不同概念范畴和特征类别对儿童归纳推理多样性效应的影响

为探讨概念范畴和特征类别对归纳推理多样性效应的影响,采用2(概念范畴:生物类别与非生物类别)×2(特征类别:不可见的隐蔽特征和可见的外显特征)的实验设计,设计了四组任务来考察5～6岁、8～9岁儿童归纳推理多样性效应的表现水平。结果显示:在非生物类别范畴材料上,5～6岁儿童在两种特征类别上均未表现出多样性效应,8～9岁儿童在隐蔽特征类别上表现出多样性效应;在生物类别材料上,5～6岁、8～9岁儿童在外显特征和隐蔽特征上均未表现出多样性效应。概念范畴和特征类别对8～9岁儿童的归纳判断力有显著影响:在概念范畴上,儿童在非生物范畴材料上的表现显著高于生物范畴;在特征类别上,儿童在隐蔽特征上的表现高于外显特征。

融合概率类别特征增强的短文本分类

对短文本所含信息量缺乏而导致分类准确度难以提升的问题进行研究,提出一种融合概率类别特征增强的短文本分类网络模型FT_BDCNN。将N-gram处理后产生的N元词典通过TF-IDF分离出具有概率类别区分度的特征信息(FT模块);将向量化表示后的文本信息输入到改进后的特征提取模块中;将两个模块的输出进行特征融合,完成文本分类。实验结果表明,所提模型在THUCNews数据集上的F1值达到91.91%。FT模块可以与现有分类模型进行融合,提升模型的分类性能。

ICU护士隐性缺勤类别特征的潜在剖面分析

目的探讨ICU护士隐性缺勤的潜在类别特征,并分析其影响因素。方法采用便利抽样的方法,2023年5月选取浙江省4所三级甲等综合医院420名ICU护士作为研究对象,采用一般资料调查表、隐性缺勤量表和职业倦怠量表进行调查。运用R语言进行潜在剖面分析,并采用单因素分析、Logistic回归分析ICU护士隐性缺勤类别特征的影响因素。结果391名ICU护士完成调查,其隐性缺勤得分为(16.10±4.64)分,处于中等水平,分为4个潜在类别:分别命名为低工作受限-低工作精力型(n=51,13.04%)、高工作受限-中等工作精力型(n=96,24.55%)、低工作受限-高工作精力型(n=19,4.86%)、中等工作受限-中等工作精力型(n=225,57.55%),其影响因素包括平均月薪、职业倦怠中的情感衰竭与个人成就感维度(均P<0.05)。结论ICU护士隐性缺勤具有明显的分类特征。护理管理者可根据其影响因素对不同类别特征护士进行干预,以降低护士隐性缺勤水平,进而提高护理服务质量。

基于多类别特征点匹配的紧耦合激光惯性里程计

针对现有的激光SLAM在室外动态场景建图时,LiDAR数据存在运动畸变、地面采样数据稀疏造成激光里程计精度低的问题,提出了一种基于多类别特征点匹配的IMU紧耦合里程计方法。首先,从原始点云数据入手,通过IMU数据对每一帧LiDAR数据进行线性插值校正畸变点云,以提高LiDAR数据的质量;其次,对畸变校正后的点云进行2D网格投影,根据每个网格与其相邻网格的最小高度平均值大小,利用双阈值将网格中点云划分为地面点和非地面点,再根据局部特征的线性度、平面度、曲率等,将非地面点进一步划分得到多类别特征点;再次,对多类别特征点匹配的IMU紧耦合进行建模,考虑到原本的LiDAR观测误差无法提供高精度的重力矢量估计,引入IMU状态估计,构建里程计误差函数,使得重力矢量估计得到进一步约束,抑制了重力矢量方向上的漂移,有效提升了激光里程计的精度;最后,基于LeGO-LOAM框架设计了基于多类别特征点匹配的IMU紧耦合激光里程计,并完成了验证系统的搭建。实验结果表明,该方法能有效抑制重力矢量方向上的漂移,提高激光里程计的精度。

类别特征约束的多目标域表情识别方法

表情识别FER方法通常会受到采集环境和受试者区域、种族等因素的影响。为了提升FER方法的泛化性能,无监督的域自适应表情识别方法UDA-FER成为了研究热点。现有的UDA-FER方法普遍存在2个问题:(1)仅关注对目标域的识别率,导致方法从源域迁移至目标域后,对源域的识别率急剧下降;(2)仅研究基于单个目标域的UDA-FER方法,将现有方法直接应用于多个目标域会导致方法识别率骤降。为解决上述问题,提出了一种类别特征约束的多目标域表情识别方法MTD-FER,实现FER向多个目标域的连续迁移。为了保持对源域的识别率并提高对多个目标域的识别率,MTD-FER设计了类别自适应的伪标签标记CAPL模块和类别特征约束CWFC模块,挑选目标域高质量的样本标记为伪标签,并对齐各个域同类样本的特征,缓解连续迁移导致的灾难性遗忘问题。以RAF-DB为源域,FER-2013和ExpW为目标域,进行大量的实验,证明了MTD-FER的有效性。实验结果表明,与基准方法相比,MTD-FER在多次迁移后,源域识别率提升6.36%,与迁移之前基本持平;在各个目标域性能均有所提升,其中FER-2013性能提升了27.33%,ExpW性能提升了3.03%。

