检索结果-内蒙古大学图书馆

地理空间信息 2025年第3期 92-95+105页

作者：沈豫管辉王杰孙晨辉舟山市自然资源测绘设计中心杭州天图地理信息技术有限公司浙江省测绘科学技术研究院

为了提升电离层总电子含量（TEC）的预报精度，在现有预报模型的基础上提出了一种新的组合预报模型。首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法分解TEC序列，并进行排列与重组；再分别利用差分自回归移动平均模型（ARIMA... 详细信息

为了提升电离层总电子含量（TEC）的预报精度，在现有预报模型的基础上提出了一种新的组合预报模型。首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法分解TEC序列，并进行排列与重组；再分别利用差分自回归移动平均模型（ARIMA）和双向长短期记忆网络（bilstm）对高、低频分量进行建模与预报；最后重构不同分量预报结果，得到最终预报值。根据地磁活动情况，分别选取磁平静期和磁暴期的低、高纬度地区电离层TEC序列进行实验，结果表明该模型在磁平静期预报结果的均方根误差为0.61 TECu，比单一bilstm、ARIMA模型分别减少了0.11 TECu、0.05 TECu；磁暴期的均方根误差为0.87 TECu，比单一bilstm、ARIMA模型分别减少了0.32 TECu、0.18 TECu，验证了该模型的稳定性与优越性。

关键词：电离层 TEC预报 CEEMDAN方法排列熵 ARIMA模型 bilstm模型

来源：评论

学校读者我要写书评

暂无评论

基于BERT-bilstm模型的虚假新闻检测

引用

中国电子科学研究院学报 2025年第1期20卷 33-40页

作者：张敏超蒲秋梅黄方俐民族语言智能分析与安全治理教育部重点实验室北京100081 中央民族大学信息工程学院北京100081

随着互联网的快速发展,虚假新闻的传播成为全球性问题,严重影响社会稳定和信息安全,因此,如何有效识别虚假新闻已成为自然语言处理领域的研究重点之一。文中提出了一种基于BERT的虚假新闻检测模型。该模型首先通过对预训练的BERT模型进... 详细信息

随着互联网的快速发展,虚假新闻的传播成为全球性问题,严重影响社会稳定和信息安全,因此,如何有效识别虚假新闻已成为自然语言处理领域的研究重点之一。文中提出了一种基于BERT的虚假新闻检测模型。该模型首先通过对预训练的BERT模型进行微调,以获取新闻文本的深层语义表示;然后,在其顶部分别添加bilstm层和卷积神经网络(Convolutional Neural Networks,CNN)层,以捕捉文本的长程依赖关系和局部上下文特征;最后,通过Softmax层实现虚假新闻的分类。实验在新闻文本数据集上进行,结果显示,BERT-bilstm模型在英文数据集上的准确率达到96.14%,在中文数据集上的准确率达到97.32%。相比其他模型,BERT-bilstm在虚假新闻检测中表现更为优异,具有良好的实际应用价值,对维护网络信息安全具有重要意义。

关键词： BERT模型 bilstm模型虚假新闻检测深度学习

来源：评论

学校读者我要写书评

暂无评论

基于领域ERNIE和bilstm模型的酒店评论观点原因分类研究

引用

数据分析与知识发现 2022年第9期6卷 65-76页

作者：张治鹏毛煜升张李义武汉大学信息管理学院武汉430072

【目的】挖掘在线预订平台评论中的观点原因,提出一个观点原因句分类模型(DERNIE-bilstm)。【方法】构建一个数据量百万级别的酒店领域评论语料库并人工标注一个数据集ORSC,将语料库额外加入ERNIE自有的预训练集中并通过预训练提取ORSC... 详细信息

