销量约束下基于切片递归神经网络模型的成品油价格推荐算法

加油站成品油零售价格的确定是智慧加油站发展的关键。由于成品油价格的变化遵循复杂的非线性规律,尽管以长短期记忆(LSTM)为代表的非线性时序模型提高了传统时序预测方法的精度,但其运行效率难以满足动态变化的油价预测需求。针对这一问题,提出一种基于切片递归神经网络(SRNN)的成品油价格推荐模型,该模型以LSTM模型为递归单元,创新性地通过决策者根据多源数据得到的聚类结果筛选、设置的市场环境因子,对成品油销量施加影响,从而实现在销售约束条件下的成品油价格推荐。基于4年的加油站历史数据对模型预测性能进行了评估。结果表明,使用该模型与LSTM神经网络具有相同的预测精度水平,但比LSTM神经网络的运行速度快72倍。此外,基于SRNN模型的成品油价格推荐算法,加油站在实际销售中得到有效的应用,验证该模型的实用价值。

切片循环神经网络和胶囊网络的性别欺凌识别

构建基于语境的中文性别欺凌语料库,提出了一种基于语境、结合注意力机制的切片循环神经网络和胶囊网络并联联合算法模型(CASC)。相比传统基于词法规则、句法分析等深度学习神经网络,上述方法可以获取时序词级、句子级、段落级等多个层级高级信息和全局语义信息。同时通过分析上下文语境,挖掘欺凌词之间的依赖关系和深层语义特征,来提高特征表征能力。实验结果表明,上述方法用于网络性别欺凌文本识别精确率为95.33%,召回率为95.83%,衡量模型整体性能的F值为95.58%,准确率为98.78%。从而证明上述方法用于识别性别欺凌文本的有效性。

基于ASGRU-CNN时空双通道的语音情感识别

语音情感识别是实现人机交互的关键,如何提升语音情感识别的准确率以及更有效地提取具有情感代表性的特征是语音情感识别所面临的问题之一。针对以上问题,构建了一种包含空间特征提取模块和时序特征提取模块的双通道时空语音情感识别模型ASGRU-CNN。模型总体框架由两条并行分支组成:第一分支为空间特征提取模块,由三维卷积、二维卷积及池化操作共同构成级联结构;第二分支为时序特征提取模块,由切片循环神经网络内嵌门控循环单元及注意力机制构成。模型以韵律特征及谱特征的融合特征作为输入特征,经过双分支处理后,进入全连接层进行语音情感分类。在CASIA与EMO-DB数据库上进行相关实验,并通过数据扩充增加训练样本,与其它语音情感识别模型实验结果相比,所提出的模型具有较好的鲁棒性和泛化性。

融合双向切片LSTM与Attention的情感分类模型

针对BiLSTM-CRF训练速度较慢且无法区分句子中各个词在情感分类中重要性的问题,提出一种融合双向切片的LSTM与注意力机制的情感分类模型(BiS-LSTM-Attention)。首先,使用BERT对文本进行预训练,将训练后的文本进行切片处理,得到的文本切片作为模型的输入;然后,在Bi-LSTM层对文本特征进行提取,将特征输入Attention层进行注意力的加权计算,进一步在融合层将Attention层的输出特征向量拼接在输入分类层;最后,在分类层根据每个文本对应的特征向量进行计算来实现情感分类,将文本分为积极、消极或中性。与WEEF-BILSTM、W2V-Att-LSTM、BiLSTM-CRF 3种模型进行比对,实验结果表明,提出模型相较于比对模型能在保证运行速率的同时获得更高的分类准确度。