基于类别特征域的文本分类特征选择方法

特征选择是文本分类的关键问题之一,而噪音与数据稀疏则是特征选择过程中遇到的主要障碍。本文介绍了一种基于类别特征域的特征选择方法。该方法首先利用“组合特征抽取”[1]的方法去除原始特征空间中的噪音,从中抽取出候选特征。这里,“组合特征抽取”是指先利用文档频率(DF)的方法去掉一部分低频词,再用互信息的方法选择出候选特征。接下来,本方法为分类体系中的每个类别构建一个类别特征域,对出现在类别特征域中的候选特征进行特征的合并和强化,从而解决数据稀疏的问题。实验表明,这种新的方法较之各种传统方法在特征选择的效果上有着明显改善,并能显著提高文本分类系统的性能。

基于类别特征改进的KNN短文本分类算法

KNN短文本分类算法通过扩充短文本内容提高短文本分类准确率,却导致短文本分类效率降低。鉴于此,通过卡方统计方法提取训练空间中各类别的类别特征,根据训练空间中各类别样本与该类别特征的相似情况,对已有的训练空间进行拆分细化,将训练空间中的每个类别细化为多个包含部分样本的训练子集;然后针对测试文本,从细化后的训练空间中提取与测试文本相似度较高的类别特征所对应的训练子集的样本来重构该测试文本的训练集合,减少KNN短文本分类算法比较文本对数,从而提高KNN短文本分类算法的效率。实验表明,与基于知网语义的KNN短文本分类算法相比,本算法提高KNN短文本分类算法效率近50%,分类的准确性也有一定的提升。

融合类别特征扩展与N-gram子词过滤的fastText短文本分类

以提升fastText短文本分类模型性能为目标,从获取高质量的类别特征、降低N-gram子词中低类别区分贡献度子词对模型学习高类别区分贡献度语义特征时产生的干扰角度展开研究,提出基于TF-IDF的LDA类别特征提取方法以提升类别特征质量,提出基于词汇信息熵的N-gram子词过滤方法过滤N-gram子词中低类别区分贡献度子词,并构建更专注于高类别区分贡献度语义特征学习的EF-fastText短文本分类模型.实验结果表明基于TF-IDF的LDA类别特征提取方法,以及基于词汇信息熵的N-gram子词过滤方法对于EF-fastText短文本分类模型性能提升是有效性的.

类别标签与典型性程度对类别特征推理的影响

本研究采用学习-测试二阶段实验范式,探讨了类别标签及典型性程度对类别特征推理任务的共同影响,结果表明,类别标签及典型性程度都会影响类别特征推理任务,而且,类别标签及典型性程度之间存在交互作用,典型性程度为高条件下类别标签对类别特征推理任务的影响要高于典型性程度为低条件,类别标签匹配条件下典型性程度对类别特征推理任务的影响要高于类别标签不匹配条件。

基于强类别特征近邻传播的半监督文本聚类

为处理高维稀疏的大规模文档数据,提出一种基于强类别特征近邻传播(SCFAP)的半监督文本聚类算法.聚类过程中,利用少量带类别标签的监督数据,提取具有强类别区分能力的特征项以构建更有效的样本间相似性测度.并在每轮迭代完成后将类别确定性程度最高的未标记样本转移到已标注集,使算法执行效率提高.实验结果表明,这种改进对于近邻传播算法的性能和准确度的提升有较大帮助,在Reuter-21578和20Newsgroups两个相异数据集上,SCFAP算法表现较好的适用性.综合考察聚类微平均Fμ指标和类簇纯度Pt指标,该算法在少量监督信息辅助下能快速获得较好的聚类结果.

中国四大经济区区域产业竞争力的类别特征研究

了解各地区区域产业竞争力的类别特征,有助于细化分类指导、制定更有针对性的区域产业竞争力战略。采用所构建的区域产业竞争力指标体系和相关统计数据,对中国四大经济区(包括长三角、珠三角、京津冀、成渝经济区)范围内各行政地区区域产业竞争力进行聚类分析,将各地区划分为三大类型,对区域产业竞争力水平、人均GDP特征、优势产业特征、影响因素相关性等分析总结出相应的类别特征。依据类别特征,最后提出与不同类型地区相适宜的区域产业竞争力提升建议。

一种基于类别特征矩阵的决策树算法

提出了一种基于类别特征矩阵的决策树算法。该算法以决策表的核属性为起点,充分考虑了可辨识矩阵的特性和单个属性的重要性,利用类别特征矩阵对决策表实现最简化决策表的确定和决策规则的挖掘,最后实现最简规则的决策树生成。通过应用实例比较分析,证明该算法能生成最小化决策树,并且决策树生成规则切合实际。

