物体识别
被引量：6
- 2
-
-
作者
骆健
蒋旻
刘星
周龙
-
机构
武汉科技大学计算机科学与技术学院
武汉科技大学湖北省智能信息处理与实时工业系统重点实验室
-
出处
《计算机工程与设计》
北大核心
2017年第6期1624-1629,共6页
-
基金
国家自然科学基金面上基金项目(41571396)
国家创新训练基金项目(201410488017)
+2 种基金
省级大学生创新创业训练计划基金项目(201410488038)
校级大学生科技创新基金项目(14ZRA079
14ZRC093)
-
文摘
针对现有RGB-D物体识别方法存在图像特征学习不全面、类间相似的物体识别精度不高等问题,联合稀疏自编码(sparse auto-encoder,SAE)及递归神经网络(recursive neural networks,RNNs)提出多模态稀疏自编码递归神经网络(multi-modal sparse auto-encoder and recursive neural networks,MSAE-RNNs)的深度学习模型。SAE结合卷积及池化技术分别从RGB-D图像的RGB图、灰度图、深度图、3D曲面法线中提取低层次的平移不变性特征,作为多个固定树RNNs的输入,得到更加抽象的高层特征,融合后的多模态特征,采用SVM分类器进行分类。在RGB-D数据集上的实验结果表明,该算法的物体识别率达到90.7%,较其它算法提高了3%-9%,能很好完成RGB-D物体的识别。
-
关键词
多模态
稀疏自编码
递归神经网络
卷积及池化
3D曲面法线
-
Keywords
multimodal
sparse auto-encoder
recursive neural networks
convolution and pooling
3Dsurface normal
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的文本情感分析并行化算法
被引量：4
- 3
-
-
作者
翟东海
侯佳林
刘月
-
机构
西南交通大学信息科学与技术学院
-
出处
《西南交通大学学报》
EI
CSCD
北大核心
2019年第3期647-654,共8页
-
基金
国家自然科学基金资助项目(61540060)
科技部国家软科学研究计划资助项目(2013GXS4D150)
教育部科学技术研究重点项目(212167)
-
文摘
在训练集和测试集数据量大的情况下,半监督递归自编码(semi-supervised recursive auto encoder,Semi-Supervised RAE)文本情感分析模型会出现网络训练速度缓慢和模型的测试结果输出速率缓慢等问题.因此,提出采用并行化处理框架,在大训练集情况下,基于“分而治之”的方法,先将数据集进行分块划分并将各个数据块输入 Map 节点计算每个数据块的误差,利用缓冲区汇总所有的块误差,Reduce 节点从缓冲区读取这些块误差以计算优化目标函数;然后,调用 L-BFGS (limited-memory Broyden-Fletcher-Goldfarb-Shanno)算法调整参数,更新后的参数集再次加载到模型中,重复以上训练步骤逐步优化目标函数直至收敛,从而得到最优参数集;在测试集大的情况下,模型的初始化参数为上述步骤得到的参数集,Map 节点对各句子进行编码得到其向量表示,然后暂存在缓冲区中;最后,在 Reduce 节点中分类器利用各语句的向量表示计算各自语句的情感标签.实例验证表明:在标准语料库 MR (movie review)下本文算法精确度为 77.0%,与原始算法的精确度(77.3%)几乎相同;在大数据量训练集下,训练时间在一定程度上随着计算节点的增加而大量减少.
