融合反讽语言特征的反讽语句识别模型

反讽是采用内隐的形式来表达情感的一种方法,反讽语句在文字和所想表达的情感上存在着不同,这使得对反讽语句进行情感分类变得更加困难。针对这一现象,提出一种融合反讽语言特征的反讽语句识别模型,通过加入反讽语言特征来提高反讽语句的识别准确率。首先,采用卡方检验算法对反讽语言进行分析并获取语言特征;然后,利用Word2Vec对语言特征进行训练获取语言特征的特征表示,同时使用注意力机制与Bi-GRU(双向门控循环神经单元)模型获取句子的特征表示;最后,将语言特征的特征表示与句子的特征表示进行融合并作为情感分类层的输入,对反讽语句进行识别。与CNN-AT、CNN-Adv、EPSN等3种模型进行对比,实验结果表明,该模型可以有效提高对于反讽语句的识别准确率。

基于机器视觉技术的表单图像缺陷矫正及自动识别方法

在实际生活中,大部分表单图像的传输仍旧采用人工输入的方式完成,存在工作量大、核对麻烦的问题,因此提出基于机器视觉技术的表单图像缺陷矫正及自动识别方法。首先通过最小二乘算法实现表单缺陷图像信息的矫正修复,其次采用基于小波变换的维纳滤波算法去除表单图像的噪声,最后采用Gabor特征结合字典学习的稀疏方法完成表单图像的自动识别。实验结果表明,所提方法的图像校正效果好,图像识别效果更好。

自适应光学系统变形镜控制电压预测

在校正大气湍流畸变波前相差的自适应光学系统中,利用基于Levenberg-Marquardt学习算法的非线性反向传播神经网络技术(LMBP)对变形镜控制电压进行预测。以对受横向风影响的大气湍流畸变波前斜率数据为研究对象,通过数值仿真方法,研究了基于LMBP算法的自适应光学系统变形镜电压非线性预测控制算法。通过实验发现,预测电压和变形镜实际控制电压拟合效果良好。讨论了回溯帧数对预测效果的影响,并与基于递推最小二乘(RLS)算法的线性预测算法进行比较。对比结果表明,基于LMBP算法的非线性电压预测方法比基于递推最小二乘法的线性电压预测方法能更有效地降低系统由伺服延迟引起的误差。

基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数 (RBF)神经网络 ,进行了非线性时间序列的在线预测研究。该 RBF网络通过次胜者受惩算法 (RPCL )根据样本信息合理调节隐层中心 ,通过递归正交最小二乘算法 (ROL S)更新网络输出层的连接权重。算法学习速率较快 ,从而提高了网络的实时性能。仿真结果表明该学习算法的实用性和有效性。

改进的小波神经网络算法对变流器的故障诊断方法

变流器是双馈风力发电系统中的枢纽设备,其运行可靠性直接关系到发电系统的安全与稳定。针对基于递推最小二乘(RLS)算法的离散小波神经网络(DWNN)存在收敛速度慢、收敛精度不高、搜索局部极小等不足,以变流器的电流为分析对象,提出一种采用变加权和变学习率改进算法的小波神经网络的变流器故障诊断方法。选择变流器电流作为离散小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析。实验结果表明:较之RLS算法,改进的小波神经网络故障诊断方法在故障识别准确率和收敛时间方面表现更优。

基于递推最小二乘法的多步时序差分学习算法

强化学习是一种重要的机器学习方法。为了提高强化学习过程的收敛速度和减少学习过程值函数估计的误差,提出了基于递推最小二乘法的多步时序差分学习算法(RLS-TD(λ))。证明了在满足一定条件下,该算法的权值将以概率1收敛到唯一解,并且得出和证明了值函数估计值的误差应满足的关系式。迷宫实验表明,与RLS-TD(0)算法相比,该算法能加快学习过程的收敛,与传统的TD(λ)算法相比,该算法减少了值函数估计误差,从而提高了精度。

一种三阶多项式相位信号去噪的字典学习算法

在加性高斯白噪声的影响下,对于三阶多项式相位信号(CPS),经典的字典学习算法,如K-means Singular Value Decomposition(K-SVD),递归最小二乘字典学习算法(RLS-DLA)和K-means Singular Value Decomposition Denoising(K-SVDD)得到的学习字典,通过稀疏分解,不能有效去除信号的噪声。为此,该文提出了针对CPS去噪的字典学习算法。该算法首先利用RLS-DLA对的字典进行学习;其次采用非线性最小二乘(NLLS)法修改了该算法对字典更新的部分;最后对训练后的字典通过对信号的稀疏表示得到重构信号。对比其它的字典学习算法,该算法的信噪比(SNR)值明显高于其它算法,而均方误差(MSE)显著低于其它算法,具有明显的降噪效果。实验结果表明,采用该算法得到的字典通过稀疏分解,信号的平均信噪比比K-SVD,RLS-DLS和K-SVDD高出9.55 dB,13.94 dB和9.76 dB。

RLS字典学习中遗忘因子的影响

字典学习是信号稀疏分解研究的热点问题.在稀疏分解字典学习中,初始字典的选择影响字典学习的效果.为减小初始字典对学习字典的影响,在递归最小二乘(recursive least squares,RLS)字典学习方法中引入遗忘因子的概念.比较了最优方向法、K奇异值分解方法和RLS等3种方法的字典学习效果.分析了RLS字典学习中不同的遗传因子对字典学习效果的影响,以及遗忘因子为不同函数时的字典学习效果.仿真结果表明:RLS字典学习方法减小了初始字典对学习结果的影响,故学习效果较好;而在RLS字典学习中不同遗忘因子的选择会影响字典学习效果.

