融合多维特征的街景图像语义分割方法

为进一步提升深度学习语义分割方法在复杂街景图像上的分割精度,本文基于PointRend网络提出了一种融合多维特征(Multi-Dimensional Features,MDF)的街景图像语义分割网络(MDFNet)。首先,通过构建目标区域增强模块优化特征提取子网络,在深度网络的每个卷积块自适应地细化中间特征图,从而强化对复杂街景图像多维特征信息的精细提取;接着,在特征融合时引入特征金字塔网格,使用不同的卷积核处理不同尺度的街景图像,从而更加全面地获取复杂街景图像各类目标的不同分辨率特征;最后,使用双解码头对图像细节进行更细致的恢复,得到逐像素分类的结果。实验结果表明,本文网络与DeepLabV3、SegFormer等其他优秀分割网络相比,在Cityscapes复杂街景数据集上分割精度更高,平均交并比达到了80.11%,相比于其他网络提升了3.51%以上,对复杂街景图像的理解力更强。

基于多维特征矩阵和改进稠密连接网络的情感分类

情感脑电信号是一种低信噪比的非平稳时间序列,传统的特征提取与分类方法难以提取不同情感状态时的有效特征并进行分类.针对以上情况,提出一种自动融合脑电信号不同频段和时频域特征的深度学习模型.首先,对预处理后的数据进行分频段处理,提取各频段的微分熵特征.然后,在网络中接入的挤压激励模块,对不同频段特征的微分熵特征赋权值,来获取输入数据的有价值信息,再利用改进的稠密连接网络进行特征融合并分类识别,保证了网络层之间最大程度的信息传输.最后,利用SEED情感脑电信号三分类数据集对算法进行了验证,分类正确率可达96.03%,高于现有的基线学习算法,所提算法可进一步增强网络特征提取能力,具有较快的收敛速度,对提升分类器的性能研究具有重要意义.

面向技术多维特征的关键共性技术跨界溢出机理研究

关键共性技术的公共产品属性决定了其具有显著外部性特征,能够通过广泛的扩散与外溢充分发挥潜在价值,但目前对于关键共性技术的跨界溢出机理尚不明确,导致其经济社会价值难以得到充分发挥。文章面向技术多维特征构建组织合作-技术跨界溢出-产业关联三层网络,在测度技术跨界溢出效应基础上,结合多层网络模型探索关键共性技术跨界溢出机理,并对人工智能领域进行实证研究。结果表明:技术基本特征方面,已经跨界溢出的关键共性技术更不易产生新的跨界溢出;技术组织特征方面,关键共性技术不易在组织内部形成跨界溢出关系,共同研发的关键共性技术更易产生跨界溢出,组织合作对关键共性技术的跨界溢出存在抑制作用;技术产业特征方面,产业跨度大的关键共性技术不易产生跨界溢出,关键共性技术不易在关联产业间进行跨界溢出,产业关联广度越大越有利于关键共性技术的跨界溢出。本文从技术多维特征视角揭示了关键共性技术跨界溢出的影响机理,在一定程度上拓展和深化了技术跨界溢出的理论研究边界,为助推技术创新扩散、带动产业升级提供了有益启示。

基于多维特征分析的戏曲类方志文献命名实体识别研究

方志是我国特有的一种具有极高史料价值的地方文献,对其进行数字化处理并实施知识挖掘,对传承传播中华传统文化、建设文化强国具有重要意义。命名实体识别作为一种基础性技术与关键环节,对方志知识组织与发现具有重要影响。目前,虽然方志命名实体识别已经取得了一定进展,但是仍缺乏适应方志文本特征与领域资源特征的系统化技术方案。基于此,本文提出融合多维特征与Bi-LSTM-CRF的戏曲类方志命名实体识别模型。首先,结合句法特征与符号、尾词、构词、上下文和负例等文本特征,对方志文献中的戏曲类实体特质进行解析;其次,利用在长文本结构中表现优异的Bi-LSTM-CRF模型,借助已解析的戏曲类实体特征,提升实体识别效率;最后,以《楚剧志》为具体对象开展实证研究,结果表明,本文提出的模型在命名实体识别效果上优于基准模型,F1值达到0.869。

基于多维特征的通信网络异常数据识别算法

为解决现有方法存在的异常数据识别精度较低的问题,提出一种基于多维特征的通信网络异常数据识别算法。调整粒子群优化算法中粒子的当前速度和位置,获取通信网络多维数据样本;通过数据挖掘中的聚类分析法提取数据特征,确定密度指标,获取数据多维特征;将提取的多维特征引入深度信念网络中进行识别,根据特征频谱幅值变化,实现对通信网络数据异常识别。实验结果表明,该算法能有效识别通信网络异常数据特征,具有较高的识别准确性。