-
关键词
半监督递归自编码
文本情感分析
并行计算
-
Keywords
semi-supervised recursive auto encoders
text sentiment analysis
parallel computing
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于递归自编码器的广告短语相关性
被引量：2
- 4
-
-
作者
胡庆辉
魏士伟
解忠乾
任亚峰
-
机构
武汉大学计算机学院
桂林航天工业学院广西高校机器人与焊接技术重点实验室培育基地
-
出处
《计算机应用》
CSCD
北大核心
2016年第1期154-157,187,共5页
-
基金
国家自然科学基金资助项目(11301106)
广西自然科学基金资助项目(2014GXNSFAA1183105)
+1 种基金
广西高校科研资助项目(ZD2014147
YB2014431)~~
-
文摘
针对现有广告短语相关性研究成果多采用字面匹配,忽略了短语所包含的深层语义信息,限制了任务的性能等问题,提出了采用深度学习算法研究广告短语的相关性,采用递归自编码器(RAE)对短语进行深层结构分析,使得短语向量包含深层的语义信息,以此来构建广告语境下的短语相关性计算方法。具体地,给定一个包含若干词的序列,序列中所有相邻的两个元素尝试合并产生一个重构误差,遍历将重构误差最小的元素两两合并,形成类似哈夫曼树结构的短语树。采用梯度下降法最小化短语树的重构误差,采用余弦距离度量短语之间的相关性。实验结果显示,通过引入词语权重信息,加大了重要词语在最终短语向量表示中贡献的信息量,使得RAE更适合短语计算;比起传统LDA和BM25算法,在50%召回率的条件下,提出的算法的准确率分别提高了4.59个百分点和3.21个百分点,这证明了所提算法的有效性。
-
关键词
深度学习
递归自编码器
词向量
计算广告
搜索引擎
-
Keywords
deep learning
recursive auto encoder（RAE）
word vector
computational advertising
search engine
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于特征优选与深度学习的车载电源微小故障诊断方法
被引量：5
- 5
-
-
作者
李炜
韩寅龙
孙晓静
-
机构
兰州理工大学电气工程与信息工程学院
甘肃省工业过程先进控制重点实验室
兰州理工大学电气与控制工程国家级实验教学示范中心
兰州电源车辆研究所有限公司
-
出处
《兵工学报》
EI
CAS
CSCD
北大核心
2022年第11期2935-2944,共10页
-
基金
国家自然科学基金项目(61763027)。
-
文摘
车载电源作为军队武器装备作训和应急的主要电能来源,其微小故障的准确诊断可有效预防严重故障的发生。然而实际监测数据往往存在冗余,且微小故障征兆难以有效提取,针对此提出一种基于递归特征消除(RFE)与栈式自编码神经网络(SAE)相结合的微小故障智能诊断方法。利用REF算法对所采集的特征变量进行重要度排序,以消除冗余并优选构建故障特征子集;再以该特征子集作为SAE深度网络的输入,微小故障类别作为输出,从而实现车载电源微小故障的有效诊断。仿真结果表明,与单纯SAE及浅层神经网络相比,所提方法的微小故障诊断准确率有明显提升,达到95.4%。
-
关键词
车载电源
微小故障诊断
递归特征消除
栈式自编码网络
-
Keywords
vehicle power supply
incipient fault diagnosis
recursive feature elimination
stacked auto-encoder
-
分类号
U469.6
[机械工程—车辆工程]
TP277
[自动化与计算机技术—检测技术与自动化装置]
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名一种面向句子的汉英口语翻译自动评分方法
被引量：2
- 6
-
-
作者
李心广
陈帅
龙晓岚
-
机构
广东外语外贸大学语言工程与计算(广东省)重点实验室
广东外语外贸大学信息科学与技术学院
-
出处
《中文信息学报》
CSCD
北大核心
2021年第7期54-62,共9页
-
基金
国家自然科学基金(61877013)
全国科学技术名词审定委员会2019年度科研项目(WT2019006)
广东省科技创新战略专项资金(Pdjh2021a0170,Pdjh2021b0176)。
-
文摘
该文提出一种面向句子的汉英口语翻译自动评分方法,选取语义关键词、句子大意和口语流利度作为评分的主要参数。为了提高关键词评分的准确度,该文使用同义词辨析方法,识别考生答题关键词中的同义词;在句子层面,使用可伸展递归自编码(unfolding recursive auto-encoder,URAE)神经网络模型分析考生对句子大意的翻译;最后基于语速(tempo/rate)和语音的分布情况对口语流利度进行评分。综合三种参量加权评分,得到最后翻译质量的评分。实验结果表明,采用该文方法与人工评分结果具有较好的一致性,达到了预期设计目标。
