基于深度记忆网络的在线评论细粒度情感分类

细粒度情感分类是指针对目标观点来确定句子的情感倾向。由于一句评论可以包含多个情感目标对,考虑到情感目标在不同的语境下可能有不同的表示方法,因此通过引入Attention机制,提出一种基于深度记忆网络的在线评论细粒度情感分类方法。Attention机制通过对每个上下文单词的语义关联进行建模来捕获每个上下文单词对情感目标的重要性,并在此基础上,提出一种用于目标表示的方法,可以更好地捕获情感目标的语义信息。最后使用AI challenge 2018的数据集对该模型进行了实验,实验结果显示,与传统方法相比,基于深度记忆网络的在线评论细粒度情感分类方法显著提高了分类效果。

基于深度记忆网络的特定目标情感分类

只基于注意力机制的深度记忆网络不能有效处理目标上下文情感依赖于具体目标的情况,为了解决该问题,提出了一个对目标敏感的深度记忆网络模型。该模型利用注意力机制来获取决定目标上下文情感的信息,然后通过交互模块将上下文情感表示和上下文与目标之间的交互信息融合成分类特征,最后分类得到目标的情感极性。在SemEval 2014 task4的两个数据集上进行实验,实现了比只基于注意力机制的DMN模型明显更好的F1值。实验结果表明,在解决上下文情感依赖于具体目标的问题时,考虑上下文与目标之间的交互信息是有效的。

联合卷积神经网络与长短期记忆深度网络的桥梁损伤识别

为准确评估桥梁结构状态,提升损伤识别效率,提出基于联合卷积神经网络(CNN)与长短期记忆(LSTM)深度网络的桥梁损伤识别方法,并用振动台试验数据进行验证。结合CNN空间特征和LSTM时间特征提取能力,构建桥梁结构损伤识别架构;提取5类时频域损伤特征,经对比分析后,采用结合平均频率和平均能量的组合特征进行损伤识别;基于振动台试验数据及其有限元模型数据识别了斜拉桥模型的损伤,并将识别结果分别与CNN、LSTM的识别结果对比。结果表明:采用联合CNN与LSTM深度网络建立的损伤识别方法可有效识别出桥梁的损伤位置和损伤程度,且偏差小,识别结果优于CNN、LSTM;未布置传感器的位置损伤识别精度较低;轻微损伤识别准确率相对较低。

基于深度长短记忆网络的网络数据流异常检测研究

为了获得更为精准的网络数据流异常检测结果,提升检测效率,减小多因素影响造成的检测误差偏大问题,引入深度长短记忆网络对数据流异常检测参量进行结构优化,优化可分为网络数据流异常特征属性检测量定义、异常数据属性特征提取、深度长短记忆网络下的异常数据特征预处理、建立数据异常检测模型四个部分。通过从异常特征属性定义入手,全方位量化、构建全新深度长短记忆网络下的数据流异常检测模型,以此获得更为精准的检测结果。通过数据对比证实,基于深度长短记忆网络的网络数据流异常检测方法针对一般情况下的异常数据检测灵敏度较高,检测误差低,检测结果可信度和准确率高,检测耗时短,实际应用效果好。

基于上下文方面记忆网络的方面级情感分析

基于深度记忆网络在方面级情感分析中的优势及针对相关工作中忽略上下文词与方面之间位置信息的不足,提出一种基于上下文方面记忆网络的方面级情感分析方法。不同记忆网络层关注上下文记忆不同部分,获取丰富方面感知上下文信息。为充分利用方面间信息,设计方面记忆网络更新模块,为所需方面生成邻近方面的语义和关系信息,在多计算层中的多头注意力机制输入采用两种策略计算上下文和方面词的相关性。在3个基准数据集上的实验结果表明,所提模型在性能评价指标的准确率和Macro-F1-score上与相关工作比较有一定提升。

基于改进K均值聚类的语音情感识别深度学习方法

针对当前语音情感识别(Speech Emotion Recognition, SER)方法中准确性低和时间复杂度高的问题,提出一种基于改进K均值聚类的语音情感识别深度学习方法。采用改进的K-均值聚类算法从整个音频信号中选取反映情感特征的关键片段;使用短时傅里叶变换将所选序列转化为一个谱图;利用深度残差模型ResNet和深度双向长短时记忆Bi-LSTM网络从空间和时间上学习表征谱图中与情感相关的隐藏特征,基于Softmax分类器获得最终的情感分类。实验结果表明,所提方法比其他识别方法具有明显的优势,在改善情感识别率的同时,降低了模型的处理时间。

