JCapsR:一种联合胶囊神经网络的藏语知识图谱表示学习模型

知识图谱表示学习是自然语言处理的一项关键技术,现有的知识图谱表示研究主要集中在英语、汉语等语言,而低资源语言的知识图谱表示学习研究还处于探索阶段,如藏语。该文基于前期构建的藏语知识图谱,提出了一种联合胶囊神经网络(JCapsR)的藏语知识图谱表示学习模型。首先,我们使用TransR模型生成藏语知识图谱的结构化信息表示。其次,采用融合多头注意力和关系注意力的Transfomer模型表示藏语实体的文本描述信息。最后,采用JCapsR进一步提取三元组在知识图谱语义空间中的关系,将实体文本描述信息和结构化信息融合,得到藏语知识图谱的表示,相比基线系统,联合胶囊神经网络JCapsR模型提高了在藏语知识图谱上实体链接预测的性能,相关研究为其他低资源语言知识图谱表示学习的拓展优化提供了参考借鉴意义。

基于胶囊神经网络的电力变压器故障诊断方法研究

电力变压器作为电力系统运行的枢纽设备,其运行状况直接关系到整个系统的运行安全。长期以来,油中溶解气体分析(dissolved gas analysis,DGA)技术由于不易受变压器内部复杂电磁场及外部噪声影响,成为变压器故障诊断的一种有效手段。为了解决现有基于DGA的故障诊断方法的局限性并进一步提升故障诊断的准确率,文中提出了一种基于胶囊神经网络(capsule network,CapsNet)的油浸式电力变压器故障诊断方法。通过结合CapsNet在处理向量数据方面的优势和变压器油中溶解气体的特征,所提方法能够准确地模拟油中溶解气体与故障类型之间复杂的非线性关系,通过动态路由技术和反向传播算法对模型的训练实现关键特征的自动提取。基于电网真实DGA数据的测试结果表明所提方法在故障诊断准确率、宏平均和召回率几何平均3个性能指标上得分数分别为90.48%、82.46%、87.93%,均优于支持向量机(support vector machine,SVM)和深度信念网络(deep belief network,DBN),证明了其在实际变压器故障诊断应用中的优势。

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。

基于多尺度卷积神经网络的绩效数据特征提取方法

针对传统医疗机构绩效评估算法存在的主观性强、数据特征提取能力差的缺点,文中基于多尺度卷积神经网络提出一种绩效数据特征提取模型。该模型对传统卷积神经网络进行改进,使用空间化可提升效率的方法构建了胶囊网络,并使用多种尺寸不同的卷积核对数据进行训练,从而保证了特征提取的全面性。在数据训练过程中,使用熵权法对各参数指标进行权重确定,并用麻雀搜索算法进行模型参数优化。在实验测试中,参数优化后的模型预测准确率更高,在所有对比算法中,所提算法的MAE、MAPE、RMSE等误差指标最低,迭代次数也仅为7次,表明模型具有最优性能的同时训练速度也较快。

融合胶囊网络的双通道神经网络文本分类模型

大多数文本分析方法未能提取足够的上下文文本信息与关键特征信息,该文提出BC-CapsNet模型来提取更多特征以进一步提高文本分类准确度。首先使用BERT预训练模型对文本进行词嵌入,然后使用双通道模型与胶囊网络(Capsule Network)进行特征提取,一个通道使用双向门限循环单元(BiGRU)提取上下文文本信息,另一个通道使用卷积神经网络(CNN)捕捉文本的关键特征;最后将两通道提取的特征进行融合并送入到胶囊网络中,胶囊网络使用矢量信息进行特征表示,其与传统网络的标量特征信息相比更具表现力。同时在胶囊网络中,动态路由算法可以提取更多隐藏的特征信息,从而提高文本分类效果。在THUCNews与Ag_News文本数据集上进行的大量实验表明,该模型能够有效地提高文本分类的准确率。

基于改进胶囊神经网络的乐音主频识别研究

为了提高乐音主频识别性能,采用胶囊神经网络用于主频识别,并对胶囊神经网络特征相似计算方法进行改进优化,以增强胶囊神经网络的主频识别适应度。对乐音音符的端点检测与有效分割后采用线性预测倒谱参数法获得乐音主频特征向量。建立基于胶囊神经网络的乐音主频识别模型,并采用动态路由获得稳定的胶囊神经网络结构核心参数。采用余弦相似度对传统的内积计算进行有效改进,优化特征差异判断策略。采用改进的胶囊神经网络算法用于乐音主频识别。试验结果证明,合理设置胶囊神经网络的耦合系数、平衡系数和类别阈值单音集和曲谱连续集均能获得较高的乐音主频识别性能。相比于常用乐音识别算法,该文所提算法能够获得更高的识别准确率和稳定性。

