面向三维模型多样化分类的深度集成学习

基于深度学习的三维模型分类方法大都面向特定的具体任务,在面向三维模型多样化分类任务时表现不佳,泛用性不足。为此,提出了一种通用的端到端的深度集成学习模型E2E-DEL(end-to-end deep ensemble learning),由多个初级学习器和一个集成学习器组成,可以自动学习复杂三维模型的复合特征信息;并使用层次迭代式学习策略,综合考量不同层次网络的特征学习能力,合理平衡各个初级学习器的子特征学习和集成学习器的集成特征学习效果,自适应于三维模型多样化分类任务。基于此,设计了一种面向多视图的深度集成学习网络MV-DEL(multi-view deep ensemble learning),应用于一般性、细粒度、零样本三种不同类型的三维模型分类任务中。在多个公开数据集上的实验验证了该方法具有良好的泛化性与普适性。

基于集成深度学习框架的新型冠状病毒感染治疗药物活性预测

目的 建立预测新型冠状病毒感染治疗药物活性的集成深度学习框架。方法 采用卷积神经网络(CNN)和递归神经网络(RNN)从简化分子线性输入规范(SMILES)字符串序列信息中筛选出代表性的特征标识,以深度神经网络(DNN)从离散特征信息中提取更高级别的抽象特征,均以网格筛选法生成1个主框架模型和7个离散特征模型的最优结构,构成8种架构的127种可能组合。通过准确率(ACC)、F、召回率(Recall)、精确度(PRE)和马修斯相关系数(MCC)5个标准指标评估模型的预测性能。建立和维护最终框架。结果 最终建立了1个以BiLSTM为集成深度学习框架的核心架构和4个不同的离散特征模型组成的集成深度学习模型,训练集ACC为72.84%,F为69.70,Recall为72.21%,PRE为68.03,MCC为0.456 9;测试集中成功预测了23种可能对新型冠状病毒感染有治疗作用的药物。结论 集成深度学习框架相较于单个模型具有更强的预测能力,该研究为新型冠状病毒感染治疗药物的筛选提供了新的选择。

基于集成深度学习的培养评估大数据分析与跟踪算法

针对传统就业情况问卷调查方法无法分析诸多变量间的复杂关系且严重依赖人工的问题,建立了一种基于集成深度学习ATE与APC的联合学习模型LCF-ATEPC。该模型集成了文本情感分析中局部上下文聚焦及BERT机制,同时通过文本方面项提取和情感极性分类两个子任务的交互,克服了常规模型中方面项提取任务精度不足的问题。数值实验结果表明,通过LCF-ATEPC算法挖掘社交媒体数据,并进行多方面话题情感分析,可有效提升分析结果的准确度,且相较传统人工评估与深度学习算法分别提升了约3.58%和1.12%,既提高了工作效率又降低了人力成本。

基于深度学习的软基管廊结构性能预测

地下综合管廊在运营期普遍受到车辆荷载的微扰动影响,追踪该环境下的结构微量异常变形,判断可能发生的异常(类似差异沉降等),对准确预测管廊的安全性意义重大.针对江苏省宿迁市高铁商务区综合管廊工程,开展了现场管廊结构监测研究,实测得到了车辆荷载、时间等扰动因素及其影响下的结构响应(结构沉降位移和结构应力)的大数据集.针对监测结果,基于鲸鱼算法和深度置信网络集成深度学习模型对大数据集进行深度挖掘和学习,预测结构运营的安全性.研究表明,采用深度学习模型可以对车辆荷载等微扰动影响下综合管廊结构的安全性能进行较准确的预测,模型的适用性较好.

基于深度集成学习的社交网络异常数据挖掘算法

针对当前社交网络异常数据挖掘算法设计过程中未提取社交网络数据特征,导致异常数据检测率低、检测运行时间长的问题,提出一种基于深度集成学习的社交网络异常数据挖掘算法。该算法首先挖掘社交网络数据,依据数据挖掘结果提取社交网络数据特征;然后利用提取到的数据特征构建深度集成学习模型,通过该模型对异常数据进行预测,以此获得社交网络异常数据,实现社交网络异常数据挖掘。实验结果表明:通过对该算法进行异常数据检测率测试和异常数据检测运行时间测试,验证了该算法的准确性高、有效性强、实际应用效果好。

