检索结果-内蒙古大学图书馆

现代电子技术 2025年第3期48卷 111-118页

作者：肖鸿洲李长云王志兵甘英华任国鑫湖南工业大学计算机学院湖南株洲412000 湖南工业大学智能信息感知及处理技术湖南省重点实验室湖南株洲412000

在注重隐私或无光环境下,主流的基于机器视觉的人员识别方法不太适用。基于稀疏体压特征,文中提出一种将CNN与Bi⁃LSTM相融合再结合注意力机制的人员识别新方法。首先,对获得的稀疏体压数据使用CNN进行空间特征提取;然后,使用Bi⁃LSTM神... 详细信息

在注重隐私或无光环境下,主流的基于机器视觉的人员识别方法不太适用。基于稀疏体压特征,文中提出一种将CNN与Bi⁃LSTM相融合再结合注意力机制的人员识别新方法。首先,对获得的稀疏体压数据使用CNN进行空间特征提取;然后,使用Bi⁃LSTM神经网络获取长远的上下文信息,抽取潜藏在时序规律中的上下文特征;最后,将抽取的空间与时序特征并联融合,结合注意力机制进行权重参数优化,使模型更关注于最具类别区分度的特征。实验结果表明,该方法拥有更快的收敛速度,识别准确率达到93.86%。

关键词：人员识别体压特征注意力机制双向长短期记忆神经网络稀疏体压

来源：评论

学校读者我要写书评

暂无评论

基于数控机床设备故障领域的命名实体识别

引用

工程科学学报 2020年第4期42卷 476-482页

作者：王欢朱文球吴岳忠何频捷万烂军湖南工业大学计算机学院株洲412008 湖南省智能信息感知及处理技术重点实验室株洲412008

为了给数控机床故障的精准诊断提供保障,延长数控机床使用周期,以数控机床历史维修记录为研究对象,对数控机床设备故障领域的命名实体识别进行了研究.在分析历史维修记录中的故障描述特点后,提出了一种基于双向长短期记忆网络(Bidirecti... 详细信息

为了给数控机床故障的精准诊断提供保障,延长数控机床使用周期,以数控机床历史维修记录为研究对象,对数控机床设备故障领域的命名实体识别进行了研究.在分析历史维修记录中的故障描述特点后,提出了一种基于双向长短期记忆网络(Bidirectional long short-term memory, BLSTM)与具有回路的条件随机场(Conditional random field with loop, L-CRF)相结合的命名实体识别方法.首先,对输入语句进行分词和标注,使用Word2vec中的Skip-gram模型对标注语料进行预训练,将其生成的字向量通过词嵌入层转化为字向量序列;然后,将字向量序列输入BLSTM学习长期依赖信息;最后将句子表达输入L-CRF获取全局最优序列.实验结果表明,该方法明显优于其他命名实体识别方法,为数控机床设备的智能检修与实时诊断任务打下了坚实的基础.

关键词：数控机床设备故障双向长短期记忆网络具有回路的条件随机场命名实体识别

来源：评论

学校读者我要写书评

暂无评论

反馈式K近邻语义迁移学习的领域命名实体识别

引用

智能系统学报 2019年第4期14卷 820-830页

作者：朱艳辉李飞冀相冰曾志高徐啸湖南工业大学计算机学院湖南株洲412008 湖南省智能信息感知及处理技术重点实验室湖南株洲412008

领域命名实体识别是构建领域知识图谱的重要基础。针对专业领域语料匮乏的特点,构建基于深度学习的BiLSTM-CNN-CRFs网络模型,并提出一种反馈式K近邻语义迁移学习的领域命名实体识别方法。首先,对专业领域语料和通用领域语料分别训练得... 详细信息

领域命名实体识别是构建领域知识图谱的重要基础。针对专业领域语料匮乏的特点,构建基于深度学习的BiLSTM-CNN-CRFs网络模型,并提出一种反馈式K近邻语义迁移学习的领域命名实体识别方法。首先,对专业领域语料和通用领域语料分别训练得到语料文档向量,使用马哈拉诺比斯距离计算领域语料与通用语料的语义相似性,针对每个专业领域样本分别取K个语义最相似的通用领域样本进行语义迁移学习,构建多个迁移语料集。然后,使用BiLSTM-CNN-CRFs网络模型对迁移语料集进行领域命名实体识别,并对识别结果进行评估和前馈,根据反馈结果选取合适的K值,作为语义迁移学习的最佳阈值。以包装领域和医疗领域为例进行实验验证,结果表明:本文方法取得了很好的识别效果,可以有效解决专业领域语料匮乏问题。