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加,复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题,本文针对未知无线电信号的特征提取任务,设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取,再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合,提高对目标信号的分类精度。通过RML2016.04C调制信号数据集,验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时,混合网络模型对多种不同调制信号的分类精度大于95%。因此,本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。

概率神经网络与差异演化在胶囊内窥图像出血识别中的应用

为了解决在大量的胶囊内窥图像中寻找出血或相关病理特征这一难题,提出了一种智能自动识别胶囊内窥图像出血的方法。首先分析了胶囊内窥图像出血的颜色特征分布,然后利用差异演化算法(DE)对概率神经网络(PNN)进行了改进,使每个神经元传递函数具有不同的平滑参数。在此基础上提出了一种胶囊内窥图像出血智能识别的方法,并通过软件编程实现了该方法。实验结果表明,该软件能正确地识别出内窥图像中的出血区域并清晰地标示,用该方法测得的出血检测灵敏度和特异度分别为94%和87%,节省了图像识别时间,基本实现了胶囊内窥图像出血智能识别,可代替临床医生应用于胶囊内窥图像的初步检测。

基于CapsNet神经网络的树叶图像分类模型

对树木研究的基础是对其进行分类处理.本文结合CapsNet神经网络模型,以提高树叶分类的准确率为目的,使用实验室拍摄的10种树叶图片建立树叶分类模型.考虑到模型效率和图像大小,在原有CapsNet上与传统卷积神经网络相结合,通过优化动态路由算法对CapsNet进行改进,得到了E-CapsNet网络模型,同时与经典的神经网络模型AlexNet和Inception V3模型进行对比.经过50次epoch的训练,模型训练准确率最高达到99.15%,验证集的准确率为98.51%,测试集准确率为98.63%,对比原CapsNet网络,测试集准确率提高了2.51%.实验结果表明,改进后的E-CapsNet模型实现了更高的精度.

人工神经网络紫外光谱方法测定牙周康胶囊的含量

应用人工神经网络误差反向传播的方法对紫外吸收光谱重叠的牙周康胶囊进行组分不经分离的含量测定,网络隐蔽层的节点数为5,输入节点数为10时,甲硝唑和芬布芬的平均回收率分别为99.7%和99.9%,RSD分别为0.42%和0.45%。测定方法结果准确,操作简单、方便。对紫外吸收光谱重叠的药物来说,该法提供了一种含量测定的新途径。

基于BP神经网络的胶囊异物缺陷识别

针对胶囊异物缺陷在图像中表现的模糊性和多样性问题,利用神经网络处理非线性问题的优势,将神经网络应用到胶囊异物缺陷的识别。先将Y方向的Sobel算子应用于胶囊图像从而将图像分割成三部分,对每部分图像进行滤波降噪的预处理,然后再提取各部分的图像直方图的相对平滑度、偏斜度、平坦度、扭曲度、峰度、和熵这些特征,运用基于聚类归一化的方法对数据进行归一化,提出基于BP神经网络进行胶囊异物缺陷识别的算法。实验表明,该算法能够达到较高的识别精度。

胶囊内窥图像出血识别的BP神经网络算法

在大量的胶囊内窥图像中寻找出血区域或相关病理特征是一件非常费时费力的工作,使用计算机进行胶囊内窥图像出血区域智能检测是必然趋势。本文设计了一种BP人工神经网络应用于内窥图像出血模式的识别,并通过软件编程实现了基于BP神经网络的内窥图像出血区域智能检测的新方法。实验表明该方法能正确检测出内窥图像中的出血区域,从而将内窥图像分类为出血模式与非出血模式,达到了理想的效果。

结合胶囊网络和卷积神经网络的目标识别模型

通过改进动态路由和压缩函数的方式对Hinton等的胶囊网络模型进行改进。运用了加强数据集的方法,增加了数据集的大小,在一定程度上避免了过拟合现象的发生。通过实验表明,改进后的胶囊网络模型在结构上有了简化,在效率上比未改进的模型有了明显的提高。在改进的胶囊网络模型基础上,提出了将改进后的胶囊网络与卷积神经网络相结合的网络模型。该模型训练准确率达到97.56%,模型评估准确率达88%。

基于改进胶囊神经网络的示功图诊断模型

针对传统胶囊神经网络特征提取结构单一,模型参数量大以及动态路由算法中相似度衡量粗糙等问题,该文提出一种改进的胶囊神经网络。应用Fire Module模块,将网络中特征图通道数先进行压缩,再通过多尺度的卷积核提取特征信息,进而提升网络的特征提取能力和减少网络模型的参数。将Dropout思想引入胶囊神经网络来增加模型的多样性,并在动态路由结构中应用Tanimoto系数提高动态路由算法性能,加快模型收敛提高精度。为验证改进胶囊神经网络的有效性,将改进的胶囊神经网络与双卷积胶囊神经网络和传统卷积神经网络以及VGG网络模型进行对比。实验结果表明,改进的模型具有更高的准确率和更快的训练速度。

