基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法

为了准确识别社交媒体评论文本情感,助力公众负面情绪引导,提出了基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法。通过社交媒体大数据分类,并通过具有字典功能的Token将评论文本转换成数字列表。结合词嵌入技术得到向量列表,完成社交媒体大数据向量转换的预处理。将预处理获取的向量列表输入CNN网络,得到评论文本情感元最终局部特征值。将该值传至LSTM,通过遗忘门、输入门、输出门调节,获取评论文本情感元特征表征结果,经Softmax分类器分类后,实现情感元自动识别。实验结果表明,该方法能有效完成实验数据预处理,用文字和标签的形式标记正面、负面情感元,并准确识别情感元,间接反映社会问题,应用性较强。

基于CatBoost算法的多传感器信息融合可燃气体燃爆状态监测系统

设计了基于CatBoost算法的多传感器信息融合可燃气体燃爆状态监测系统,其中甲烷采集使用响应更快的催化燃烧传感器和测量范围更大的红外甲烷传感器进行配合采集,使其能在高浓度气体环境中快速检测甲烷浓度。首先将获取的传感器数据通过梯度提升树算法筛选出最能表征燃爆状态的特征;然后使用SMOTEENN算法对特征集进行类不平衡处理;最后通过CatBoost算法对数据进行分类训练得到预测模型。该模型对可燃气体燃爆状态的分类具有较高的准确率。

基于深度学习网络的三维激光雷达弱小目标分割研究

为了提升三维激光雷达弱小目标分割的抗干扰性与实时性,有效提取三维激光雷达图像有用信息,设计了基于深度学习网络的三维激光雷达弱小目标分割方法。采集目标三维激光雷达图像,应用小波方法去除三维激光雷达图像噪声;从去噪后的图像中提取三维激光雷达图像多尺度特征,并将特征输入到深度学习网络中训练,建立三维激光雷达弱小目标分割模型,实现弱小目标分割。测试结果表明:该方法能够高精度分割三维激光雷达目标,且分割速度较快,具有较高的实际应用价值。

基于多尺度特征提取的红外图像多目标分割研究

红外图像由于分辨率过低,导致多目标分割效果较差,为此研究基于多尺度特征提取的红外图像多目标分割方法。通过子带分解多尺度Retinex算法利用增强处理红外图像;利用Linberg尺度空间理论构建增强处理红外图像的多尺度空间,通过二阶自相关矩阵提取红外图像特征点。依据所提取到的特征点,构建红外图像多目标分割聚类的目标函数,采用自适应的进化模糊聚类算法求解红外图像多目标分割聚类问题,实现红外图像多目标分割。实验结果表明,该方法可以有效分割红外图像中的多目标,红外图像分割的信息熵高于5,多目标分割效果较好。

基于弹性变结构DDBN网络的空战目标识别

采用离散动态贝叶斯网络的直接推理方法作为基础,提出弹性变结构离散动态贝叶斯网络的概念,构建了空战目标识别的弹性变结构离散动态贝叶斯网络模型,给出了相应的推理算法,以此克服了离散静态贝叶斯网络和定结构离散动态贝叶斯网络在目标分类识别过程中出现的问题。通过仿真结果对比,表明该方法可以综合各个时刻各种被观测到的确定和不确定信息,从而更为有效的实现目标的分类和识别。

AIGC创新应用的云计算架构设计

文章介绍了AIGC创新应用的云计算架构设计。传统云计算架构提供了较强的灵活性且具有人力资源成熟的优点,而基于Serverless架构提供了高弹性、高扩展、低成本、容易实现技术管理的优势。

高铁大风预警模式挖掘

高铁大风预警的传统方法基于风速预测,当瞬时值高于限速阈值时触发报警,存在大量的误报警,不必要的限速控制影响了高铁行车效率。创新地提出了基于序列模式的预警方法,旨在挖掘报警事件前序数据中的频繁模式,找出报警事件的变化规律,通过滤除与非预警序列共有的频繁模式,得到预警序列独有的序列特征,构建了预警模式库。经兰新高铁沿线的监测数据验证,该方法在提高预测准确率的基础上降低了漏报率,同时有效地减少了模式匹配所需的时间,为提前预警预留充分的时间窗口,更加符合实际应用的需求。

