基于E-CNN的情绪原因识别方法

文本情绪原因识别作为一个新型的研究方向在文本情绪分析领域占据重要地位。该文结合卷积神经网络,提出了一种基于集成卷积神经网络的情绪原因识别方法。该方法通过词向量、卷积、池化等操作充分融合了句子的语义信息,利用多个CNN集成降低数据不平衡性对情绪原因识别的影响,克服了传统情绪原因识别方法的繁琐规则制定、特征抽取、特征空间降维等过程。实验结果表明,该文的方法在情绪原因识别方面取得了较好的效果,对于情绪归因的方法研究具有一定的指导作用。

基于E-CNN和BLSTM-CRF的临床文本命名实体识别

在生物医学临床病历文本的命名实体识别任务中,传统的解决方案由于对实体的边界划分不够精确,影响了部分复合实体的识别。通过研究复合实体的特性,提出一种集成的卷积神经网络(E-CNN)模型与双向长短期记忆网络(BLSTM)和条件随机场(CRF)结合的模型,通过对CNN中的卷积层设定不同卷积窗口的大小,来捕获多个词语之间更丰富的边界特征信息。然后将集成的特征信息传递给BLSTM模型进行训练,最后由CRF模型得到最终的序列标注。实验结果表明,该方法针对临床病历文本中的复合实体识别具有良好的效果。

基于CNN-GRU的文本数据特征提取及其分类技术设计

针对当下中文文本分类中存在的文本特征提取不足、分类准确率低等缺点,提出一种基于E-TF-IDF(Expand-Term Frequency-Inverse Document Frequency,E-TF-IDF)的关键词提取模型和CNN-GRU(Convolutional Neural Networks-Gated Recurrent Unit,CNN-GRU)的文本分类模型。该模型能够根据关键词邻近词语的出现概率中进行拓展,以实现更好的关键词特征提取。CNN-GRU更适用于序列分类且其具有更少的参数,能够减小在小数据集下的过拟合风险。最终的实验结果显示,CNN-GRU的分类精度较高,平均可达97.88%。

洪湖水质富营养化评价方法比较

为科学评价水体富营养化程度,在对比分析各种富营养化评价方法基础上,引入卷积神经网络(CNN),建立卷积-富营养化(CNN-E)模型。根据洪湖2014~2019年月尺度水质及藻类监测数据,采用综合营养指数法、BP神经网络法与CNN-E模型评价其富营养化程度,并采用平均绝对误差、均方根误差、决定系数和纳什效率系数评价神经网络模型性能。结果表明,洪湖长期处于轻度富营养状态,富营养化程度不断加重。模型性能方面,CNN-E模型四种评价指标分别优于BP神经网络0.166、0.098、0.078与0.087。CNN-E模型可为湖泊水体富营养化预防及综合治理提供技术支持。

基于卷积神经网络多特征联合的车辆识别模型

车辆识别在智能交通领域中发挥着重要的作用,其可被用于违章抓拍、交通拥堵报警和自动驾驶等众多领域。文中提出结合车辆边缘联合建模的方法进行车辆识别。边缘联合卷积神经网络(E-CNN)通过简单有效的多特征联合方法提高了识别精度和模型收敛速度。为了验证E-CNN的性能,将多特征联合模型与VGG16和GoogLeNet模型进行对比。实验结果表明,所提模型的收敛速度相比VGG16和GoogLeNet有明显的优势,并且在有效时间内识别率达到了99.90%,高于VGG16的99.82%和GoogLeNet的99.35%。

微孔塑料注塑成型填充过程数学模型研究

为解决微孔注塑工艺的不稳定等缺陷,以汽车座椅扶手海绵塑料制品为研究对象开展微孔塑料注塑过程的优化研究。基于长短期记忆网络(LSTM)和卷积神经网络(CNN)设计了微孔注塑汽车座椅扶手海绵优化数学模型,确定了工艺参数为模壁温度50℃、发泡剂为N2、气体初始浓度0.4%、熔体温度210℃;采用Pro/E工具模拟扶手海绵的注塑过程,当注射位置为B时,扶手海绵不易出现翘曲、裂纹等缺陷。

基于深度学习的电商评论信息多刻面情感分类研究

【目的/意义】文本情感分类是近年来情报学领域的研究热点之一。已有研究大多关注针对目标文本的单一情感分类。本文旨在探索基于深度学习的电商评论信息多刻面情感分类方法。【方法/过程】提出一种基于Attention-BiGRU-CNN的多刻面情感分类模型,通过BiGRU和CNN获取上下文信息和局部特征,利用Attention机制优化隐层权重,以深度挖掘文本内隐语义和有效刻画多刻面情感。【结果/结论】在中文电商评论信息语料上的实验表明,相较于其他神经网络模型,本文方法可有效提高多刻面情感分类的准确度。【创新/局限】进一步丰富多刻面情感分类的方法途径,为深度挖掘电商评论信息以及优化产品和营销策略提供参考。本文语料主要基于单一类别电商评论信息,聚焦可归纳刻面的情感分类,进一步的研究可面向类别多元化、需通过深度学习提取刻面信息的更大规模语料展开。

A novel method based on convolutional neural networks for deriving standard 12-lead ECG from serial 3-lead ECG

Reconstruction of a 12-lead electrocardiogram(ECG) from a serial 3-lead ECG has been researched in the past to satisfy the need for more wearing comfort and ambulatory situations. The accuracy and real-time performance of traditional methods need to be improved. In this study, we present a novel method based on convolutional neural networks(CNNs) for the synthesis of missing precordial leads. The results show that the proposed method receives better similarity and consumes less time using the PTB database. Particularly, the presented method shows outstanding performance in reconstructing the pathological ECG signal, which is crucial for cardiac diagnosis. Our CNN-based method is shown to be more accurate and time-saving for deployment in non-hospital situations to synthesize a standard 12-lead ECG from a reduced lead-set ECG recording. This is promising for real cardiac care.

AMSR-E地表温度数据重建深度学习方法

地表温度对于全球气候变化等研究具有重要意义。被动微波遥感传感器AMSR-E(Advanced Microwave Scanning Radiometer for EOS)可以获得全天候地表温度,可作为多云条件下热红外地表温度数据的补充;但轨道扫描间隙限制了该数据在全球或区域尺度上的实际应用。鉴于地表温度的高时空异质性和AMSR-E LST轨道间隙数据的特点,本文提出了一种多时相特征连接卷积神经网络地表温度双向重建模型(MTFC-CNN),利用深度学习在处理复杂非线性问题上的优势,重建轨道间隙区域的地表温度值。将2010年中国大陆四季的AMSR-E LST数据(数据未含港澳台区域),分为白天和夜晚,形成共8个数据子集进行实验。在模拟实验中,重建结果与原始反演地表温度值平均均方根误差在1.0 K左右,决定系数R2在0.88以上,优于传统的样条空间插值和时间线性回归方法;真实实验结果具有较好的目视效果,且与对应MODIS LST产品对比发现,重建区LST值和未重建区LST值与MODIS LST产品间具有相近的平均均方根误差和决定系数。因此,本文提出的MTFC-CNN方法能有效重建AMSR-E LST轨道间隙数据,且优于传统方法。