基于胶囊神经网络的车型精细识别研究

车辆型号精细识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景。针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,提出一种基于胶囊神经网络(capsule network,CapsNet)的车型图像识别模型CapCar。以CompCars数据集作为样本,首先通过加权平均值法进行图像的灰度化处理,减少数据集训练计算量,提高模型的训练速度。然后通过胶囊神经网络提取车型图像的全部特征和局部特征,实现车型分类识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,CapCar模型进行车辆精细识别精度可达98.89%,其识别率高于一些其他经典的网络模型。CapCar模型参数大小仅为6.3 MB。该算法具有一定的先进性。

融合卷积神经网络与双向GRU的文本情感分析胶囊模型

文本情感分析是自然语言处理领域一个重要的分支。现有深度学习方法不能更为全面地提取文本情感特征,且严重依赖于大量的语言知识和情感资源,需要将这些特有的情感信息充分利用使模型达到最佳性能。该文提出了一种融合卷积神经网络与双向GRU网络的文本情感分析胶囊模型。该模型首先使用多头注意力学习单词间的依赖关系、捕获文本中情感词,利用卷积神经网络和双向GRU提取文本不同粒度的情感特征,特征融合后输入全局平均池化层,在得到文本的实例特征表示的同时,针对每个情感类别结合注意力机制生成特征向量构建情感胶囊,最后根据胶囊属性判断文本情感类别。模型在MR、IMDB、SST-5及谭松波酒店评论数据集上进行实验,相比于其他基线模型具有更好的分类效果。

基于胶囊神经网络的交通标志识别研究

交通标志识别作为智能交通技术的研究热点,是保障自动驾驶安全的重要一环。针对传统神经网络出现的特征抓取不足,池化层信息丢失引起的识别率较低的问题,给出了基于胶囊神经网络(Capsule Network,CapsNet)进行交通标志识别的方法。以德国GTRSB交通标志数据集作为样本,首先通过加权平均值法进行图像的灰度化处理,减少数据集训练计算量,提高模型的训练速度。然后提出用胶囊神经网络提取交通标志图像的全部特征和局部特征,实现交通标志识别。算法在GTRSB基准数据集上获得98.6%的识别准确率,超过了当前交通标志识别的主流方法,算法具有一定的先进性。

基于胶囊神经网络的交通标志识别算法研究

针对交通标志采集过程中由于角度、方向、位置等不同而造成的识别误差问题,提出一种基于胶囊神经网络的交通标志识别算法。采用图像均衡化、最大稳定极值区域分割、归一化等方法预处理图像,并分割图像感兴趣区域(ROI),同时引入胶囊神经网络(CapsNet),采用卷积层提取底层特征,通过主胶囊层张量向量化,动态路由聚类和反向传播,实现模型训练,根据训练好的模型权重参数和动态路由聚类实现图像的分类。仿真结果表明:该方法在训练阶段具有较快的训练速度,在识别阶段可有效提高弱光照图片的查全率,提高交通标志的识别率。

基于BP神经网络和AHP的软胶囊滴丸产品质量软测量建模

为了解决软胶囊滴丸产品质量控制系统的建模问题,文中提出了一种基于BP神经网络和层次分析法(AHP)的二级软测量建模方法.首先详细分析了软胶囊滴丸生产过程质量控制的性能要求和影响产品生产过程质量的因素,给出软胶囊滴丸产品的二级层次结构质量指标体系和操作变量;在此基础上,利用BP神经网络进行建模,获得以工艺参数为输入,以各二级质量指标为输出的软胶囊滴丸生产过程质量子模型;然后,用AHP确定各二级指标的权重,最终建立软胶囊滴丸生产过程质量控制的二级软测量模型.仿真实验结果表明了该方法的有效性.

神经网络优化膳食营养补充剂胶囊支架3D打印工艺

为了确定熔融沉积成型3D打印技术制备个性化膳食营养补充剂胶囊支架的工艺条件,打印9通道聚乳酸(Polylactic Acid,PLA)胶囊支架结构,采用Box-Behnken设计,以支架通道的面积均方误差(Mean-Square Error,MSE)作为响应指标,通过神经网络模型模拟温度、打印头孔径和速度3个因素对胶囊支架打印效果的影响。结果表明:3×4×1结构3层神经网络模型能够较好拟合3D打印过程(R2=0.998),当孔径为0.3 mm时,随着打印温度和打印速度的增大,MSE均低于10%。打印温度过高或打印头孔径过大时,胶囊支架内部会出现拉丝现象。综合考虑打印能耗和效率,确定当打印头孔径为0.3mm,打印速度25~30mm/s,打印温度介于173~180℃之间,MSE范围为1%~2%时,胶囊支架打印精度和微观结构较好。研究结果为3D打印精细化结构及打印参数优化提供理论参考。