期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
老年叙事闭锁与叙事赋能 被引量:11
1
作者 杨晓霖 易雅琴 凌志海 《医学与哲学》 北大核心 2021年第20期51-55,共5页
老年阶段会经历三种叙事关系断裂危机,分别是职业、社会和家庭叙事关系断裂,这是造成老年叙事闭锁的重要原因。在叙事老年学语境下,叙事闭锁者认定自己生命的主线叙事进程已经结束,不再向前演进,生命叙事变得琐碎而无意义。重点分析文... 老年阶段会经历三种叙事关系断裂危机,分别是职业、社会和家庭叙事关系断裂,这是造成老年叙事闭锁的重要原因。在叙事老年学语境下,叙事闭锁者认定自己生命的主线叙事进程已经结束,不再向前演进,生命叙事变得琐碎而无意义。重点分析文学作品和临床现实中的典型老年叙事闭锁者的特征及表现,旨在引起更多研究者关注老年叙事闭锁现象,了解叙事赋能的重要意义。高龄者在故事分享中获得叙事反思力和叙事复元力,在自我的叙事资本得到认可的语境下,被赋予叙事智慧和生命意义。在健康积极的老年叙事生态中,老年人不容易陷入叙事闭锁,更容易超越老化,实现道生。 展开更多
关键词 老年叙事闭锁 叙事赋能 叙事老年学 老年超越
在线阅读 下载PDF
基于改进Sigmoid卷积神经网络的手写体数字识别 被引量:10
2
作者 樊继慧 滕少华 金弘林 《计算机科学》 CSCD 北大核心 2022年第12期244-249,共6页
深度学习技术在数字识别领域有着普遍的应用。通过深度学习技术构造神经网络模型,运用不同的激活函数搭配不同的参数初始化策略,对MINIST手写数据集进行训练;构建分析模型,识别图像中的数字,将大数据量的图片降维成小数据量图片,同时保... 深度学习技术在数字识别领域有着普遍的应用。通过深度学习技术构造神经网络模型,运用不同的激活函数搭配不同的参数初始化策略,对MINIST手写数据集进行训练;构建分析模型,识别图像中的数字,将大数据量的图片降维成小数据量图片,同时保证能够有效保留图片特征;通过对图片数据的分析,加入特征转换过程,利用梯度下降优化器,搭建网络结构,将数据降维,有效地避免过拟合;利用交叉熵验证对模型进行编译和训练,对输出的分类结果进行进一步分析,在Sigmoid激活函数的输出层,通过K最近邻分类算法,设置KNN分类器,进一步提高了分类预测的准确率。MNIST数据集上的实验结果显示识别率为96.2%,在输出层引入K最近邻算法KNN(K-Nearst Neighbors)结合传统卷积神经网络(Convolutional Neural Network,CNN)的全连接层与softmax层,经交叉验证得到99.6%的识别率。 展开更多
关键词 数字识别 K最近邻算法 深度学习 卷积神经网络 交叉熵
在线阅读 下载PDF
基于局部敏感哈希的K邻近算法识别垃圾短信 被引量:2
3
作者 樊继慧 滕少华 《济南大学学报(自然科学版)》 CAS 北大核心 2023年第6期746-751,共6页
针对目前垃圾短信的识别算法存在的关键字及频次的规则死板,易于被不法分子探测和规避等问题,提出将局部敏感哈希的K邻近算法应用于垃圾短信分类识别;首先定义特征,然后采用局部敏感哈希算法计算向量距离,通过得到的距离衡量矩阵的相似... 针对目前垃圾短信的识别算法存在的关键字及频次的规则死板,易于被不法分子探测和规避等问题,提出将局部敏感哈希的K邻近算法应用于垃圾短信分类识别;首先定义特征,然后采用局部敏感哈希算法计算向量距离,通过得到的距离衡量矩阵的相似性,量化矩阵相似程度,对本文中提出的优化模型进行实现和训练;基于短信文本内容,运用词频-逆向文本频率算法生成矩阵,利用局部敏感哈希算法求解最相似样本,记录样本类别,将训练结果导入K邻近算法分类器得到最优近邻,在测试集或验证集上对优化模型垃圾短信分类识别准确率进行评测。结果表明,经过K邻近算法分类器后,优化模型垃圾短信分类识别准确率达到98.7%。 展开更多
关键词 垃圾短信识别 K邻近算法 局部敏感哈希 矩阵相似性
在线阅读 下载PDF
基于菌群优化Spiking神经网络的渲染时间估计 被引量:1
4
作者 胡博 章毅 蔡柳萍 《南京理工大学学报》 CAS CSCD 北大核心 2023年第2期214-220,共7页
为了提高三维模型渲染时间估计的准确度,采用Spiking神经网络算法进行渲染时间预估。目前,基于Spiking理念的神经网络模型有多种,选择了其中的卷积Spiking神经网络(Convolutional Spike neural network,CSNN)来实现渲染时间计算。首先,... 为了提高三维模型渲染时间估计的准确度,采用Spiking神经网络算法进行渲染时间预估。目前,基于Spiking理念的神经网络模型有多种,选择了其中的卷积Spiking神经网络(Convolutional Spike neural network,CSNN)来实现渲染时间计算。首先,建立了基于CSNN的渲染时间预估模型。通过点火时间序列完成编码,从而触发脉冲响应实现数据传递。其次,利用CSNN的权重、卷积核尺寸、偏置等参数来构建菌群优化(Bacterial foraging optimization,BFO)算法,并以渲染时间预估值和实际值的差值作为适应度函数。通过驱化、繁衍和迁徙操作不断更新菌群个体的适应度值来获得最优个体。最后,以最优参数进行CSNN的渲染时间预估。试验结果表明,通过合理设置BFO算法的引力系数、斥力系数和迁徙概率阈值等参数,BFO+CSNN算法能够获得较高的渲染时间预估准确率。相比于其他渲染时间预估算法,BFO+CSNN算法具备更高的渲染时间预估准鲁棒性。 展开更多
关键词 SPIKING神经网络 渲染时间 菌群优化 卷积神经网络
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部