基于LSTM深度神经网络的飞行机动识别方法研究

飞行机动是空中博弈任务OODA环成型的重要组成部分,涉及态势观察、战术决策、飞行员控制执行等多项关键技术。面向近距飞行任务中的机动识别问题,开发了一种基于长短期记忆深度神经网络的机动识别方法。该方法能够有效降低机动识别对领域知识的依赖性,实现了对近距飞行任务中5类机动的自动识别。基于高逼真飞行模拟仿真环境采集的飞行数据对机动识别方法性能进行测试,结果表明,提出的机动识别方法在5类近距飞行机动平均识别准确率为95%,平均识别准确率超过基于随机森林与支持向量机的基线机动识别方法,证明了提出的方法在解决近距飞行任务机动识别任务的有效性与先进性。

使用深度长短期记忆网络的心冲击伪迹抑制方法

心冲击(BCG)伪迹抑制是同步脑电-功能磁共振成像(EEG-fMRI)时脑电伪迹抑制中最具有挑战性的任务。为此,提出一种使用深度长短期记忆(Deep-LSTM)网络的BCG伪迹抑制方法。首先使用Deep-LSTM网络拟合BCG伪迹与心电(ECG)信号之间的非线性变换,然后将ECG信号经由所拟合的非线性变换得到同步EEG-fMRI时EEG电极采集得到的混合信号中的BCG伪迹的最优估计,再从混合信号中减去BCG伪迹的最优估计,得到较高质量的EEG信号。采用实际数据进行BCG伪迹抑制实验,实验结果表明所提出的BCG伪迹抑制方法能有效抑制BCG伪迹,且在主观视觉评价、峰峰值比值和改进的归一化功率谱比值上均优于传统的BCG伪迹抑制方法。

基于深度长短记忆模型的民航安保事件分析

为辅助公安民警分析民航安保事件,采用深度长短记忆(LSTM)模型,研究民航安保事件行为主体识别问题。通过搭建民航安保事件数据库,对民航安保事件概念信息进行多模态信息表示,提取安保事件时序特征,构建深度LSTM模型,进而实现安保事件行为主体的学习与预测。结果表明:该模型可基于事件时序特征分析事件行为主体,预测精度更优,且在有噪声情况下也可得出良好结果,相关研究成果已在SZX机场成功应用。

基于卷积长短时记忆深度神经网络的带内全双工非线性数字自干扰消除

带内全双工(IBFD)技术能够有效提高无线通信系统的频谱效率,近年来引起了广泛关注。然而,同时发送和接收引起的线性和非线性自干扰给IBFD带来了巨大挑战。传统的非线性自干扰消除主要是基于多项式模型和深度神经网络(DNN)来实现。多项式模型方法存在模型失配导致自干扰效果恶化的风险,而DNN方法无法针对高维数据特有的空频相关性、时间相关性等特点进行处理。该文基于卷积长短时记忆深度神经网络(CLDNN),通过在输入层中引入3维张量以及在卷积层设置复数卷积层结构,分别设计了两种重建自干扰信号的网络结构——2维CLDNN(2D-CLDNN)和复值CLDNN(CV-CLDNN),充分利用卷积神经网络局部感知和权值共享的优势,在高维特征中学习到更抽象的低维特征,从而提高自干扰消除的效果。实际场景中获得数据的评估结果显示,当功率放大器记忆长度M和自干扰信道多径长度L满足M+L=13时,通过总共60次训练轮数,该文提出的结构比传统DNN方法在非线性自干扰消除方面可以实现至少26%的改进,训练轮数也有明显减少。

美国扩张性货币政策对中国通胀的影响——基于深度长短期记忆神经网络的分析

本文对以量化宽松为代表(Quantitative Easing,QE)的美国扩张性货币政策对中国通胀水平的影响进行了研究。在分析影响我国通胀水平因素的基础上,采用深度长短期记忆神经网络模型(Deep LSTM)对QE影响我国通胀的传导渠道进行建模,并利用1992年1月到2015年6月的数据对深度LSTM的模型参数进行估计。基于深度LSTM的建模结果分析表明美国量化宽松政策通过大宗商品价格和外汇储备变动两方面造成我国通货膨胀水平的提高,其中量化宽松导致的外汇储备变化对我国通胀水平影响较大。此外对深度LSTM网络和VAR两类模型进行了对比分析,分析表明深度LSTM网络在建模精度方面要高于VAR模型。

深度卷积记忆网络时空数据模型

时空数据是包含时间和空间属性的数据类型.研究时空数据需要设计时空数据模型,用以处理数据与时间和空间的关系,得到信息对象由于时间和空间改变而产生的行为状态变化的趋势.交通信息数据是一类典型的时空数据.由于交通网络的复杂性和多变性,以及与时间和空间的强耦合性,使得传统的系统仿真和数据分析方法不能有效地得到数据之间的关系.本文通过对交通数据中临近空间属性信息的处理,解决了由于传统时空数据模型只关注时间属性导致模型对短时间间隔数据预测能力不足的问题,进而提高模型预测未来信息的能力.本文提出一个全新的时空数据模型—深度卷积记忆网络.深度卷积记忆网络是一个包含卷积神经网络和长短时间记忆网络的多元网络结构,可以提取数据的时间和空间属性信息,通过加入周期和镜像特征提取模块对网络进行修正.通过对两类典型时空数据集的验证,表明深度卷积记忆网络在预测短时间间隔的数据信息时,相较于传统的时空数据模型,不仅预测误差有了很大程度的降低,而且模型的训练速度也得到提升.