基于完全代理模型的贝叶斯网络结构学习

贝叶斯网络结构学习中,基于变量序的空间搜索方法不仅是高效的而且结构的质量也是可靠的。但是,在搜索过程中,序的质量评估是一个非常关键的而且也是困难的问题。现有的方法虽然是高效的,但是序的质量评估不可靠。本文提出了一种新的评估序的质量的方法即完全代理模型评估法,该模型用近似于真实的父集来确定变量序的质量,从而找到一个高评分的网络结构。提议的方法主要包含两部分：最佳邻居学习,在变量数的多项式时间内使用互信息学习每个变量的最佳邻居集合;最佳父集学习,在最佳邻居集合规模的指数级时间内,根据当前的变量顺序以及变量的邻居集合学习每个变量的最佳的父集。本文从理论上分析了算法的合理性,从实验上和现有的代理模型算法做了对比,验证了算法的可靠性。

属性序下的粗糙集与KNN相结合的英文文本分类研究

由于KNN(K Nearest Neighbor)文本分类器的待分类文本数据维数和计算次数较高,其耗费的时间和空间成本也很高,故引入粗糙集的属性约简算法对待分类的数据进行预处理。提出了基于属性序的处理方法和算法,解决粗糙集属性约简中的NP-hard问题。降低算法计算量从算法本身和运算技巧两个层面出发:在粗糙集区分矩阵的关键环节正区域计算上提出递减式计算方法,减少等价类的计算工作量;运用去停止词的查表法、位置信息在属性序中的引入及倒排索引的检索方法等来进一步降低系统的运行时间和空间成本。通过实验验证,经过粗糙集约简处理的KNN分类系统在分类的准确度、召回率与F值上与没有约简的KNN分类器效果相当,但是系统的时间和空间成本大幅降低。

基于半监督学习的舰艇目标威胁判断研究

舰艇目标威胁判断是根据目标态势判断对舰艇的威胁程度,是指挥辅助决策的重要依据之一。传统的目标威胁判断方法存在信息利用率低、判断时效性差等不足。针对舰艇作战信息环境的特点,引入半监督模糊识别理论,建立舰艇防御作战中目标威胁等级判断模型。在训练阶段,利用积累的典型目标态势样例、离线学习确定目标威胁判断模型的参数;在测试阶段,利用离线学习好的模型,实时在线判断目标的威胁等级;最后通过示例说明了半监督模糊识别方法在舰艇目标威胁判断方面的可行性。

变权灰关联分布式传感器信息融合的辐射源识别

针对复杂电磁环境中辐射源正确识别率低的问题,提出采用变权重灰关联分布式传感器信息融合的辐射源识别新方法。利用灰关联分析法进行辐射源识别能克服辐射源参数间的不确定性,其中特征参数的权重获取是灰关联法的难点,给出三种权值确定方法。然后根据分布式传感器信息融合和基于基本概率赋值的准则,进行时域和空域的证据融合,得到辐射源识别结果。仿真结果表明,三种定权法均具有高的辐射源识别率、好的环境适应性和好的识别鲁棒性。

基于机器学习的抑郁症特征提取与实现

文章将抑郁症脑电识别作为“云计算与数据挖掘”课程的实验内容,设计了利用机器学习进行抑郁症脑电识别诊断系统,利用信号处理方法进行脑电特征提取。时域采用基于统计特征的近似熵及非线性特征的模糊熵、频域采用基于脑电波段划分的功率谱密度进行特征提取,用以更加精准地提取抑郁症患者的脑电信号特征。最后利用机器学习方法,实现了对抑郁症的快速客观诊断。实验采用Python语言实现,实验结果表明近似熵特征取得了最佳分类结果。

基于HMM和LDA级联的视频异常检测

该文针对视频监控中的异常事件检测问题,提出了一种基于HMM和LDA的级联方法。该方法将提取的底层特征建立文本信息进行LDA训练后,得到的语义特征视为HMM观测量用于建立级联模型,从而对整体视频事件进行学习和异常检测。检测红灯禁行路段异常的实验结果表明,相对于基于HMM的方法,该方法在检测异常事件方面得到了更好的效果。

