基于Softmax回归分类模型的网页搜索排序算法

针对网页搜索结果存在返回的网页与搜索的关键词领域不相关的领域漂移现象,导致用户无法搜索到需求信息的问题,提出基于Softmax回归分类模型的网页搜索排序算法。选择网页搜索文本特征,得到相应的特征项,利用向量表示模型,将选择的网页搜索文本特征项转换为格式化数据,对网页搜索文本数据进行均衡处理,获取网页搜索文本数据集。采用Softmax回归分类模型,分类处理网页搜索文本数据集,预测网页搜索文本类别,通过Okapi BM25算法,对网页搜索文本进行排序操作,实现网页搜索排序。实验结果表明,所提算法具有较好的网页搜索排序,提升了网页搜索排序精度,避免网页搜索排序过程中的领域漂移现象。

基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。

基于多源数据融合的电液车辆减速器监测系统研究

为推动车辆减速器维修方式向更加高效、精准的状态修转变,设计了基于多源数据融合的电液车辆减速器监测系统。该系统集成数据采集分析和健康评估功能,通过整合压力、液位、温度、换向阀电信号、位置表示信息等多源数据,提升设备故障识别精度。首先通过数据清洗去除异常、跳变数据,归一化处理不同量纲数据,划分数据集并建立特征库;其次采用基于神经网络构建的Softmax回归模型进行数据融合分析,配合使用交叉熵损失函数,通过反向传播方法进行训练;最后结合双隐层结构和Relu激活函数,确保模型的收敛性和非线性处理能力,提高模型预测的准确性。试验结果表明,系统识别准确率达98.1%,为车辆减速器维修模式的转型提供了有力的技术支撑,也为电务基础设备智能化监测提供借鉴。

基于Softmax回归模型的骨龄X射线图像手骨分割

针对儿童青少年的骨骼发育情况,临床上常采用手腕骨X射线图像进行骨龄评估。其中手骨区域的分割是预处理中的关键一步,手骨分割的准确率极大地影响最后的评估结果。传统的阈值分割方法在自动化分割过程中鲁棒性较差,利用深度神经网络的自动分割准确率比传统方法高但较为复杂。研究在阈值分割的基础上,提出先通过训练Softmax回归模型预测最佳阈值得到二值图像,再利用区域生长法提取完整手形,最后对手骨图像进行归一化处理的分割方法。在100张临床数据测试集上,将提出的方法与传统的阈值分割方法--Otsu、最大熵阈值和直方图均值分割方法进行对比,采用相似系数DSC(dice similarity coefficient)、欠分割率和过分割率3个客观评价指标对分割结果进行定量分析。实验证明该方法的分割效果最理想,平均DSC值为0.97,欠分割率和过分割率接近于0,对于复杂的手骨图像也表现出良好的分割性能,相比传统的阈值分割方法具有更好的鲁棒性,能够准确的对骨龄X射线图像进行自动化手骨分割处理。

基于Softmax回归模型的地震灾害损失预测评估研究

文章在对地震灾害损失进行等级划分基础上,提出一种利用Softmax回归模型对地震灾害损失进行评估预测的方法。该方法以我国2005—2017年的全国地震数据作为样本集,将震级、震源深度、震中烈度、抗震设防烈度、设计基本地震加速度、灾区人均GDP、灾区人口、受灾面积等数据作为特征参数,在Softmax回归损失函数中加入权重衰减项后运用梯度下降算法进行求解,采用最小损失函数值对应的模型参数来构建Softmax回归模型,对地震灾害损失等级进行评估和预测。研究结果表明,与支持向量机(support vector machine,SVM)和传统逆向传播(back propagation,BP)神经网络相比,该方法具有更高的地震灾害损失预测精度和能力,其测试精度达到78.571%。

基于GA优化的RF-Softmax水质预测模型研究

针对水质检测周期长、成本高等问题,提出了基于遗传算法优化的RF-Softmax水质预测模型。采用机器学习的方法,使用随机森林算法进行特征选择建立水样本中氨氮、总磷2项水质参数与水质类别的数学关系模型方法对水质类别进行预测。采用遗传算法替代传统Softmax回归算法训练过程中使用的梯度下降法,解决了逻辑回归算法在目标函数不是严格凸函数的情况下,容易陷入局部最优解的问题。以江阴市南闸街道地区地表水作为研究对象进行验证,结果表明,使用GA优化的RF-Softmax回归模型预测的准确率最高,其预测正确率相比传统Softmax回归和BP神经网络分别提高11.73和8.40百分点,平均误差分别降低58.68%和34.92%,平均均方根误差分别降低39.02%和23.62%。优化效果显著,能够实现高效、准确、低成本、快速的地表水质预测,为水质监测与预警提供了新思路,对于水质管理与环境保护具有重大意义。

