一种用于自然场景文本识别的多路并行位置关联网络

自然场景文本识别是计算机视觉领域的研究热点之一,在无人驾驶、图像检索、机器人导航等领域具有广泛的应用前景.由于自然场景中的文本图像存在背景复杂、透视失真、过度弯曲等现象,给文本识别带来了巨大的挑战.针对上述问题,本文提出了一种基于多路并行的位置关联网络(Multi-Path Parallel Location Association Network,MPLAN)的自然场景文本识别方法.首先,针对不规则文本图像,MPLAN使用文本矫正网络自适应学习图像变换,从而获得线性排列的文本图像.其次,为了捕获字符间的位置信息,MPLAN提出了位置关联模块,利用序列特征的有序性,通过捕获字符位置信息,以提高序列特征与目标字符的对齐准确度.此外,为了增强字符间的语义相关性,MPLAN提出了基于多路传输思想的并行注意力模块,获取全局语义信息,实现序列特征的上下文通信,从而锁定有效字符的位置.在包括规则文本、不规则文本在内的六个数据集上的实验结果表明,MPLAN能够有效利用位置信息与全局语义信息解码字符序列,特别是在识别不规则文本上取得了领先的性能.

用于问题生成的知识增强双图交互网络

问题生成是一项具有挑战性的自然语言处理任务,旨在生成具有给定答案和上下文的问题,近年来受到了广泛关注.最近,由于神经网络的发展,问题生成任务取得了较大的进展.然而,现有模型仍然存在未有效利用外部知识以及在利用图神经网络捕获隐藏结构信息未捕获语法信息等问题.针对上述问题本文提出知识增强双图交互网络KE-BGINN(Knowledge-Enhanced Bi-Graph Interaction Neural Network).首先为了有效利用外部知识信息,KE-BGINN通过知识图谱本身的图结构信息构造知识增强图,并利用图卷积网络对文本以及答案上下文语义信息进行扩充.其次,KE-BGINN引入一种双图交互机制,利用两个图卷积网络学习上下文的隐藏结构信息以及语法信息,在图间信息融合时,构造一个虚拟图来充分融合不同图之间的异构信息.最后,KE-BGINN利用指针网络解码机制来解决问题生成时罕见和未知词的问题.在SQuAD数据集上的实验结果证明,与对比模型相比较,KE-BGINN模型的综合性能更加优异.

考虑多粒度反馈的多轮对话强化学习推荐算法

多轮对话推荐系统(CRS)以交互的方式获取用户的实时信息,相较于基于协同过滤等的传统推荐方法能够取得更好的推荐效果。然而现有的CRS存在用户偏好捕获不够准确、对话轮数要求过多以及推荐时机不恰当等问题。针对这些问题,提出一种基于深度强化学习且考虑用户多粒度反馈信息的对话推荐算法。不同于现有的CRS,所提算法在每轮对话中同时考虑用户对商品本身以及更细粒度的商品属性的反馈,然后根据收集的多粒度反馈对用户、商品和商品属性特征进行在线更新,并借助深度Q学习网络(DQN)算法分析每轮对话后的环境状态,从而帮助系统作出较为恰当合理的决策动作,使它能够在比较少的对话轮次的情况下分析用户购买商品的原因,更全面地挖掘用户的实时偏好。与对话路径推理(SCPR)算法相比,在Last. fm真实数据集上,算法的15轮推荐成功率提升了46.5%,15轮推荐轮次上缩短了0.314轮;在Yelp真实数据集上,算法保持了相同水平的推荐成功率,但在15轮推荐轮次上缩短了0.51轮。

一个新的差别矩阵及其求核方法

首先利用反例指出HU的利用差别距阵来求粗糙集中的核的方法是错误的 ,然后给出一个新的差别距阵的定义和求核方法 ,并证明了方法的正确性 .

粗糙集中属性约简的一个贪心算法

利用单属性的逼近精度、由决策属性定义划分的粗糙逼近精度以及它们的均值和方差 ,给出了属性重要性程度的一种度量方式。在此基础上 ,提出了粗糙集中属性约简的一个贪心算法 ,将各属性按照重要性由大到小依次加入到约简属性集中 ,直到满足约简条件为止 ,其特点是简单、容易实现 ,在条件属性较多的情况下 ,往往能够迅速求得一个属性约简。

一个新的二进制可辨识矩阵及其核的计算

首先用反例指出文献〔4〕中的利用 R.Felix等人提出的二进制可辨识矩阵来求决策表的相对核的方法是错误的 ,然后给出一个新的二进制可辨识矩阵的定义和求核方法 ,并从理论上证明了方法的正确性 .

最小属性约简问题的一个有效的组合人工蜂群算法

粗糙集理论中的最小属性约简(MAR)问题是一个NP-难的非线性约束组合优化问题.本文提出一个新的求解MAR问题的组合蜂群算法,其中,引领蜂、跟随蜂和侦察蜂采用基于变异运算的搜索模式,在邻域候选蜜源的生成中引入与属性子集相关的两个度量,并且跟随蜂采用与引领蜂不同的局部搜索策略以提高搜索多样性.此外,在本文算法中,角色分工不同的蜂群以不同的方式利用迄今最好蜜源的信息进行搜索.在若干UCI数据集上的实验及其统计检验结果表明,本文算法在求解质量上优于其他的元启发式属性约简算法,因而可有效地应用于最小属性约简问题的求解.