镜像图灵测试:古诗的机器识别

古诗伴随着中华文化的历史进程不断发展,有着数千年的灿烂历史,古诗将丰富的情感、有内涵的灵魂和生动的形式完美结合,表现出了中华民族语言的力量.“自然语言处理是人工智能皇冠上的明珠”,用机器生成语言是机器智慧的核心体现,对机器的语言进行测试是图灵测试的重要内容,用机器生成的中国古代诗词已经可以初步通过图灵测试,在普通人面前得以瞒天过海.本文提出了“镜像图灵测试”框架,其主要设计思想是将图灵测试中的测试者由人更换为计算机,要求测试者在图灵测试的同等条件下对被测试的人和计算机进行识别,若测试计算机不能完成对被测试者的识别,则认为被测试的机器通过了镜像图灵测试.本文以机器生成的古诗和诗人创作的古诗为测试对象,以经过LDA主题模型调节的融合自注意力机制和切片LSTM网络的模型为测试机,设计了镜像图灵测试实验.实验将古诗分为写景、抒情以及爱国诗三类,为每类诗歌构建了8组数据集,共8万句古诗,采用了4种模型对24组数据集进行测试,利用测试机判别诗歌来自诗人还是机器,识别结果可达80%左右,实验结果显示,镜像图灵测试机可以对机器生成的诗歌进行识别,即机器生成的通过了图灵测试的诗歌并没有通过镜像图灵测试,说明了诗歌作为人类语言文明的结晶,是人脑情感最突出的反应,是诗人全身心的投入后的灵魂映射,在一定意义上是图灵可测的,即如果存在图灵可测的不完备性,那么诗歌这个人类语言的精华所在,就是突破这个图灵不完备性的关隘.本文提出的镜像图灵测试框架为后续图灵测试的研究提供了新的思路与方向.

基于CNN⁃SIndRNN的恶意TLS流量快速识别方法

传统浅层机器学习方法在识别恶意TLS流量时依赖专家经验且流量表征不足,而现有的深度神经网络检测模型因层次结构复杂导致训练时间过长。提出一种基于CNN-SIndRNN端到端的轻量级恶意加密流量识别方法,使用多层一维卷积神经网络提取流量字节序列局部模式特征,并利用全局最大池化降维以减少计算参数。为增强流量表征,设计一种改进的循环神经网络用于捕获流量字节长距离依赖关系。在此基础上,采用独立循环神经网络IndRNN单元代替传统RNN循环单元,使用切片并行计算结构代替传统RNN的串行计算结构,并将两种类型深度神经网络所提取的特征拼接作为恶意TLS流量表征。在CTU-Maluware-Capure公开数据集上的实验结果表明,该方法在二分类实验上F1值高达0.9657,在多分类实验上整体准确率为0.8489,相比BotCatcher模型训练时间与检测时间分别节省了98.47%和98.28%。

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题,提出一种基于切片循环神经网络(sliced recurrent neural networks,SRNN)、注意力机制和卷积神经网络(convolutional neural networks,CNN)的雷达辐射源信号识别方法,并在CNN中引入批归一化层,进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入,自动提取信号特征,输出识别结果。实验结果表明,SRNN相比于门控循环单元(gated recurrent unit,GRU)训练速度大大提升,注意力机制和批归一化层能有效提高识别准确率;在采用8种常见雷达辐射源信号进行的实验中,所提方法在低信噪比条件下仍有较高的识别准确率。

融合时空图卷积的多人交互行为识别

目的多人交互行为的识别在现实生活中有着广泛应用。现有的关于人类活动分析的研究主要集中在对单人简单行为的视频片段进行分类,而对于理解具有多人之间关系的复杂人类活动的问题还没有得到充分的解决。方法针对多人交互动作中两人肢体行为的特点,本文提出基于骨架的时空建模方法,将时空建模特征输入到广义图卷积中进行特征学习,通过谱图卷积的高阶快速切比雪夫多项式进行逼近。同时对骨架之间的交互信息进行设计,通过捕获这种额外的交互信息增加动作识别的准确性。为增强时域信息的提取,创新性地将切片循环神经网络(recurrent neural network,RNN)应用于视频动作识别,以捕获整个动作序列依赖性信息。结果本文在UT-Interaction数据集和SBU数据集上对本文算法进行评估,在UT-Interaction数据集中,与H-LSTCM(hierarchical long short-term concurrent memory)等算法进行了比较,相较于次好算法提高了0.7%,在SBU数据集中,相较于GCNConv(semi-supervised classification with graph convolutional networks)、RotClips+MTCNN(rotating cliips+multi-task convolutional neural netowrk)、SGC(simplifying graph convolutional)等算法分别提升了5.2%、1.03%、1.2%。同时也在SBU数据集中进行了融合实验,分别验证了不同连接与切片RNN的有效性。结论本文提出的融合时空图卷积的交互识别方法,对于交互类动作的识别具有较高的准确率,普遍适用于对象之间产生互动的行为识别。