多维特征视角下未来技术识别模型构建及应用

[研究目的]科学识别未来技术是前瞻布局未来产业、抢占未来发展制高点的首要问题,能够为中国加快实现高水平科技自立自强提供决策参考。[研究方法]从未来技术前沿突破性、交叉融合性、战略主导性三大特征出发,遵循“指标设计—指标赋权—判定分析”的研究逻辑,首先筛选出9项未来技术特征指标,再结合博弈论组合赋权法识别特定领域的未来技术,最后根据特征得分划分未来技术所属类型。[研究结论]以全球芯片材料行业专利数据为实证样本,识别出过程辅助材料、衬底材料和封装材料三项未来技术主题,且分别属于“Y_(bH)—Y_(fH)—Y_(dH)”“Y_(bH)—Y_(fL)—Y_(dH)”“Y_(bL)—Y_(fL)—Y_(dH)”类型,研究结果与目前芯片材料行业发展趋势相一致,验证了未来技术识别模型的科学性和有效性。

可视化实时协作场景中群体深度学习发生的多维特征挖掘研究——基于三组不同协作习惯的个案分析

随着对教育互动的研究越来越强调“情境依存性”,关注复杂交互场景下互动数据的多维分析有助于还原群体学习复杂过程、揭示特定规律、优化特定服务。研究通过对三组不同协作成效的个案在可视化实时协作场景中的互动数据进行协作关系、协作行为和协作时序的多维分析发现,群体深度学习发生的特征表现为:(1)有多个核心成员且分层领导的组织关系,更有利于促使小组在协作前期的资料搜集和推进方案想法或成果形成的阶段积极展开交互反馈;(2)小组在协作过程中基于“内容建构”的集中性反馈和基于“案例共享、信息搜集、想法拓展”的实质性反馈对小组协作深度影响大于围绕“线索提示、任务明晰”的流程性反馈;(3)小组协作习惯主要存在“问题导向、资料导向、任务导向”三种典型模式,对小组协作深度的促进依次减弱。该研究为高校教学多元交互场景中新协作样态下的群体深度学习发生机理揭示、评价方法和促进策略优化等提供了理论与实践基础以及后续建议。

基于多维特征的电网海量日线损数据异常识别研究

鉴于现有线损数据异常识别方法无法判断异常线损原因,且查全率低等问题,提出了基于多维特征的电网海量日线损数据异常识别方法。融合各类电力运行数据,组建多维特征日线损数据异常溯源模型,使用皮尔逊相关系数计算不同线路间变压器与电压的关联性,明确线损异常原因;归一化处理日线损数据,引入时间离散度理念评估线损异常程度,利用神经网络学习获得负荷变化下线损数据异常计算模型,输入不同节点负荷值完成日线损数据异常识别操作。仿真实验结果表明,提出方法可以判断异常线损原因,并且异常识别查全率高达94%,提升了电网海量日线损数据异常识别准确性,解决了线损数据异常计算的偏差问题。

基于改进决策树算法的雷达目标多维特征精准识别研究

决策树算法是一种常用的数据挖掘方法,通过构建树状模型实现目标分类和回归。在雷达目标识别领域,这一技术被应用于从雷达信号中提取并分类目标的特征,旨在提高识别的准确性和效率。首先介绍决策树算法在雷达目标识别中的应用背景和面临的挑战,然后详细描述算法的基本原理及其改进方法,并通过实验设计验证改进决策树算法在雷达目标多维特征精准识别中的有效性。

融合k-means与多维特征分析的生物医学图像分类算法

为了提高生物医学图像分类的准确率与速度,提升医学研究者及临床工作者的工作效率,文中提出了一种融合k-means与多维特征分析的生物医学图像分类算法。该算法利用局部二值模式LBP与方向梯度直方图HOG分别提取医学图像中的纹理特征及局部特征两种不同维度的特征信息,并将k-means聚类算法与这种多维特征分析相融合,实现了对生物医学图像的高精度分类。在公开生物医学图像数据集BreakHis上进行的仿真实验结果表明,在二分类实验中,所提算法的准确率为99.03%、精确率为99.12%、召回率为98.96%、F1值为99.04%,在八分类实验中其性能也较为理想,优于SVM、ELM及ResNet等分类算法。