最小约简问题的一个免疫离散粒子群算法

把求决策表最小属性约简问题归结为一个不含非线性约束的0-1组合优化问题,证明了两个问题之间最优解的等价性.针对问题的特性,对原有的二进制粒子群算法进行改进,引入基于决策表差别矩阵的疫苗接种机制以及k-精英保优策略,由此提出一个免疫二进制粒子群算法并用于求解转化后的组合优化问题.仿真计算结果表明该算法有效地提高了获得最小属性约简的可能性,同时还具有较快的收敛速度.与其它类型的最小属性约简算法相比较,该算法取得明显的改进效果.

不相容决策表全部属性约简计算的一个改进方法

指出在决策表是不相容的情况下,常用的计算全部属性约简(代数意义下)的基于Skowron差别矩阵的分辨函数方法会产生错误的结果.为了解决这个问题,本文引入一个改进的Skowron差别矩阵,给出一个基于新的差别矩阵的分辨函数方法,并从理论上证明了方法的正确性.

Jelonek属性约简算法的一个改进

受Jelonek粗糙集属性约简算法思想的启发 ,本文利用单属性的近似精度和Hu的差别矩阵方法 ,得到一个改进的属性约简算法 .理论分析表明 ,该算法比Jelonek算法具有更低阶的计算复杂性 .

径向基函数神经网络在股票走势模式分类中的应用

探讨了径向基函数神经网络在个股走势模式分类中的应用问题。提出了一种可调基宽度的计算方法和若干数据预处理的措施。实例计算表明。

粗糙集属性量化的一个算法

利用属性一维数据的特点 ,提出基于动态聚类和减少不相容性的属性量化算法 ,具有简明、易实现的特点 ,算例测试表明了该算法得到的结果比较理想 .

基于模型逼近度和接受概率的一个变步长快速BP学习算法

本文给出模型逼近度的概念．在此基础上并利用模拟退火法的思想，提出了一个改进的变步长快速ＢＰ学习算法．数值结果表明该算法不仅明显地提高了ＢＰ网络的学习收敛速度，而且在一定程度上还能避免陷入局部极小．

计算机学科工程研究型全日制硕士研究生培养模式的探索

当前海峡西岸经济区信息产业结构战略调整中,福建的IT企业面临高层次工程研究型人才严重短缺的形势。本文提出了在计算机学科全日制硕士研究生中开展校企联合培养工程研究型人才的思路,探讨了以工程研究课题为组织形式、以企业科技攻关项目为培养平台、以工程研究问题为导向的具有质量保障体系的计算机学科工程研究型人才培养模式规范,并介绍了初步开展试点工作的情况和取得的效果。

前馈神经网络的一个新的自适应学习算法

本文在文献［８］的工作基础上，给出前馈神经网络的一个改进的自适应学习算法。对几个经典的算例和Ｆｉｓｈｅｒ植物分类问题的计算表明，本文算法取得了良好的效果。

基于近似精度递归计算的一个属性约简算法

首先分析粗糙集中不同正区域之间的关系 ,在此基础上推导出近似精度计算的一个简洁的递归公式 .在Jelonek属性约简算法[3 ] 的基础上 ,应用上述递归公式和独立性条件判别策略设计了一个改进的属性约简算法 ,与原算法相比 ,不仅在算法速度提高方面取得了明显的效果 ,而且保证了约简算法的正确性 .

学术型计算机专业硕士研究生工程能力培养研究

针对福建IT企业本地化高层次工程研究型人才短缺的问题,结合计算机学科研究生培养的实际情况,提出学术型计算机专业硕士研究生工程素养与工程能力培养的思路,并介绍面向工程应用课题的组织研究型教学的开展实践效果。

前馈神经网络隐层结点设计的一个学习算法

考虑三层前馈神经网络隐结点学习问题．在分析同类与不同类训练样本在隐层输出上体现的差异的基础上，提出了一种在权值学习过程中动态地用除网络隐结点数的学习算法．数值结果表明本文算法是可行的．

不相容决策表分解的若干性质

本文指出文献[2]中一个提取不相容决策表决策规则的分解处理方法存在的错误,并且分析错误产生的原因.在此基础上,本文进一步对这种分解方法进行考察,给出了原始不相容决策表和分解后的子决策表之间有关核属性和属性约简等方面的若干关系和性质.

BP神经网络的一个带跳步策略的学习算法

本文利用模型逼近度的概念和跳步策略，给出ＢＰ神经网络的一个自适应跳步学习算法，对Ｆｉｓｈｅｒ提出的分类问题和一个实际的非线性时间序列预测问题进行计算，结果表明本文算法取得了良好的效果。