-
关键词
汉英口语翻译自动评分
同义词辨析
URAE神经网络
口语流利度
-
Keywords
automatic scoring method of oral Chinese-English translation
synonym analysis
Unfolding recursive auto-encoder(URAE)neural network
fluency
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名关于深度学习的综述与讨论
被引量：175
- 7
-
-
作者
胡越
罗东阳
花奎
路海明
张学工
-
机构
清华大学自动化系
清华大学信息技术研究院
清华大学生命学院
-
出处
《智能系统学报》
CSCD
北大核心
2019年第1期1-19,共19页
-
基金
国家自然科学基金项目(61721003)
-
文摘
机器学习是通过计算模型和算法从数据中学习规律的一门学问,在各种需要从复杂数据中挖掘规律的领域中有很多应用,已成为当今广义的人工智能领域最核心的技术之一。近年来,多种深度神经网络在大量机器学习问题上取得了令人瞩目的成果,形成了机器学习领域最亮眼的一个新分支——深度学习,也掀起了机器学习理论、方法和应用研究的一个新高潮。对深度学习代表性方法的核心原理和典型优化算法进行了综述,回顾与讨论了深度学习与以往机器学习方法之间的联系与区别,并对深度学习中一些需要进一步研究的问题进行了初步讨论。
-
关键词
深度学习
机器学习
卷积神经网络
递归神经网络
多层感知器
自编码机
学习算法
机器学习理论
-
Keywords
deep learning
machine learning
convolutional neural network
recursive neural network
multilayer perceptron
auto-encoder
learning algorithms
machine learning theory
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名融合递归自编解码器的蒙卡画面重构降噪方法
被引量：1
- 8
-
-
作者
卢娟
陈纯毅
-
机构
长春理工大学计算机科学技术学院
-
出处
《智能系统学报》
CSCD
北大核心
2023年第3期459-467,共9页
-
基金
吉林省科技发展计划项目(20190302113GX).
-
文摘
针对生成对抗模型降噪结果出现的伪影和模糊问题,提出一种基于对抗生成递归自编码器的蒙卡渲染画面降噪方法。在模型上,设计多尺度卷积编码结构,以多尺度残差自编码模型为生成器,通过组合连接实现不同层次特征提取,融合不同感受野的特征信息。以设计的递归残差网络模型为判别器,判断蒙卡渲染画面真伪,在对抗中提高网络性能。以端到端的方式将辅助信息特征、含有噪声的蒙卡画面和8192采样率下的画面输入到融合递归自编解码器中进行降噪处理。实验表明,该方法在测试场景下的平均峰值信噪比为32.44 dB,比生成对抗网络方法和残差网络方法分别提升4.80%和3.13%;平均结构相似性为0.92,比2种已有的算法分别提高2.54%和1.01%。
-
关键词
递归残差网络
多尺度卷积
生成对抗网络
蒙特卡罗渲染画面
图像处理
图像去噪
深度学习
自编码网络
-
Keywords
recursive residual network
multi-scale convolution
generative adversarial networks
Monte Carlo rendering screen
image processing
image denoising
deep learning
auto-encoder network
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于主题增强的递归自编码情感分类研究
- 9
-
-
作者
朱引
黄海燕
-
机构
华东理工大学信息科学与工程学院
-
出处
《计算机科学》
CSCD
北大核心
2018年第12期142-147,共6页
-
文摘
中文文本情感分析旨在发现用户对事物、事件的情感倾向,然而现有研究往往忽视了文本之间的相互联系。提出一种基于主题增强的递归自编码情感分类模型,通过将文本的主题信息融入到递归自编码模型中,使得该模型可以更深层次地考虑文本的内容信息,提高其对文本情感的理解和泛化能力。在COAE2014数据集上的实验结果表明,将所提分类模型用于情感分类任务时可获得更优的分类效果,证实了其在实际问题中的适用性与可行性。
-
关键词
递归自编码
主题模型
情感分类
数据挖掘
-
Keywords
recursive auto-encoder
Topic model
Sentiment classification
Data mining
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