基于多维特征融合的航道水位GRU预测模型研究

文章针对传统时间序列模型因考虑特征维度不足而导致模型精度差和鲁棒性不佳的问题,提出基于多维特征融合与循环神经网络的MF-GRU河流水位预测模型。该模型从航道水位数据的时域、频域和经验模式分解等多个维度共提取了19个特征,并训练GRU循环神经网络模型实现了水位的精准预测。同时,以大藤峡上下游航道水域水位数据为实验对象,验证了MFGRU模型的预测精度和泛化性能,获得了比经典GRU模型更优的水位预测精度。

基于多维特征融合的转辙机剩余使用寿命预测模型研究

为实现转辙机的智能维修,剩余使用寿命预测是一个重要的技术手段。针对转辙机的退化过程预测精度不高和预测效果不稳定的问题,提出一种基于多维特征融合的转辙机剩余使用寿命预测模型。该模型采用并行架构同时提取多个维度的转辙机动作曲线退化特征,即特征指标通道、卷积神经网络通道、门控递归单元通道;将提取的多维特征向量合并成一个特征融合向量输入回归器中,实现转辙机的剩余使用寿命预测。以ZYJ7型转辙机的功率曲线作为数据集,使用均方根误差、平均绝对误差、评分函数作为评价指标,与单通道模型进行性能比较。仿真结果表明:多维特征融合模型的预测值均与实际退化数据最为接近,能够实现对转辙机剩余使用寿命的准确预测,有效支撑维护人员的预防性维修,并提供理论指导。

新媒体时代中国儿童文学多维特征研究

随着新媒体时代的到来,文学作品的传播方式、媒介形态、表现形式等都发生了深刻的变化,这不仅给儿童文学创作和研究带来了新的机遇和挑战,也给中国儿童文学的发展带来了新的视角和思路,使中国儿童文学的创作呈现出新的特征。在创作内容上,更加关注儿童的精神世界;在叙事方式上,注重儿童喜闻乐见的故事情节;在文本特征上,呈现出时代性与教育性并重,创新性与开放性并行的特点;在艺术手段上,通过运用多样化的手段增强中国儿童文学作品的表现力,将人物形象与文学意象紧密结合,广泛运用影视蒙太奇手法,将直观的视觉形象与图像化语言融合,采用新技术与新手段以促儿童文学的发展;在创作主体上,更加重视儿童文学作家自身素养与创作经验。

软包锂离子电池热失控多维特征参数演变研究

锂离子电池的安全性问题严重阻碍了新能源汽车的普及和发展,本文以软包三元锂电池为研究对象,通过高温加热热失控实验,分析研究了高温热失控期间软包电池温度、电压、电阻、产气膨胀四个多维参数的演变规律和耦合机制。结果表明:1) T1是电池早期温度最高的测点,可以作为热失控早期的温度监测点,而热失控时温度最高的T3测点能更好地反映整个热失控期间的电池温度变化。2) 电压随着温度升高缓慢降低,在190℃时突降0.27 V,随后骤降为0;而电阻随着温度的升高呈小幅度减小后增大再迅速减小的变化趋势。3) 电池中心是出现膨胀最早且膨胀量最大的位置,膨胀量能表征电池的产气、破裂排气、热失控喷射等现象,膨胀信号的首次出现和下跌比温度骤增分别早了约3500 s和1700 s。膨胀是比电压和温度更快、更准确的热失控早期预警信号。

基于多维特征提取的资源数据识别与校核算法

针对现有资源数据异常识别与智能校核算法准确性和可靠性差的问题,设计了一种基于多维特征提取的资源数据识别与校核算法。该算法以多维指标数据作为输入,通过加权随机算法构建初始孤立森林,再以平方预测误差(SPE)统计量作为判据,实现孤立森林的冗余消除,进一步采用离散粒子群算法优化选取最优子森林,从而实现对异常数据的智能高效检测。基于人力资源数据进行的算例分析测试结果表明,所提RRA-DPSO-WRIF算法的异常数据识别准确率可达95%,多次计算的偏差在2%以内,相比传统算法具有更高的检测准确率与稳定性,能够为人资数据的管控提供决策支撑。