【目的】挖掘在线预订平台评论中的观点原因,提出一个观点原因句分类模型(DERNIE-bilstm)。【方法】构建一个数据量百万级别的酒店领域评论语料库并人工标注一个数据集ORSC,将语料库额外加入ERNIE自有的预训练集中并通过预训练提取ORSC数据集的文本特征,利用bilstm模型融合特征并识别包含观点原因的评论。【结果】在ORSC数据集上,DERNIE短分类准确率为0.9133,F1值为0.9120;经过bilstm融合特征后的准确率提升到0.9457,F1值提升到0.9462。【局限】预训练语言模型需要大量的训练语料,对计算速度和效率会产生一定影响。【结论】DERNIE-bilstm预训练模型的特征提取和融合方法,能更精准地挖掘评论中的观点原因句。

关键词：在线评论观点原因句分类 ERNIE模型 bilstm模型

来源：评论

学校读者我要写书评

暂无评论

基于LCD-SSA-bilstm模型的月径流预测研究

引用

水电能源科学 2024年第4期42卷 1-5页

作者：任智晶赵雪花郭秋岑付兴涛太原理工大学水利科学与工程学院山西太原030024

径流预测在水资源优化配置和防汛抗旱方面发挥着重要作用。但径流序列非平稳会导致预测误差及峰值预测误差较大,因此提出了基于局部特征尺度分解(LCD)、麻雀搜索算法(SSA)和双向长短期记忆神经网络(bilstm)的组合预测模型(LCD-SSA-BiLST... 详细信息

径流预测在水资源优化配置和防汛抗旱方面发挥着重要作用。但径流序列非平稳会导致预测误差及峰值预测误差较大,因此提出了基于局部特征尺度分解(LCD)、麻雀搜索算法(SSA)和双向长短期记忆神经网络(bilstm)的组合预测模型(LCD-SSA-bilstm),以提高非平稳径流序列的预测精度。以汾河上游4个站点(汾河水库站、上静游站、兰村站和寨上站)为研究对象开展月径流序列预测研究,采用纳什效率系数、平均绝对误差、均方根误差、合格率4个评价指标对预测结果进行定量评价。结果表明,LCD-SSA-bilstm模型的平均绝对误差为10.346×10^(4)~124.629×10^(4)m^(3),均方根误差为19.416×10^(4)~191.284×10^(4)m^(3),纳什效率系数为0.975~0.988,4个水文站的合格率均在90%及以上,预测精度为甲级,与单一bilstm、EMD-bilstm、LCD-bilstm及EMD-SSA-bilstm模型相比预测效果更好,因此LCD-SSA-bilstm模型是预测非平稳月径流序列的有效方法。

关键词：汾河上游 bilstm模型 LCD 月径流预测

来源：评论

学校读者我要写书评

暂无评论

基于Attention-CNN-bilstm模型的文本分类研究

基于Attention-CNN-BiLSTM模型的文本分类研究

引用

作者：刘彩之中国海洋大学

学位级别：硕士

随着信息技术的飞速发展，大量的文本数据产生于网络中，如何对文本数据进行正确的分类是目前自然语言处理领域中的研究重点。在文本分类中，词向量的表示和文本的特征提取是核心任务之一。　　由于文本数据具有非结构化的特点，因此在... 详细信息