深度学习技术的三维激光雷达目标分割研究

为解决传统雷达目标分割噪声影响以及连通性较差等问题,提出引入深度学习技术的三维激光雷达目标分割方法。分析深度学习技术工作原理,设置学习数据输入层、隐层以及输出层的单元数据组取值;根据贝叶斯概率生成模型,获取三维激光雷达目标分割的实际期望值;引入表征转换机理论,衡量目标图像与参考杂波图像间相似程度;通过回归性问题计算图像参考杂波程度较高部分并进行消除,实现三维激光雷达目标分割。实验结果表明,所提方法可有效实现三维激光雷达目标分割,且计算过程简单,目标分割准确度较高。

基于AdaBoost的潜射防鱼雷诱饵干扰效果预测研究

鱼雷来袭时,潜艇通常通过发射诱饵和规避机动进行防御。根据本艇、诱饵和鱼雷的相对态势,实时、准确地预判诱饵的干扰效果即鱼雷能否发现本艇,对本艇进一步防御决策具有重要意义。目前,基于经验的预测无法保证准确率的要求,基于在线仿真的预测无法保证实时性要求。对此,采用机器学习将该问题转化为典型的二分类问题,以本艇、诱饵和鱼雷的相对态势作为分类特征,通过离线仿真生成训练数据集,以错误率降低剪枝决策树(Reduced Error Pruning Tree, REPTree)作为基分类器,构建了基于自适应增强(Adaptive Boosting,AdaBoost)的诱饵干扰效果预测模型。实验结果表明,模型具有良好的鲁棒性和准确性。

基于改进的小波变换和LS-SVM模型的忙时话务量预测算法

本文提出一种融合小波变换和最小二乘支持向量机(WT-LSSVM)的组合话务量预测模型。对呈现非平稳特性的话务量数据先用Mallat算法进行分解,得到低频分量和高频分量,然后对低频分量和高频分量进行单支重构,再对重构后的各分量分别用LS-SVM模型进行预测,最后合成话务量,实验表明该组合预测模型有较高的预测精度和稳定性。

基于多权重属性测度和信息融合的辐射源识别算法

针对复杂电磁环境下辐射源正确识别率低的问题,提出基于多权重属性测度和信息融合的辐射源识别方法。分析辐射源识别研究现状,发现辐射源信号特征参数在识别中的权重影响识别效果,给出层次分析定权法、熵值定权法、粗糙集定权法,同时列出信息融合的步骤,构建基于多权重属性测度和信息融合的辐射源识别算法和识别系统,仿真实验表明,该方法能获得较高的辐射源识别率。

基于一维激光雷达数据的交通车辆分类研究

为满足特殊场景中交通管理系统的高时效性、高准确率、低成本需求,本文以一维激光雷达距离数据为基础,将RGB图像、SAR图像等视觉图像处理方法中使用的角点特征的概念用于一维离散数据,从而获取一维离散数据的轮廓特征。本文提出了利用均值差变和离差获得离散角点数据的方法,然后通过对数据样本的长、宽、高、离散角点数据等信息进行分析,获得每类目标的统计特征,进一步调整基于决策树的分类系统参数,提高目标分类的准确率。实验结果表明,该方法对目标分类的正确率在91%以上,能够满足特定环境场景的需求。

基于深度集成学习的手写数字识别

深度学习用于手写数字识别时,识别精度受书写风格的影响较大。针对这一问题,利用集成学习来提高深度学习对噪声的鲁棒性,提出一种基于集成深度学习的手写数字识别模型——自适应增强多层感知器。该模型以多层感知器作为基分类器,以自适应增强算法作为集成策略。在手写数字集MNIST上进行识别实验,寻优确定了该模型的主要参数,实验结果表明自适应增强多层感知器的识别精度有一定提高。

大规模光纤网络数据流的自动分类

针对传统光纤网络数据分类方法中由于未考虑到对大规模光纤网络数据流进行降维,导致数据流分类执行时间较长、准确率较低的问题,提出大规模光纤网络数据流的自动分类方法。利用多项式拟合算法结合滑动窗口技术,预处理初始光纤网络数据中异常数据;通过特征向量投影对大规模光纤网络数据流进行降维处理。针对规模光纤网络数据流的动态性,利用概念相似度方法,组建规模光纤网络数据流半监督分类模型。通过模型对数据流进行划分,利用划分后数据集的概念相似性进行分类器训练。同时结合概念相似度选择合适的分类器进行数据流分类。实验结果表明,所提方法不仅能够提升自动分类结果准确率,还能够缩短自动分类执行时间。