径向基函数递推最小二乘算法优化学习的研究

对于广泛使用的三层感知机BP神经网络存在收敛速度慢,预测精度不高的问题,提出了基于径向基函数(RBF)递推最小二乘算法调整网络连接权值以及通过自适应学习的方法优化径向基函数形状参数的协作式自适应算法,并采用该算法进行了RBF神经网络的训练和仿真实验。结果表明:所提出的算法较BP算法以及固定α值的RBF算法有较快的收敛速度;最后,将训练后的神经网络应用于煤矿瓦斯涌出量的预测中,结果大大提高了预测的精度。因此,该算法具有很高的应用价值。

一种用于预失真系统的RLS+LMS组合算法

数字预失真技术是功率放大器线性化研究的热点,自适应算法的选择对预失真的效果有很大的影响。分析传统的LMS算法和RLS算法,发现其收敛速度和计算复杂度不可兼得,变步长算法对收敛性能有所改进,但效果有限。结合两种算法各自的优势,提出一种新的组合算法,用于多项式数字预失真系统。采用间接实现结构,仿真结果表明新算法具有良好的收敛特性,适用于功率放大器的线性化处理。

基于小波阈值和字典学习的合成孔径雷达图像压缩

在小波域对合成孔径雷达(SAR)图像进行双重稀疏处理的基础上,提出一种基于小波阈值和字典学习的SAR图像压缩方法.利用SAR图像的统计分布特性,结合空间树结构对小波域的小波系数进行阈值化处理,利用递归最小二乘字典学习算法(RLS-DLA)将小波系数表示为字典稀疏,以在增大字典稀疏度的同时抑制斑噪声,并提高图像的重构效果.结果表明:在低比特率条件下,所提出方法比经典压缩方法的精度更高.

递归最小二乘循环神经网络

针对循环神经网络(Recurrent neural networks,RNNs)一阶优化算法学习效率不高和二阶优化算法时空开销过大,提出一种新的迷你批递归最小二乘优化算法.所提算法采用非激活线性输出误差替代传统的激活输出误差反向传播,并结合加权线性最小二乘目标函数关于隐藏层线性输出的等效梯度,逐层导出RNNs参数的迷你批递归最小二乘解.相较随机梯度下降算法,所提算法只在RNNs的隐藏层和输出层分别增加了一个协方差矩阵,其时间复杂度和空间复杂度仅为随机梯度下降算法的3倍左右.此外,本文还就所提算法的遗忘因子自适应问题和过拟合问题分别给出一种解决办法.仿真结果表明,无论是对序列数据的分类问题还是预测问题,所提算法的收敛速度要优于现有主流一阶优化算法,而且在超参数的设置上具有较好的鲁棒性.

通过CWLS-DL优化St-OMP算法的盲信号重构

针对稀疏成分分析理论的"两步法"中的源信号重构算法改进,提出一种由相关性加权最小二乘字典学习法与分段正交匹配追踪算法组合的算法,能够解决带权重信号误差的F-范数最小化问题,并通过增加单次迭代的原子数改变算法复杂度。将此组合算法用于语音信号的盲源分离仿真实验,完成源信号重构。实验结果表明,用该组合算法重构的信号,能在保证提高重构精度的同时,与算法复杂度存在良好的折中。无噪声环境下该组合算法的性能为最佳,有噪声环境下可达到信号重构要求的最小信噪比约为17～18 dB。

一种基于参数辨识的迭代学习控制算法及应用

针对间歇过程中模型参数变化的问题,提出了一种基于遗忘因子最小二乘法辨识的迭代学习控制算法。迭代学习律的参数随模型参数变化而更新,利用遗忘因子大大减小参数变化时"错误"数据对算法的影响,使算法具有更强的自适应性。把这一算法应用于黄酒发酵过程,提高了发酵过程的优化控制效果。仿真结果表明当模型参数随着批次变化时,系统的跟踪性能得到了改进。

基于即时学习的接收灵敏度测量方法

接收灵敏度是无线通信系统中非常重要的参数之一。然而,虽然无线技术的发展迅速,接收灵敏度的测量却依然使用着传统的基于穷举法的测量方式。这种测量方式依赖固有的系统模型,不但测量效率低,而且由于使用固定步长,测量精度也无法保证。针对传统测量方法的缺陷,本文提出一种不依赖模型,只基于实时测量数据的快速接收灵敏度测量方法,这种方法依靠系统实时的输入和输出数据,在保证测量精度的同时进一步改善测量速度。