随着信息技术的飞速发展，大量的文本数据产生于网络中，如何对文本数据进行正确的分类是目前自然语言处理领域中的研究重点。在文本分类中，词向量的表示和文本的特征提取是核心任务之一。　　由于文本数据具有非结构化的特点，因此在使用计算机进行分类之前首先要把文本表示成结构化数据，而使用向量空间模型进行文本表示时，主要是通过计算词频得到文本向量表示，这种表示方法没有针对词语的语义进行表示，损失了大量的文本信息。其次文本特征提取的好坏将直接影响到分类的结果，因此如何更好地提取语义丰富的文本特征仍然需要进一步的研究。　　针对文本分类研究中存在的上述问题，本文在卷积神经网络与bilstm模型的基础上，综合两个模型的优势，即利用卷积神经网络的局部感知的优点以及bilstm能够整合全局特征的优点，提出Attention-CNN-bilstm文本分类模型，从而在一定程度上提升文本分类的准确性。本文的主要工作如下：　　（1）针对向量空间模型进行文本表示时没有表达词语语义的问题，本文对词嵌入技术进行了研究，采用Word2vec算法将词语映射到低维度的向量空间中，得到词语的向量表示，这种方法能够有效避免维度灾难以及忽略语义信息的问题。同时由于得到的词向量无法表示词语的重要性，因此提出将词向量与词权重进行加权得到词向量表示，在计算词权重时，本文针对TF-IDF算法忽略词语在类间类内分布情况以及无法衡量词语与类别的相关性等不足，提出一种新的权重计算方法MI-TF-IDF。　　（2）针对单一模型的语义缺失问题，通过探究多种深度学习模型的组合可能和提升效果，本文设计并实现了Attention-CNN-bilstm模型用于文本分类。该模型由输入层、CNN-bilstm特征提取模块、Attention机制加权模块和Softmax分类器模块组成。此模型首先在卷积神经网络中进行改进，将3×m维的卷积分解为1×m和3×1的两层非连续的卷积获取局部特征，这样不仅能够使网络结构更深获取更高级的特征而且还能减少参数数量防止过拟合;其次，使用bilstm模型获取全局特征;最后，由于不同的特征对最终形成的文本特征向量的注意力不同，利用Attention机制计算每个特征的注意力概率分布，强化强相关特征的重要性，弱化不相关或弱相关特征的重要性，得到最终的文本特征表示。　　针对上述的改进工作，本文采用对照实验的方式进行了实验设计与分析。通过实验验证，本文提出的模型相比较其他分类模型在准确率上有了较为明显的提高。

关键词：文本分类卷积神经网络 bilstm模型结构化数据

来源：评论

学校读者我要写书评

暂无评论

基于粒子群优化的VMD-SSA-bilstm模型的合肥市空气质量预测研究

基于粒子群优化的VMD-SSA-BiLSTM模型的合肥市空气质量预测研究

引用

作者：王航合肥大学

学位级别：硕士

空气质量是人们关注的重要环境指标之一,空气质量的好坏对人类健康和生活质量有着重要影响。为了准确预测空气质量,预防空气污染对人可能带来的危害,建立一个空气质量预测模型,并进一步提高预测模型的准确度,刻不容缓。由于目前空气质... 详细信息

