基于深度学习的相似语言短文本的语种识别方法

在语种识别中,传统的N-Gram方法对文本长度依赖度高,因而无法有效地对短文本进行语种识别。现有的基于神经网络的模型无法同时考虑词本身信息和词间组合信息,从而降低了短文本语种识别的质量。针对以上问题,提出一种基于深度学习的字符级短文本语种识别方法。采用卷积神经网络从字符向量中获取词中字符组合信息;通过长短期记忆网络获取词与词之间的特征信息;使用全连接网络实现相似语言的语种识别。在维吾尔语、哈萨克语以及DSL2017数据集上的实验结果表明,该方法可以有效地提高相似语言短文本的识别精度。

一种改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波算法中粒子多样性退化缺陷,为提高无线传感器网络(WSN)目标跟踪精度,提出一种改进粒子滤波的WSN目标跟踪方法,通过对采样产生的粒子集合进行选择、交叉和变异等遗传操作,获得更多优良粒子,实现了粒子集合的多样性。仿真结果表明,相对于其它目标跟踪算法,改进粒子滤波算法提高了WSN目标跟踪精度,有效减少目标跟踪均方根误差,目标定位更加准确。