官厅、密云水库上游流域土壤Sr、Mg、Ca对相关气候要素的指示意义

为探索表生环境下土壤Sr、Mg、Ca对降水量(P)、相对湿度(RH)、气温、日照时长等气候要素的指示意义,本文以官厅、密云水库上游流域为例,利用研究区农用地土壤数据和近20年气候资料,采用多元统计分析等方法研究土壤Sr、Mg、Ca与相关气候要素之间的关系,在0.05水平上建立土壤元素比值与相关气候要素的多元线性回归模型:R_(Mg/Ca)=-1.68+(3.59×P+12.62×RH)×10^(-3),调整后复相关系数R2为0.86;R_(Sr/Ca)=-3.49×10^(-2)+(4.95×P+47.11×RH)×10^(-5),调整后复相关系数R2为0.73。模型的拟合优度均较好。研究结果表明:表生环境下土壤Sr、Mg、Ca呈显著正相关,具有相似的地球化学行为或受类似影响机制控制;降水和相对湿度是影响土壤Sr、Mg、Ca元素分布与分配特征的主要气候要素,其中降水影响更为显著,表现出气候环境越湿润土壤元素含量越低、气候环境越干燥元素含量越高的变化特点;土壤Mg/Ca值、Sr/Ca值对相关气候要素亦有较好指示作用,且效果优于Sr、Mg、Ca,一般情况下元素比值高值区往往反映相对湿润气候环境,而低值区往往反映相对干燥气候环境。

基于XLNet的多数据源中文地名匹配方法

地址作为社会发展中重要的基础性数据资源,已成为城市地理空间数据化建设的重要组成部分。地名匹配旨在比较表示相同真实世界位置的配对字符串。当前地名匹配方法依赖于字符串相似性独立或多种混合相似性度量方法,这些方法无法有效地捕捉长句子上下文信息,不能充分理解地址含义。因此,提出一种基于XLNet算法的地名匹配方法,利用深度神经网络将一对地名分类为匹配或不匹配。该方法利用长程记忆并使用双信息流注意力掩码对事件序列进行重构,以利用其双向信息建立表征。实验结果表明,该方法可解决长地址匹配问题,模型能较好地理解上下文语义信息,优于先前研究的单个相似度量及基于监督机器学习的方法。

基于深度学习的交通拥堵预测模型研究

针对城市道路交通拥堵预警问题,提出了一种基于深度学习的预测模型。通过归纳合并交通流参数、环境状态、时段等基础数据来构建交通流特征向量并确定四种预测状态。采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集。应用Softmax回归对有标签的新特征集进行学习生成预测分类器,模型可对交通拥堵状况进行多态预测。通过仿真对比分析,预测模型具有较省略特征学习的预测算法更好的预测性能,平均预测精度可达85%。

结合有监督联合一致性自编码器的跨音视频说话人标注

跨模态说话人标注旨在利用说话人的不同生物特征进行相互匹配和互标注,可广泛应用于各种人机交互场合。针对人脸和语音两种不同模态生物特征之间存在明显的"语义鸿沟"问题,该文提出一种结合有监督联合一致性自编码器的跨音视频说话人标注方法。首先分别利用卷积神经网络和深度信念网络分别对人脸图像和语音数据进行判别性特征提取,接着在联合自编码器模型的基础上,提出一种新的有监督跨模态神经网络模型,同时嵌入softmax回归模型以保证模态间和模态内样本的相似性,进而扩展为3种有监督一致性自编码器神经网络模型来挖掘音视频异构特征之间的潜在关系,从而有效实现人脸和语音的跨模态相互标注。实验结果表明,该文提出的网络模型能够有效的对说话人进行跨模态标注,效果显著,取得了对姿态变化和样本多样性的鲁棒性。

基于聚类识别的极化SAR图像分类

该文提出一种基于判别式聚类框架的非监督极化SAR图像分类算法,利用判别式监督分类技术实现非监督聚类。为实现该算法,定义了一个结合softmax回归模型和马尔科夫随机场光滑性约束的能量函数。该模型中,像素类标和分类器均为需要优化的未知变量。该算法从基于目标极化分解和K-Wishart极化统计分布而产生的初始化类标开始,交替迭代优化分类器和类标的能量函数,从而实现对分类器和类标的求解。真实极化SAR数据上的实验结果证明了该算法的有效性和先进性。

TensorFlow读取数据在简单图像识别中的应用

本文以MNIST数据库为例,用TensorFlow读取数据集中的数据,并建立一个简单的图像识别模型。同时以TensorFlow为工具,写一个手写体数字识别程序,使用的机器方法是Softmax回归。通过把占位符的值传递给会话,计算后运行梯度下降后,可以检测模型训练的结果,得到预测的标签和实际标签,接下来通过tf.equal函数来比较它们是否相等,并将结果保存到correct_prediction中。最后,用tf.reduce_mean可以计算数组中的所有元素的平均值,相当于得到了模型的预测准确率。该模型识别的准确率超过90%,具有一定的推广价值。