空气质量是人们关注的重要环境指标之一,空气质量的好坏对人类健康和生活质量有着重要影响。为了准确预测空气质量,预防空气污染对人可能带来的危害,建立一个空气质量预测模型,并进一步提高预测模型的准确度,刻不容缓。由于目前空气质量预测中出现的预测准确度不高,预测模型的参数经验化,没有充分考虑季节性对预报成果的干扰等情况,本文提出了一种基于粒子群优化算法的VMD-SSA-bilstm深度学习混合预测模型的空气质量预测方法。具体研究工作如下: (1)针对气象数据在空气质量指数(Air Quality Index,AQI)预测中扮演的重要角色,其中包括风向、风速、温度、湿度、气压和降水等因素,这些气象因素影响空气中污染物的扩散、化学反应速率和清洗效果,进而影响空气质量指数的变化趋势。因此,将气象数据纳入空气质量预测模型中可以提高预测的准确性和可靠性,帮助更好地了解和预测空气质量状况。接着利用相关系数分析以及特征选择等方法,确定了对AQI指数预测影响最大的气象因子与空气质量因子,从而确定了模型的输入变量。并对输入数据进行标准化,包括对数据缺失值进行分析处理,包括插值填充,数据归一化,数据滤波等,为模型的数据输入做出准备。 (2)针对目前空气质量预测模型预测精度不够理想的问题,加入了变分模态分解算法(Variational Mode Decomposition,VMD)对原始数据进行模态分解。通过VMD分解可以将原始数据分解成不同频率的成分,提取数据中的不同特征信息,减少数据冗余,将这些子信号作为输入数据传入双向长短期记忆网络(Bidirectional Long Short-Term Memory,bilstm)中,从而可以在时间序列数据中更好地捕捉长期依赖关系和序列特征,提高预测精度。具体先对原始数据进行数据滤波,接着利用VMD分解将原始空气质量数据分解为多个子信号,并进行数据重构。将分解再重构后的各个分量分别输入随机森林(Random Forest,RF)模型、支持向量回归(Support Vector Regression,SVR)模型以及bilstm模型当中,最后将各分量预测的结果进行加权平均,得到最终的预测结果。实验结果表明,加入VMD分解算法的深度神经网络较原始模型具有更好的预测精度。 (3)针对模型选择问题,在输入数据和数据预处理方式相同的情况下,对比分析了RF模型、SVR模型以及bilstm模型在空气质量预测方向的差距,确定了bilstm模型在空气质量预测方向具有更好的精确性。建立bilstm模型对空气质量进行预测,为混合模型的提出做出了铺垫。 (4)针对预测精度仍不够理想以及bilstm模型超参数的人工选择所带来的经验问题,本文继续采用了粒子群优化算法(Particle Swarm Optimization,PSO)对bilstm模型的参数进行自适应参数优化,接着利用麻雀搜索算法(Sparrow Search Algorithm,SSA)对每个子信号进行特征提取,最后将提取的特征输入到bilstm模型中进行预测。实验结果表明,基于粒子群优化的VMD-SSA-bilstm模型在空气质量预测中较单一的VMD-bilstm模型有更好的预测结果,能够准确预测空气质量指数,提高了预测精度和稳定性。综上所述,本文针对传统bilstm模型在空气质量领域预测精度不够理想的问题,包括缺少季节性分析,收敛速度不够理想、VMD分解以及bilstm模型参数不够优化等问题,不断改进模型,最后建立基于粒子群优化的VMD-SSAbilstm空气质量预测模型。最终的实验结果显示出该模型较传统的单一模型,模型的预测精度,收敛速度等都有明显的提高。

关键词：空气质量预测 bilstm模型 VMD分解 SSA特征提取 PSO算法

来源：评论

学校读者我要写书评

暂无评论

注意力机制的bilstm模型在招聘信息分类中的应用

引用

计算机系统应用 2020年第4期29卷 242-247页

作者：吕飞亚张英俊潘理虎太原科技大学计算机科学与技术学院太原030024 中国科学院地理科学与资源研究所北京100101

目前IT招聘信息分类中传统算法存在长距离依赖,且无法突出IT岗位关键词对文本分类特征影响等问题.本文通过训练双向长短期记忆网络bilstm与注意力机制相结合的多层文本分类模型,将其应用到招聘信息分类中.该模型包括One-hot词向量输入层... 详细信息

目前IT招聘信息分类中传统算法存在长距离依赖,且无法突出IT岗位关键词对文本分类特征影响等问题.本文通过训练双向长短期记忆网络bilstm与注意力机制相结合的多层文本分类模型,将其应用到招聘信息分类中.该模型包括One-hot词向量输入层、bilstm层、注意力机制层和输出层.其中One-hot层构建招聘词典,节省了大量训练词向量时间, bilstm层可获取更多上下文不同距离的语义信息,注意力机制层对经过bilstm层编码数据进行加权转变可提升序列化学习任务.实验表明:基于该模型的IT招聘信息分类准确率达到93.36%,与其他模型对比,提高约2%.该模型更有针对性的分析不同岗位对就业者能力的要求,实现了不同岗位招聘信息的分类,对高校毕业生就业指导有重要意义.

关键词：招聘信息文本分类 One-hot bilstm模型注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于WOA-bilstm模型的空气质量指数预测

引用

计算机系统应用 2022年第10期31卷 389-396页

作者：刘英裴莉莉郝雪丽长安大学信息工程学院西安710064

空气质量预测工作对于人们的生活日常出行具有非常重要的意义.长短时记忆网络作为一种新型的深度学习循环神经网络,对于时间序列数据表现出良好的预测能力.但是针对神经网络模型在训练过程中一般凭借经验进行参数选择,训练周期长,预测... 详细信息

