基于交替注意力机制和图卷积网络的方面级情感分析模型

方面级情感分析旨在预测给定文本中特定目标的情感极性。针对忽略方面词和上下文之间的句法关系和平均池化带来的注意力差异性变小的问题,提出一种基于交替注意力(AA)机制和图卷积网络(GCN)的方面级情感分析模型(AA-GCN)。首先,利用双向长短期记忆(Bi-LSTM)网络对上下文和方面词进行语义建模;其次,通过基于句法依存树的GCN学习位置信息和依赖关系,再利用AA机制进行多层次交互学习,自适应地调整对目标词的关注度;最后,拼接修正后的方面特征和上下文特征,得到最终的分类依据。相较于基于目标依赖的图注意力网络(TDGAT),所提模型在4个公开数据集上准确率提升了1.13%~2.67%,在5个公开数据集上F1值提升了0.98%~4.89%,验证了利用句法关系和提升关键词关注度的有效性。

基于交替循环神经网络的水下防御态势预测方法

时间序列在军事战术对抗等领域应用广泛,通过战场观测到的时间序列态势信息预测对抗目标的趋势是制定决策方案的重要前提。以潜艇防御声自导鱼雷攻击为背景,针对环境不明、目标不明、解算要素不明等导致水下态势获取困难的问题,提出一种基于循环神经网络的交替不完全时间序列预测方法。融合单变量自回归横向趋势与外部趋势,对观测变量进行趋势预测。针对多变量间存在非线性复杂关系的特点,将纵向多变量间关系特征提取与横向趋势预测相结合,采用插补数据集训练与趋势输出预测的方式实现纵向预测。最后,使用加权分配器对横向趋势预测和纵向预测结果进行融合,提高模型对不完全时序态势的学习能力,实现对未来态势的预测。实验结果表明,在不完全信息条件下,所提方法在缺失30%和60%数据、3种不同预测时间窗口长度条件下,在仿真数据集和电力公测数据集上的平均均方误差、平均绝对误差均达到了最优或次优结果,能够实现态势评估,为充分利用并融合多特征态势数据进行决策提供科学有效的参考。

基于特征融合的可见光与红外图像目标检测

为提升目标检测任务在复杂环境下的识别效果,提出了一种基于特征融合的红外与可见光目标检测方法。该方法首先采用并列的卷积神经网络分别提取红外和可见光特征信息,并利用通道和空间注意力机制提升有效特征的权重;其次,为充分利用红外和可见光特征进行信息互补,设计了特征自适应融合结构,以自主学习方式将红外与可见光特征以最优方式加权融合;最后,针对不同尺度目标,通过交替采样方式充分融合深层和浅层特征,保障各维度目标检测效果。通过实验表明,所提方法可以充分利用并融合不同模式、尺度的目标特征信息,实现目标准确识别及定位。同时,在实际电网设备检测中,该方法也体现出较优的鲁棒性和泛化性。