关键词：领域命名实体识别反馈式K近邻语义迁移学习深度学习卷积神经网络文档向量马哈拉诺比斯距离包装领域医疗领域

来源：评论

学校读者我要写书评

暂无评论

具有能量收集设备的移动边缘计算资源分配研究

引用

系统仿真学报 2022年第11期34卷 2313-2322页

作者：李长云黎建波徐曦李亭立湖南工业大学电气与信息工程学院湖南株洲412000 智能信息感知及处理技术湖南省重点实验室湖南株洲412000

针对具有能量收集能力的移动边缘计算系统的计算资源分配问题,提出一种基于李雅普诺夫贪婪优化算法。构建在设备电池电量逐渐收敛下,移动设备时延与能耗联合成本的动态最小化优化问题。利用李雅普诺夫动态优化理论,将优化问题分解成每... 详细信息

针对具有能量收集能力的移动边缘计算系统的计算资源分配问题,提出一种基于李雅普诺夫贪婪优化算法。构建在设备电池电量逐渐收敛下,移动设备时延与能耗联合成本的动态最小化优化问题。利用李雅普诺夫动态优化理论,将优化问题分解成每个时隙最佳本地执行、卸载执行和能量收集3个子问题,通过线性规划获得子问题最优解。通过在本地执行、卸载执行和任务丢弃之间选择执行模式,获得设备的时延与能耗联合成本最小结果。利用键值对设计贪婪策略程序,以适应多用户多服务器系统。仿真结果证实,在保证所有设备电池电量都在规定操作水平附近稳定情况下,卸载率可达99.9%以上,并能有效降低服务延时和系统能耗。

关键词：能量收集李雅普诺夫优化边缘计算计算卸载资源分配

来源：评论

学校读者我要写书评

暂无评论

基于多任务学习的短文本实体链接方法

引用

计算机工程 2022年第3期48卷 315-320页

作者：詹飞朱艳辉梁文桐张旭欧阳康孔令巍黄雅淋湖南工业大学计算机学院湖南株洲412008 湖南省智能信息感知及处理技术重点实验室湖南株洲412008

实体链接是明确文本中实体指称的重要手段,也是构建知识图谱的关键技术,在智能问答、信息检索等领域中具有重要作用,但由于短文本的上下文语境不丰富、表达不正式、语法结构不完整等特点,现有的短文本实体链接方法准确率较低。提出一种... 详细信息

实体链接是明确文本中实体指称的重要手段,也是构建知识图谱的关键技术,在智能问答、信息检索等领域中具有重要作用,但由于短文本的上下文语境不丰富、表达不正式、语法结构不完整等特点,现有的短文本实体链接方法准确率较低。提出一种新的短文本实体链接方法,将多任务学习方法引入短文本实体链接过程中,从而增强短文本实体链接方法的效果。在此基础上,构建多任务学习模型,将短文本实体链接作为主任务,并引入实体分类作为辅助任务,促使模型学习到更加通用的底层表达,提高模型的泛化能力,优化模型在短文本实体链接任务中的表现。在CCKS2020测评任务2提供的数据集上的实验结果表明,辅助任务的引入能够缓解短文本实体链接过程中信息不充分的问题,且该多任务学习模型的F值为0.894 9,优于基于BERT编码器的单任务实体链接模型。

关键词：短文本实体链接多任务学习实体分类辅助任务底层表达

来源：评论

学校读者我要写书评

暂无评论

基于关联规则及组合模型的面料需求预测

引用

科学技术与工程 2022年第35期22卷 15697-15707页

作者：李长云李亭立何频捷黎建波王松烨毛鑫鑫湖南工业大学计算机学院株洲412000 湖南省智能信息感知及处理技术重点实验室株洲412000

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。首先构... 详细信息

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用均方根误差(root mean squared error,RMSE)及平均绝对误差(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明:采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMSE较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。

关键词：需求预测 Apriori 关联分析 Prophet LSTM 量子粒子群算法

来源：评论

学校读者我要写书评

暂无评论

改进生成对抗网络在图片数据生成中的应用

引用

计算机工程与应用 2022年第15期58卷 260-269页

作者：孟辰曾志高朱艳辉朱文球易胜秋董丽君湖南工业大学计算机学院湖南株洲412008 湖南省智能信息感知及处理技术重点实验室湖南株洲412008

图片数据生成旨在根据现有的图片数据,产生与原始图片数据分布相似的图片数据。当前主流的生成对抗网络模型(generative adversarial networks,GAN)产生的图片数据质量较差,模型的训练总是遇到调试困难、训练不稳定、梯度消失、模式崩... 详细信息