旅游疲劳的发生机制、多维特征与应对策略——基于扎根理论的探索性研究

疲劳在旅游活动中极易发生且普遍存在,是影响旅游体验质量的关键变量。疲劳一直是心理学、行为科学、交通运输、体育科学等领域的重要议题,但旅游疲劳的相关研究尚处于探索阶段。文章在梳理已有文献和旅游实践的基础上,采用扎根理论,对旅游疲劳的发生机制、多维特征与应对策略进行了探索性研究。研究发现:旅游疲劳的框架体系由4个主范畴(诱发因素、疲劳表现、行为效应和应对策略)和13个范畴构成。旅游疲劳在主体因素、中介因素和客体因素共同作用下逐渐形成,并表现出身体疲劳、兴趣疲劳、情感疲劳和认知疲劳的多维特征,其对游客的行为决策、体验质量和重游意愿均存在显著的复杂影响,可以通过主体提升、中介保障和客体控制3方面策略对其进行预防和缓解。旅游疲劳的探索为旅游行为研究提供了新的视角和内容,为游客服务和景区管理提供了理论参考。

工业物联网中基于多维特征业务的网络切片匹配算法

工业物联网中的业务具有数量大、种类多、特征维度高等特点,为了实现每一个业务都能根据自身的多维特征有效的匹配到具有特定服务质量的网络切片以获取相应的服务,提出了一种多维特征聚类的业务与网络切片匹配算法。该算法可以对工业物联网设备中提取的业务多维特征进行聚类,根据聚类结果将所定义切片的优先级因子添加到相应的业务中,进而实现业务与网络切片的匹配。实验结果表明,该算法在实现业务与网络切片匹配的过程中,与对比算法相比,既实现了高准确率,又加快了匹配完成的速度。

基于GEE和多维特征集的锡林浩特露天矿区近30 a土地利用分类

随着矿产资源的不断开采,矿区地表土地利用会发生频繁的变化,快速获取矿区开采过程中长时间序列连续的土地利用分类结果对于矿区土地治理与生态重建具有重要意义。基于Google Earth Engine(GEE)遥感云平台,对Sentinel-2和Landsat数据从光谱特征、纹理特征、地形特征3个方面构建多维特征集,采用随机森林算法分别建立了不同特征模型并测试精度以筛选出适合矿区场景的最优分类模型。以锡林浩特市露天矿区为研究区,开展了近30 a(1991—2020年)长时序土地利用分类研究。结果表明:①基于GEE遥感云平台,能够高效、快速、准确地提取研究区1991—2020年近30 a的土地利用分类结果;②光谱特征对分类精度具有决定性作用,融入纹理特征和地形特征能够有效提高矿区土地利用分类模型精度;③Sentinel-2数据特有的红边波段对植被具有较高的敏感性,能有效提高分类精度。长时间连续的监测结果能够有效了解锡林浩特市露天矿区土地利用的变化情况及规律,为进一步分析人类生产生活和环境变化对土地利用的影响提供了坚实的数据支撑。

多维特征融合的虚假健康信息识别方法研究: 基于 LightGBM 算法

[目的/意义]为解决虚假健康信息自动识别效率低、准确度不高的问题,提出基于多特征融合的虚假健康信息识别方法。[方法/过程]首先,从内容特征、情感特征、发布者特征3个维度构建虚假健康信息特征指标体系;其次,分别采取不同方法进行特征提取,并转换成可处理的结构化数据;再次,基于LightGBM分类模型融合多特征属性,实现虚假健康信息自动识别;最后,以微信公众号上的健康信息为例进行实证验证。[结果/结论]该方法在微信公众号数据集实验的准确率达到92.22%,判别效果优于基于内容、情感、发布者等单维特征的识别方法,能够在一定程度上解决人工识别存在的及时性差、效率低、数量有限等问题,能够更全面、更接近人工识别准确率地实现虚假健康信息自动化识别。

基于SMOTE-RF与多维特征向量的在线商品虚假评论识别研究

[研究目的]通过从评论文本和评论者两个维度对在线评论的特征进行挖掘,探究电商平台如何有效提高虚假评论识别的准确性,增加用户在线商品评论可信度,为消费决策提供参考。[研究方法]提出一种基于多维特征和SMOTE-RF模型的虚假评论识别方法。首先,通过识别商品虚假评论线索,构建多维特征向量,引入情感极性等特征并进行单调化处理;其次,在评分偏离度中添加了商品得分均值等统计指标来全面刻画虚假评论;最后,针对在线评论数据集中真实评论与虚假评论类不平衡问题,运用SMOTE算法优化随机森林分类模型,从而达到提高虚假评论识别准确性的目的。[研究结论]实验结果显示该方法在正负样本不平衡的虚假评论识别中具有更高的准确率、召回率及F1值。其中评分偏离度特征对虚假评论识别的影响最大,情感极性可作为识别的次要参考特征。因此,综合考虑在线评论多维特征和正负样本不平衡可帮助电商平台对虚假评论进行有效的过滤,为消费者提供更为可靠的评论数据。