上下文感知的树递归神经网络下隐式情感分析

针对现有的序列化模型对中文隐式情感分析中特征信息提取不准确以及对篇章级的文本信息提取存在的梯度爆炸或者梯度消失的问题,提出了双向长短时神经网络和上下文感知的树形递归神经网络(context-aware tree recurrent neutral network,CA-TRNN)的并行混合模型。该模型分别利用双向循环长短时记忆神经网络(BiLSTM)提取文本中的上下文信息,树形递归神经网络(TRNN)提取文本中目标句的语义特征信息,最后,使用特定目标句的注意力机制将两个表示信息进行融合表示后,经过softmax得出文本的情感分类结果。采用SMP2019微博中文隐式情感分析任务中的数据进行验证,实验结果表明,所使用的模型(CA-TRNN)可以有效提高分类结果的准确度,时间代价小,具有更好的应用能力。

基于CTNN算法的智能小车路径跟踪控制研究

针对目前路径跟踪控制检测方法精度低、实时性能差的问题,提出一种基于深度机器学习的构建树形神经网络CTNN(Constructing Tree shaped Neural Net)的深度学习算法。该算法通过深度机器学习,构建针对性强的学习集,同时在模型车中实现。将传统机器学习算法与文章所提出的算法在相同行驶条件下的实时响应进行比较,仿真结果表明,CTNN算法在恶劣的行驶环境中,实时性、鲁棒性均得到一定程度的提高。

重载铁路电务设备智能运维系统的设计和实现

针对传统重载铁路电务设备运维能力低,导致运维作业精准度不高的问题,提出基于深度学习的重载铁路电务设备智能运维系统。首先采用监测运维一体化采集电务设备运维数据;然后基于大数据技术,将递归神经网络RvNN、树形长短期记忆网络Tree-LSTM和树形卷积神经网络TBCNN三个树形神经网络进行融合,并与循环神经网络及衔生算法相结合,构建一个基于联锁逻辑时序与深度学习相结合的设备运维模型;最后通过构建模型进行联锁故障诊断和设备状态评估。实验结果表明,在二分类任务中,本模型的故障诊断准确率高达98.54%;在多分类任务中的诊断准确率为89.13%,对比于单一的树形结构模型和BP神经网络模型,多分类任务中的诊断率分别高出了15%和20%。系统应用发现,该系统能够进行重载铁路电务设备运维状态预测和准确评估,实现了电务设备全生命周期管理和自动化运维。