多模态感知驱动下高堆石坝施工仿真参数集成深度学习模型

现有施工仿真参数建模方法主要依靠单一模态数据,且现有多模态数据采集过程存在一定的滞后性,导致仿真的实时性和准确性不足。针对上述问题,本文提出了多模态感知驱动下高堆石坝施工仿真参数集成深度学习模型。首先,在SpringBoot框架下开发了基于移动智能手机传感器的运动学和声学数据实时采集云平台,并采用低通滤波器和梅尔频谱等方法实现堆石坝施工机械多模态数据的实时采集与预处理;其次,提出了用于自动提取多模态数据特征的堆石坝施工机械精细活动状态识别深度学习模型。该模型集成了改进深度卷积长短期记忆循环神经网络(Improved DeepConvLSTM,IDeepConvLSTM)与深度卷积神经网络的优势,前者可精确感知施工机械运动方向,后者可从声音模态中感知施工机械振动状态。其中,IDeepConvLSTM在卷积层中间加入批量归一化层以提高收敛速度,并采用梯度缩放和剪裁以避免梯度爆炸的问题;进一步地,在云平台中采用大窗口移动过滤器在线处理机械活动识别结果,实现堆石坝施工仿真参数的实时建模。工程案例表明,相比于单一的运动学或声学模态的机械活动识别方法,本研究所提方法的识别精度分别提高了9.22%和23.62%。研究成果为提高堆石坝施工仿真的准确性和实时性提供了新的思路和技术手段,具有一定的应用和推广价值。

基于深度学习的藏文舆情分析研究

随着自然语言处理技术的快速发展,藏文信息处理技术也取得了较大进展。其中,藏文舆情分析作为藏族地区社会舆情分析的重要技术,受到广泛关注。但是,现有的藏文文本情感分析研究由于起步较晚,还存在很大提升空间。本文提出基于深度集成学习的藏文文本情感分析算法。并通过建立藏文情感数据集进行实验,本文算法在三类情感(正向、负向、中性)中精确率平均提升1.65%,召回率提升1.63%,F1分数提升1.96%。实验结果表明,本文采用的深度集成学习有效地提高了文本情感分类的性能。

基于集成深度学习的网络中短期流量精准预测研究

网络中短期流量特征不同,依靠单一的方法预测流量,造成预测结果均方根误差较大。因此,提出了基于集成深度学习的网络中短期流量精准预测方法。运用BDS统计量检验方法建立非线性判断机制,提取网络流量内包含的非线性特征。依据小波变换理念分解和重构复杂的网络流量,引入集成深入学习理念,在Stacking集成策略的作用下,建立包含循环神经网络和卷积神经网络的集成流量预测模型。从网络结构和修剪过程两方面入手,优化预测模型结构,并通过正交最小二乘法求解网络中短期流量预测值。仿真测试结果表明:所用方法的网络中短期流量预测均方根误差为0.12,实现了网络中短期流量精准预测。

基于多模型深度特征集成的水声目标识别方法

基于深度学习的水声目标识别算法表现出强大的数据分布拟合能力,已经成为研究重点和热点。深度模型的拟合能力与其复杂度正相关,但过于复杂的模型会显著增加计算成本。综合考虑识别性能以及计算成本,提出了基于多模型深度特征集成的水声目标识别方法。首先利用预训练好的深层模型提取深度特征,再利用特征压缩和集成方法将深度特征融合到浅层模型中,通过改变集成的深度特征维度构建多个深度特征集成模型作为子模型,最后多个子模型通过加权投票实现目标识别。实验结果表明,提出方法的平均正确识别率比对比方法提高了0.37%~5.46%,同时参数量仅为Xception的1/34。

基于深度集成及细节感知的细粒度三维模型分类

针对基于深度学习的三维模型分类方法应用于细粒度三维模型分类时效果较差的问题,提出一种端到端的细粒度三维模型分类框架,并构建基于深度集成及细节感知的细粒度三维模型分类网络.通过由深度集成学习构成的主干网络提取三维模型多视图下的整体形状特征;采用基于上下文细节感知模块的辅助网络捕捉各个视图下的局部细节特征;两者相互融合,实现端到端的弱监督细粒度三维模型分类.选用公开数据集FG3D中不同难度的子数据集Airplane,Chair和Car进行实验,获得了当前最好的细分类精度,分别达到了96.31%,85.44%和79.62%的分类准确率,表明该网络具有良好的细分类性能和普适性.

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks,DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。

基于多局部显著视图与CNN的三维模型分类

为提高基于视图的三维模型分类算法准确度,结合多局部显著视图与卷积神经网络(CNN)提出一种新的三维模型分类算法。提取三维模型多视角下的局部视图,引入显著性评价,建立多局部显著视图集合,以合理表征原始三维模型,兼顾数据表示的完整性和多样性。在此基础上,综合单视图CNN,利用bagging策略构建面向三维模型分类任务的集成深度学习模型,从而提高分类器的泛化性和准确率。在ModelNet10数据集上的实验结果表明,该算法可有效提高分类准确率。