模糊数据流的进化粒度神经网络分类算法

模糊数据流的分类问题大多从模糊数据流中提取典型的特征来进行分类,没有考虑到概念漂移及非平衡问题。基于此,从模糊粒度神经元入手,构建了进化粒度神经网络的多层次拓扑结构。采用了模糊神经元的信息聚集规则,提出了进化粒度神经网络的模糊编码方法与快速进化原理。运用梯形隶属函数对进化粒度神经元的聚集和模糊推理功能进行递归,通过关联函数和核函数来评估奇异逼近与粒度的近似结果,并以进化迭代和半监督分类方法解决了模糊数据流中的概念漂移及非平衡问题,从而实现了对模糊数据流的有效分类,仿真结果也证明了该方法的有效性。

粒度神经网络对数字语言的数据融合

This paper presents a neural networks based knowledge discovery and data mining (KDDM) methodology based on granular computing, neural computing,fuzzy computing, linguistic computing, and pattern recognition. A granular neural network (GNN)is designed to deal with numerical-linguistic data fusion and granular knowledge discovery in numerical-linguistic databases. The GNN is able to learn internal granular relations between numerical-linguistic inputs and outputs, and predict new relation in a database.

基于粒度神经网络的大数据标签分类算法研究

传统大数据标签分类算法无法实时处理大数据标签的属性特征,导致分类精度偏低、能量开销较大。为解决以上问题,提出基于粒度神经网络的大数据标签分类算法。通过大数据存储库I/O/接口、USB接口以及磁盘层三层结构,计算大数据标签矢量长度值,明确标签属性特征。采用数据重排操作结合因子分析法,将属性标签初级分类,在粒度神经网络的基础上,利用主成分分析法提取大数据主特征,得到主成分神经元比例元集。结合标签属性特征初级分类结果,实现对大数据标签的最终分类。仿真验证了所提方法在特征匹配和分类效果方面具有明显的优势,且系统的能量开销较低。

融入自注意力机制的深度学习情感分析方法

文本情感极性分析是自然语言处理的热点领域,近年来基于中文语料的情感分析方法受到了学术界的广泛关注。目前大部分基于词向量的循环神经网络与卷积神经网络模型对于文本特征的提取和保留能力不足,为此文中引入了多层自注意力机制,提出了一种结合双向门控循环单元(BGRU)和多粒度卷积神经网络的中文情感极性分析方法。该方法首先使用BGRU获取文本的序列化特征信息,然后使用自注意力机制进行初步特征筛选,将处理后的特征信息导入含有不同卷积核的卷积神经网络;再使用自注意力机制对获得的局部特征进行动态权重的调整,注重关键特征的抽取;最后经Softmax获得文本情感极性。实验结果证明,模型在两种中文语料数据集上都体现了较好的分析处理性能,其中在ChineseNLPcorpus的online;hopping;0;ats数据集上取得了92.94%的情感分类准确性,在中科院谭松波学者整理的酒店评论数据集上取得了92.75%的情感分类准确度,相比目前的主流方法,其性能均有显著的提升。