基于深度神经网络和LSTM的文本情感分析

在自然语言处理任务中,词向量的出现大幅度提高了模型的性能,因此通常直接使用词向量初始化的深度模型。由于训练的数据集和方法会影响词向量的质量,为了减少这种影响,本文提出了深度神经网络结合LSTM模型来实现情感分析。先将词向量输进到深度神经网络实现对词向量的隐藏特征再一次提取,然后输入到LSTM网络中进行情感分析,由此来提高情感分析的准确率。实验表明,本文提出的模型比起单个LSTM模型,深度神经网络结合LSTM模型在文本情感分析上具有更高的性能。

基于SqueezeNet和FractalNet混合模型的图像分类研究

针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题。采用将SqueezeNet 神经网络与FractalNet 神经网络相结合的方法。本文使用SqueezeNet 神经网络中的Fire Module 来减少模型的参数、FractalNet 神经网络的基本架构来保证神经网络模型的准确度。结果显示:在其它超参数基本相同的前提下,迭代40 代时,DenseNet 模型的测试集准确度为79.92%,而混合模型的测试集准确度为84.56%,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平。

基于BERT的中文命名实体识别方法

针对传统的机器学习算法对中文实体识别准确率低、高度依赖特征设计以及领域自适应能力差的问题,提出了基于BERT的神经网络方法进行命名实体识别。首先,利用大规模未标注语料对BERT进行训练,获取文本抽象特征;然后,利用BiLSTM神经网络获取序列化文本的上下文抽象特征;最后,通过CRF进行序列解码标注,提取出相应的实体。该方法结合BERT和BiLSTM-CRF模型对中文实体进行识别,以无需添加任何特征的方式在1998上半年人民日报数据集上取得了94.86%的F1值。实验表明,该方法提升了实体识别的准确率、召回率及F1值,验证了该方法的有效性。

基于zigbee的多种环境因子检测系统

为满足现今人类对蔬菜水果的需求,温室大棚已成为果农菜农的最优选择,在冬季也能产出人们所需的产品,极大满足了人类的饮食需求。同时现在的大棚存在智能化低,光照、温度、湿度、二氧化碳浓度等环境因子调节不平衡,导致产品达不到最大产出的缺点。我们设计的"基于zigbee的多种环境因子检测系统",便是针对这些现在温室大棚存在的缺点进行优化设计,引入各种传感器、蓝牙技术和zigbee技术。智能控制温室大棚中的各种环境因子,同时实现了远距离无线监测,实现产品的最大产出。

VansNet轻量化卷积神经网络

近年来,研究人员们在卷积神经网络的基础上保证效率的条件下提出了轻量化卷积神经网络,其中SqueezeNet轻量化卷积神经网络在保证精度的前提下,压缩了参数,提高了整体效率。本文针对SqueezeNet网络中由于压缩参数,存在准确率不理想的问题,提出了引入残差网络,增加跳层结构和网络宽度的改进方法 VansNet,相较于AlexNet、ResNet和SqueezeNet三种卷积神经网络其计算量最小且参数量很小。实验结果表明,改进后的VansNet轻量化结构在略增加参数的前提下提高了图像分类的准确率和效率。

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。

基于神经网络的词义消歧

在计算机语言学中,词义消歧是自然语言处理的一个重要问题,词义消歧即指根据上下文确定对象语义的过程,在词义、句义、篇章中都会出现这种词语在上下文的语义环境中有不同的含义的现象。本文提出一种基于神经网络的模型实现词义消歧,将词向量输入神经网络,通过分类的方式实现消歧的目的。实验表明,基于神经网络的词义消歧比传统的统计方法消歧具有更高的准确度。