基于多类别特征融合的水声目标噪声识别分类技术

目标噪声信号作为当前水声目标识别的主要信号源之一,由于目标信号来源单一,难以像多传感器探测不同角度表征目标特性,导致目标识别分类正确率低、虚警率高,严重制约水声探测系统功能的发挥。针对这一问题,采用长短时记忆网络,建立多层LSTM水声目标噪声特征提取模型,学习提取目标噪声时域包络、DEMON线谱、梅尔倒谱系数等信息特征,构建多类别特征子集;在此基础之上,建立了基于多类别特征子集的特征级融合识别分类模型和基于D-S证据理论的决策级融合识别分类模型;利用样本库数据对上述模型进行了测试,对比多类别特征融合判别与单一类别特征识别分类的差异,并使用港池相关试验数据对上述模型进行了测试验证。测试结果表明,提出的基于多类别特征融合的水声目标噪声智能识别分类方法判别效果更好,对水声目标噪声信号识别分类的正确率和虚警率等相关指标均优于单一类别特征判别方法。

结合同义向量聚合和特征多类别的KNN分类算法

特征选择是文本分类的关键阶段,其选择过程将影响文本分类速度与精度。χ2统计量能很好地体现词和类别之间的关系,是文本分类领域特征提取阶段的重要方法之一。分析了χ2统计量在文本分类中的应用,发现CHI向量所表达的与各类别关系的特征词无法全面表达出此类的概念含义,依赖于训练集中出现的特征情况,且该向量仅用于特征选择阶段;针对χ2统计量特征词的表达局限及其向量没有得到充分利用的问题,提出结合同义向量聚合和特征多类别的改进KNN分类算法,该方法能够综合考虑特征所表达的含义,且通过特征集多类别矩阵使CHI向量也能在分类阶段起到提高整个算法效率的作用。实验结果与分析表明,该改进算法明显提高了文本分类效率,并且提高了分类的精度。

中国农村留守儿童群体的类别特征研究——基于希望感视角及湖南省2013份问卷数据

基于儿童希望感量表对湖南省10个县30所学校2 013名农村留守儿童的实测数据的研究表明:中国农村留守儿童就其希望感而言,明显存在"高希望组"、"高希望-畏难组"、"中等希望组"、"低希望组"4个层级类型。在4个类型组别中,性别效应不显著,但年级效应有着显著差异,中间年龄段留守儿童的希望水平偏低。

因果关系对类别特征推理及典型性判断的影响

本研究采用学习-测试二阶段实验范式探讨了因果关系对类别特征推理任务及典型性判断任务的影响。被试被随机分配到因果关系组及控制组,因果关系组被试学习的类别的各典型特征间具有因果关系,而控制组被试学习的类别的各典型特征间无因果关系。研究结果表明,因果关系确实会影响类别特征推理任务及典型性判断任务。因果关系之所以会影响这两类任务,根本原因在于因果关系的存在导致处于类别因果关系结构中不同位置的特征维度具有的地位不同。

无车承运人类别及特征研究——基于主成分-聚类分析

为了有效区分国内无车承运人的类别及特征,通过细分类别分析无车承运人的现状及推动政策。采用主成分分析提取无车承运人的核心分类指标并构建了分类标准,依据所得的标准提出了3种类型无车承运人:第三方物流+互联网、信息平台+物流、互联网+运力资源,不同类型的无车承运人在运作模式、资产控制、信息平台建设等方面具有明显的差异,最后以中国15家上市无车承运人企业为数据样本,比较分析K-均值和系统聚类的输出结果,验证了提出的分类结果的有效性和科学性。

幻觉特异类别特征的量化分析

Objective: To study the specific characteristics of hallucination. Methods: Eighty-three psychiatric patients were assessed with Hallucination Assessment Scale (HAS). Correlation analysis was conducted on all of the 5 major characteristics of hallucination.Results: Significant positive correlations were found among the 5 major characteristics of hallucination. The characteristic of "Effectiveness" was shown to bear the highest correlations with the other characteristics. Conclusion: Effectiveness appears to be the most distinctive characteristic of hallucination.

基于类别特征的期刊数字化传播效果优化研究——以江苏省为例

本文对江苏省期刊现有的数字化呈现形式进行调查和统计,分析了当前期刊数字化发展状况。不同类型的期刊在数字化功能需求上不同,对于数字化平台选择的着力点也应有区别。充分了解不同数字化平台的特点,根据自身情况量身选择;加强动态运营思维,注重维护;综合应用各种优势功能,立体化运营,将大力增强期刊数字化的传播效果。

因果关系及典型性程度对类别特征推理的影响

采用学习―测试二阶段实验范式,探讨了因果关系及典型性程度对类别特征推理的影响。研究结果表明:(1)因果关系影响类别特征推理任务;(2)典型性程度影响类别特征推理任务;(3)类别特征间存在因果关系的前提下,原因特征维度值与典型性程度间存在交互作用。典型性程度对不含原因特征的项目的特征推理影响是有限的。