深层次标签辅助分类任务的层次标签文本分类方法

层次标签文本分类是自然语言处理领域中一项具有挑战性的任务,每个文档需要被正确分类到对应具有层次结构的多个标签中。然而在标签集中,由于标签包含的语义信息不充分,同时被归类到深层次标签的文档数量过少,深层次标签训练不充分,导致显著的标签训练不平衡问题。基于此,提出了深层次标签辅助分类任务的层次标签文本分类方法(DLAC)。该方法提出了一种深层次标签辅助分类器,在标签语义增强的基础上有效利用文本特征与深层次标签对应的父标签结点(即浅层次标签的丰富特征)来提升深层次标签的分类性能。与11种算法在三个数据集上的对比实验结果表明,模型能够有效提升深层次标签的分类性能,并取得良好效果。

面向领域标签辅助的服务聚类方法

Web服务数量的激增对服务发现提出了更高的要求,服务聚类是促进服务发现的一种重要技术.但是,现有服务聚类方法只对单一类型的服务文档进行聚类,缺乏考虑服务的领域特性和服务标签的应用.针对这些问题,本文首先使用本体辅助的支持向量机和面向领域的服务特征降维技术建立服务的特征内容向量,然后使用一种标签辅助的主题服务聚类方法 T-LDA建立融合标签信息之后的隐含主题表示,并利用归一化方法消除通用主题的影响,综合上述方法建立一个面向领域标签辅助的Web服务聚类方法 DTWSC.实验结果表明,该框架能够提高针对不同类型的服务文档的聚类效果.与LDA、K-Means等方法相比,该方法在聚类纯度、熵和F-Measure指标上均具有更好的效果.

类别标签辅助改进稠密网络的变工况轴承故障诊断

基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障诊断过程中,基于迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移学习网络。该网络将一维稠密卷积网络及注意力机制融合实现复杂故障特征的自动提取;域适应处理通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。实验结果表明了该方法的可行性及良好的性能。

电子标签辅助拣货系统在物流配送中心的应用研究

电子标签辅助拣货是采用先进的电子技术、通讯技术、软件技术开发而成的物流辅助作业方式,通常使用在现代物流中心的货物分拣环节,具有拣货速度快、效率高、差错率低、无纸化、标准化的作业特点。这项技术使得物流工作的流程可以系统化和清晰化,有效地提高物流配送工作的效率和准确率,得到了广泛的推广与应用。电子标签辅助拣货系统的研究对物流作业过程向半自动化、自动化方向发展具有重要的推动作用。

基于深度网络ACGAN的图像识别

现阶段图像识别方法多种多样,深度网络在计算机视觉领域的应用是可靠的方法之一。面向小样本量生成对抗网络(GAN)可生成随机数据辅助训练,ACGAN在传统GAN的基础上,添加标签约束扩展了GAN,以提高辅助样本生成质量。本文结合深度网络和ACGAN,面向小样本量数据集,利用训练模型进行图像识别,同时对标签信息对结果的影响进行研究,实验结果分析这种算法能有效进行分类识别且标签信息有效辅助模型生成。