空气质量预测工作对于人们的生活日常出行具有非常重要的意义.长短时记忆网络作为一种新型的深度学习循环神经网络,对于时间序列数据表现出良好的预测能力.但是针对神经网络模型在训练过程中一般凭借经验进行参数选择,训练周期长,预测精度低,结果不可靠的问题,本文提出了一种基于鲸鱼优化算法的双向长短时记忆网络模型,即WOA(whale optimization algorithm)-bilstm(bidirectional long short-term memory)模型.双向长短时记忆网络凭借其前向和后向的双向网络结构,能够加强序列数据信息的记忆能力,而WOA算法可以依据鲸鱼捕食时气泡网捕食的方法,协助bilstm模型在训练过程中找到最优的网络参数.将该模型用于陕西省AQI(air quality index)预测,并分别和bilstm、LSTM模型进行对比,发现本文提出的模型预测结果最好,MAE值为6.5433,R2值达0.9899.将该模型用于空气质量预测领域具有良好的理论和实践意义.

关键词：深度学习 bilstm模型鲸鱼优化算法最优参数空气质量指数预测

来源：评论

学校读者我要写书评

暂无评论

基于bilstm模型的边坡形变预测方法

引用

采矿技术 2024年第3期24卷 202-207页

作者：牟延波江科吴伟强朱樊朱豪云南磷化集团有限公司云南昆明650600 长沙矿山研究院有限责任公司湖南长沙410012 金属矿山安全技术国家重点实验室湖南长沙410012

针对矿山边坡形变预测精度低以及传统预测模型在边坡形变预测领域的缺陷,基于深度学习理论提出了双向长短时记忆(bilstm)模型,并引入相关实际生产数据对和静县备战铁矿东侧边坡形变进行预测,建立了卷积-长短时记忆(CNN-LSTM)模型,并将... 详细信息

针对矿山边坡形变预测精度低以及传统预测模型在边坡形变预测领域的缺陷,基于深度学习理论提出了双向长短时记忆(bilstm)模型,并引入相关实际生产数据对和静县备战铁矿东侧边坡形变进行预测,建立了卷积-长短时记忆(CNN-LSTM)模型,并将长短时记忆模型(LSTM)作为试验对照。结果表明:Bi LSTM模型预测精度较其他两种模型有明显提升,平均绝对误差(MAE)为98.176 mm,平均绝对百分比误差(MAPE)为4.16%,可用于中长期的露天矿山边坡形变预测。

关键词：露天边坡 bilstm模型边坡形变预测精度

来源：评论

学校读者我要写书评

暂无评论

采用BERT-bilstm-CRF模型的中文位置语义解析

引用

软件导刊 2022年第2期21卷 37-42页

作者：邓庆康李晓林武汉工程大学计算机科学与工程学院智能机器人湖北省重点实验室湖北武汉430205

针对利用当前神经网络模型进行中文位置语义解析存在多义词解析效果差、泛化能力差等问题,提出一种基于BERT-bilstm-CRF模型的中文位置语义解析方法。首先利用BERT预训练模型对中文位置信息进行预训练,获取所有层中的上下文信息,增强中... 详细信息

针对利用当前神经网络模型进行中文位置语义解析存在多义词解析效果差、泛化能力差等问题,提出一种基于BERT-bilstm-CRF模型的中文位置语义解析方法。首先利用BERT预训练模型对中文位置信息进行预训练,获取所有层中的上下文信息,增强中文位置信息的语义表征能力,然后通过bilstm模型提取向量特征信息,最后通过CRF模型进行解码,获取全局最优标注序列。实验结果表明,在不同数量和区域的中文位置信息数据集基础上,BERT-bilstm-CRF模型在所有测试集上分词准确率与F1值都优于目前常用的神经网络模型,最高分别可达到93.91%和93.96%。利用BERT-bilstm-CRF模型对中文位置信息进行语义解析,不仅有效提高了中文位置信息解析与多义词解析的准确率,而且具有更好的泛化能力。

关键词：中文位置语义解析 BERT预训练模型 bilstm模型 CRF模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：