多特征融合的双向门控循环单元情感倾向研究

通过对产品评论爆炸式增长进行情感分析,不仅可以为潜在消费者提供购买决策,还可以指导企业不断优化商业决策,提高产品质量。文章对现有神经网络情感分析模型进行研究,提出了一种新的情感分析模型——多特征融合双向门控循环单元(MFF-BiGRU)。首先,MFF-BiGRU生成不同的特征通道,以充分了解产品评论的情感信息。然后将通道分别输入到BiGRU网络中,使模型能够从不同的角度学习句子中的情感特征信息,并探索句子不同方面的隐藏信息。通过层归一化提取不同BiGRU网络输出结果中关于情感特征的最重要信息。Merge层通过连接操作来融合提取的重要信息。最后,Softmax层最终对最后一层的输出进行分类。实验结果表明,在京东食品评论数据集上,MFF-BiGRU的性能优于传统的神经网络模型和经典分类器。

基于门控特征融合的中文错别字纠正模型

针对在中文错别字纠正中,平等地融合汉字的语义、读音和字形信息进行建模的方法会由于错误的读音或字形信息而影响模型性能的问题,提出了一种基于门控特征融合的中文错别字纠正模型,利用自适应门控来选择性地融合语义、读音和字形信息,提升模型性能并加强模型的可解释性。此外,使用改进的四角号码编码汉字的字形信息,有效地提取了汉字的字形特征,并且基于此扩展了模型预训练时的字形相似混淆集。使用了基于混淆集替换的预训练掩码策略,使模型能有效学习文本错误知识。在公开数据集SIGHAN13、SIGHAN14和SIGHAN15上,所提模型分别取得了78.7%、67.8%和77.7%的纠错F1分数,相比于最优基线模型分别提升了1.5%、1.5%和1.0%。

预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明:相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。

自适应特征融合级联Transformer视网膜血管分割算法

针对眼底视网膜分割存在病理伪影干扰、微小血管分割不完全和血管前景与非血管背景对比度低等问题,本文提出一种自适应特征融合级联Transformer视网膜血管分割算法。该算法首先通过限制对比度直方图均衡化和Gamma校正等方法进行图像预处理,以增强血管纹理特征;其次在编码部分设计自适应增强注意模块,降低计算冗余度同时消除视网膜背景图像噪声;然后在编解码结构底部加入级联群体Transformer模块,建立血管特征长短距离依赖;最后在解码部分引入门控特征融合模块,实现编解码语义融合,提升视网膜血管分割光滑度。在公共数据集DRIVE、CHASE_DB1和STARE上进行验证,准确率达到97.09%、97.60%和97.57%,灵敏度达到80.38%、81.05%和80.32%,特异性达到98.69%、98.71%和98.99%。实验结果表明,本文算法总体性能优于现有大多数先进算法,对临床眼科疾病的诊断具有一定应用价值。

结合门控机制与多尺度ViT的细粒度图像分类

针对现有细粒度图像分类方法中,卷积神经网络特征提取能力不足,模型高层特征缺乏局部细节信息来识别不同子类的细微差异,而ViT的归纳偏置能力偏弱的问题,提出了一种结合ConvNets与注意力多尺度ViT的混合模型(GCAMT)用于细粒度图像分类任务。首先,使用门控机制选择性提取与融合判别性特征,其次引入特征重激活模块更新有潜力的冗余特征提升模型特征复用效率,然后对模型各阶段进行密集连接提升泛化能力,最后使用注意力多尺度ViT,以更好的提取并融合尺度与语义不一致的特征,增强模型建模能力。实验结果表明,上述方法在细粒度图像公共数据集CUB-200-2011、Stanford Cars、FGVC-Aircraft和NABirds上的准确率分别达到了93.1%、96.29%、94.47%、93.82%,优于当前SOTA方法。

基于残差变换器的并行傅里叶卷积修复算法

为解决现有图像修复算法因缺乏上下文信息和有效的感受野导致修复大面积随机破损时效果差且只能修复低分辨率图像的缺陷,提出了基于残差变换器的并行傅里叶卷积修复算法.首先,提出基于变换器的改进残差网络模块提取待修复图像的纹理特征;然后,设计并行快速傅里叶卷积模块增强损失图像的高度有效感受野捕捉结构信息;最后,提出门控双特征融合模块交换和结合图像的结构与纹理分量,融合上下文特征,改善生成纹理的细粒度.在两个公开数据集上进行定性和定量实验,实验结果表明:所提算法可有效修复结构复杂且纹理精细的随机不规则大面积破损区域,生成结构合理、纹理细腻和语义丰富的高保真图像,并能用于高分辨率图像的目标移除.