图片数据生成旨在根据现有的图片数据,产生与原始图片数据分布相似的图片数据。当前主流的生成对抗网络模型(generative adversarial networks,GAN)产生的图片数据质量较差,模型的训练总是遇到调试困难、训练不稳定、梯度消失、模式崩溃等一系列问题。根据稀疏表达结构和残差结构组合而成的生成器,残差结构组成的辨别器,提出了一种能够生成高质量图片的GAN模型。根据分支网络模型构成的生成器,设计了多种类图片数据生成模型,可以使用一个模型同时训练生成多种类型的图片数据。为了更好地对数据进行训练,设计了一种动态匀速下降学习率,能够根据运行时间对学习率的衰减进行指导。在各个数据集上的实验结果表明,改进模型结构在图像数据生成上比其他算法更加稳定、鲁棒,能够生成更高质量的图片数据。

关键词：图片数据生成生成对抗网络(GAN) 残差结构动态学习率

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制的包装命名实体识别

引用

包装工程 2019年第15期40卷 24-29页

作者：冀相冰朱艳辉徐啸梁文桐詹飞湖南工业大学计算机学院湖南株洲412008 湖南省智能信息感知及处理技术重点实验室湖南株洲412008

目的为了解决包装行业相关文本命名实体识别困难问题,提出在BiLSTM(Bidirectional Long Short-Term Memory)神经网络中加入注意力机制(Attention)和字词联合特征,构建一种基于注意力机制的BiLSTM深度学习模型(简称Attention-BiLSTM),以... 详细信息

目的为了解决包装行业相关文本命名实体识别困难问题,提出在BiLSTM(Bidirectional Long Short-Term Memory)神经网络中加入注意力机制(Attention)和字词联合特征,构建一种基于注意力机制的BiLSTM深度学习模型(简称Attention-BiLSTM),以识别包装命名实体。方法首先构建包装领域词典匹配包装语料中词语的类别特征,同时将包装语料转换为字特征和词特征联合的向量特征,并且在过程中加入POS(词性)信息。然后将以上特征联合馈送到BiLSTM网络,以获取文本的全局特征,并利用注意力机制获取局部特征。最后根据文本的全局特征和局部特征使用CRF(Conditional Random Field)解码整个句子的最优标注序列。结果通过对《中国包装网》新闻数据集的实验,获得了85.6%的F值。结论所提方法在包装命名实体识别中优于传统方法。

关键词：命名实体识别包装注意力机制 BiLSTM 字词联合特征

来源：评论

学校读者我要写书评

暂无评论

基于门控多层次注意机制的事件主体抽取

引用

计算机应用与软件 2021年第9期38卷 173-179,187页

作者：冀相冰朱艳辉詹飞梁文桐张旭湖南工业大学计算机学院湖南株洲412008 智能信息感知及处理技术湖南省重点实验室湖南株洲412008

传统事件主体抽取方法着重依赖句子级信息进行抽取,不能完全解决事件的模糊性问题。提出一种基于门控多层次注意机制的ELMo-BiGRU深度学习模型对事件主体抽取进行研究。使用ELMo预训练模型生成上下文相关的动态词向量,在一定程度上缓解... 详细信息

传统事件主体抽取方法着重依赖句子级信息进行抽取,不能完全解决事件的模糊性问题。提出一种基于门控多层次注意机制的ELMo-BiGRU深度学习模型对事件主体抽取进行研究。使用ELMo预训练模型生成上下文相关的动态词向量,在一定程度上缓解一词多义的问题;为了处理句子中存在事件模糊性的问题,采用门控多层次注意力机制动态融合每个词的句子级信息和文档级信息。实验结果表明,该方法的抽取效果明显优于传统抽取方法,可以有效解决事件主体抽取的问题。

关键词：事件主体抽取 ELMo 门控多层次注意机制 BiGRU 深度学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习多模型融合的医疗命名实体识别

引用

计算机应用与软件 2022年第10期39卷 162-168,229页

作者：梁文桐朱艳辉詹飞冀相冰张旭湖南工业大学计算机学院湖南株洲412008 湖南省智能信息感知及处理技术重点实验室湖南株洲412008

针对医疗命名实体识别中单一模型获取文本语义特征不足的问题,提出基于深度学习多模型融合的医疗命名实体识别方法。提出一种基于变异系数的加权投票算法,构建基于BERT(Bidirectional Encoder Representations from Transformers)-MNER... 详细信息

针对医疗命名实体识别中单一模型获取文本语义特征不足的问题,提出基于深度学习多模型融合的医疗命名实体识别方法。提出一种基于变异系数的加权投票算法,构建基于BERT(Bidirectional Encoder Representations from Transformers)-MNER、IDCNN(Iterated Dilated Convolution Neural Networks)-MNER、GAT(Graph Attention Networks)-MNER的融合模型,然后提出一种基于历史信息的实体纠错算法优化融合结果。以2019年全国知识图谱与语义计算大会(CCKS2019)中文电子病历医疗实体识别语料作为实验数据,实验结果表明,该方法获得了较好的识别效果,精确率、召回率和F1值分别达到89.56%、82.77%和86.03%。

关键词：命名实体识别深度学习融合模型语义特征电子病历

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

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

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

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

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：