深度记忆

秦柯又做了那样的梦。在梦中，他光着脚丫，在水中玩耍。他能感觉到清冽的河水拥抱着他的脚丫轻轻地涤荡。几条小鱼在水中自由自在地游来游去，偶尔啄一啄他的脚掌或脚背，带来酥痒的感觉。

基于深度长短期记忆网络的地铁进站客流预测

提出利用多源数据(地铁刷卡数据、气候数据和节假日数据)进行数据特征构造,并采用深度长短期记忆网络(DLSTM)方法预测地铁进站客流量。以深圳北站地铁站为研究对象,选取该站3个月的地铁IC卡数据记录,前两个月的数据为训练集,后一个月的数据为测试集。介绍了数据预处理方法和DLSTM模型构建原理。试验结果表明:DLSTM模型的预测准确度随着DLSTM模型的深度增加而增高;与其它模型相比,DLSTM模型的预测精度更高。

基于深度长短期记忆神经网络的短期负荷预测

传统的短期电力负荷预测模型难以处理大数据量,并且具有强随机性,预测精度难以满足智能电网发展的要求。为此,提出一种基于深度长短期记忆(deep long short-term memory,DLSTM)神经网络的数据驱动型短期负荷预测方法。使用该方法对某地区电力负荷进行预测,并将预测结果与传统方法的预测结果进行对比分析。对比结果表明,所提出的方法充分考虑了电力负荷的时序性和非线性,能深入挖掘电力用户侧数据特征,对电力负荷的短期预测性能优于传统方法,满足智能电网对短期电力负荷预测的高精度要求。

词汇教学策略对初中生词汇记忆广度和深度的影响

在本文中,笔者依据Craik等人的记忆加工水平模型,利用物理加工、语音加工和语义加工三种英语词汇教学策略,开展词汇教学研究实验,并对实验数据进行了分析,旨在为英语词汇教学提供参考。

一种基于机器视觉和深度残差收缩网络的智能制造缺陷检测方法

针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,提出了一种基于机器视觉和深度残差收缩网络(deep residual shrinkage networks,D-RSN)的智能制造缺陷检测方法,并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)相机集群搭建快速机器视觉图像获取装置,形成融合前置训练集和后置测试集的图像特征数据池;然后利用D-RSN对数据池前置训练集进行图像缺陷特征隐性知识学习辨识,构建时间正序下的图像缺陷特征全息感知机制;最后利用深度长短期记忆(deep long short-term memory,D-LSTM)神经网络对数据池后置测试集进行图像缺陷自主检测,借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体,对模型进行了工程应用实践验证,结果表明:所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,可以自主学习辨识图像缺陷特征隐性知识,大幅度提高了智能制造缺陷检测有效率,图像缺陷检测均值有效率达98.37%,符合医用外科口罩智能制造生产线国检要求。

两种词汇教学模式对初中生英语词汇记忆广度和深度的影响

本文根据Craik等人的记忆加工水平模型,对比以语义加工为主的语境教学模式和以语音加工为主的词汇表教学模式的教学效果,着重考察两种方式对词汇广度和深度的影响,旨在为英语词汇教学提供参考。

代码缺陷检测中被测模块开销预测方法

随着代码规模越来越大、代码文件越来越复杂,代码缺陷检测工具需要采用并行的方法进行调度。为了更好地使用并行的方法进行调度,提高缺陷检测效率和硬件资源利用率,提出一种代码缺陷检测中被测模块开销预测方法。该方法根据DTS(Defect Testing System)缺陷检测流程的特点提取出时间开销特征和空间开销特征,通过深度记忆网络提取出语义特征,将时间开销特征与语义特征进行融合得到融合特征,使用回归模型对融合特征进行时间开销的预测,对空间开销特征进行空间开销的预测。在8个开源C工程上的实验结果表明,该方法在开销预测方面有着较好的表现。

基于深度学习的学生教学评价情感分析

随着教育信息化建设的深入推进,教学系统中积累了海量的学生教学评价数据,这些数据蕴含了丰富的信息,亟待挖掘利用。为了挖掘学生教学评价中的情感倾向,为提高教学质量提供科学依据,文章提出了一种基于双通道深度记忆网络的深度学习模型,用于学生教学评价的方面级情感分析。在该模型中,设计了双通道策略以充分提取评语中隐含的局部特征和上下文依赖信息,并使用循环注意力机制提取与特定教学方面相关的情感信息以实现细粒度的方面级情感分析。通过在真实的教学评价数据集上进行实验,结果表明,所提出的方法能有效挖掘学生评价中关于不同教学方面的情感倾向,为教师和教学管理者了解并改进教学提供依据。