采用卷积神经网络CaffeNet模型的女裤廓形分类

针对服装廓形分类特征提取计算复杂、分类效果尚不理想等问题,提出了一种基于卷积神经网络CaffeNet模型的服装廓形分类方法。以女裤为例,首先建立一个包括吊裆裤、阔腿裤、喇叭裤、小脚裤和直筒裤的5种女裤廓形样本库,利用卷积神经网络相互交替的卷积层和池化层从女裤图像中自动提取形状特征,通过反向传播算法不断逐层更新权值,采用梯度下降法并且改进全连接层的参数最小化损失函数,运用Softmax回归分类器来实现女裤的廓形分类。实验结果表明,该方法能够有效地对女裤廓形进行分类,分类准确率达到95%以上,可为服装商品的可视化分类识别提供有效途径。

基于BERT模型的中文短文本分类算法

针对现有中文短文本分类算法通常存在特征稀疏、用词不规范和数据海量等问题,提出一种基于Transformer的双向编码器表示(BERT)的中文短文本分类算法,使用BERT预训练语言模型对短文本进行句子层面的特征向量表示,并将获得的特征向量输入Softmax回归模型进行训练与分类。实验结果表明,随着搜狐新闻文本数据量的增加,该算法在测试集上的整体F1值最高达到93%,相比基于TextCNN模型的短文本分类算法提升6个百分点,说明其能有效表示句子层面的语义信息,具有更好的中文短文本分类效果。

基于MFCC和常数Q变换的乐器音符识别

音符识别是音乐信号分析处理领域内非常重要的研究内容,它为计算自动识谱、乐器调音、音乐数据库检索和电子音乐合成提供技术基础。传统的音符识别方法通过估计音符基频与标准频率进行一一对应识别。然而一一对应较为困难,且随着音符基频的增大将导致误差增大,可识别的音符基频范围不广。为此,文中采用分类的思想进行音符识别。首先,建立所需识别的音符音频库,并针对音乐信号低频信息的重要性,选取梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficients,MFCC)和常数Q变换(Constant Q Transform,CQT)作为音符信号提取特征。然后,将提取的特征MFCC和CQT分别作为音符识别的单一特征输入和两者特征融合输入;结合Softmax回归模型在多分类问题中的优势以及BP神经网络良好的非线性映射能力与自学习能力,构建基于Softmax回归模型的BP神经网络多分类识别器。在MATLAB R2016a的仿真环境下,将特征参数输入到多分类器中进行学习与训练,通过调整网络参数来寻找最优解。通过改变训练样本数进行对比实验。实验结果表明,将融合特征(MFCC+CQT)作为特征输入时,可以识别出从大字组到小字三组的25类音符,并可以获得95.6%的平均识别率;在识别过程中,特征CQT比特征MFCC的贡献更大。实验数据充分说明,利用分类的思想提取音符信号的MFCC和CQT特征来进行音符识别,可以取得很好的识别效果,并且不受音符基频范围的限制。

基于贝叶斯模型平均法和逐步回归法构建杉木单木胸径生长模型

【目的】探索杉木人工林单木胸径生长量变化的驱动因子,比较不同驱动因子的重要性,构建不确定性单木胸径生长模型,为杉木经营管理者科学经营管理杉木人工林提供参考。【方法】以福建省邵武市卫闽林场杉木密度试验林为研究对象,采用贝叶斯模型平均法(BMA)和逐步回归法(SR)分析杉木单木胸径生长量与内部因子(林分变量因子)和气候因子的关系,构建杉木单木胸径生长模型。【结果】杉木单木胸径年均生长量受气候因子影响较小,主要受竞争因子和单木大小因子影响。单木胸径生长量随林分密度、林分平方平均胸径、大于对象木的断面积和、年龄、冬季平均最低温度增加而减小,随期初胸径、胸高断面积、优势木平均高、最冷月平均温度、最热月平均温度、年均降雨量增加而增加。基于SR获得模型的后验概率小于BMA获得最佳模型(最高后验概率)或SR模型不在BMA模型空间前几个后验概率高的模型中。【结论】杉木单木胸径生长量随竞争增加而减小,随温度和降雨增加而增加。贝叶斯模型平均法考虑所有可能变量的组合,能够反映出模型的不确定性。

基于HMM的自适应软件决策模型

为实现软件的自适应,针对复杂多变的运行环境,提出一个基于隐Markov模型(HMM)的自适应软件决策模型.首先运用高斯混合模型(GMM)对初始环境进行分类,然后使用softmax回归对感知环境进行归类划分处理,最后利用HMM代替人工干预进行软件决策.实验结果表明,该自适应软件模型在感知环境发生变化的条件下,能很好地实现软件自适应决策.

基于任务优化表示学习的文本分类

目的:针对现有的文本特征加权方法对文本进行向量化表示时,依赖于词频来确定单词的重要性,无法准确表达文本信息,从而导致文本表示过程中特征信息的丢失,准确率低下等问题。方法:提出一种基于任务优化文本表示学习的文本分类算法。通过引入加权因子,设计一种加权向量空间模型对每个特征进行加权,将单词的上下文信息和任务信息结合起来,采用Softmax回归算法迭代地对模型参数和文本表示进行优化学习,在提高分类性能的同时,获得对此任务最优的文本表示模型。结果:根据分类任务学习到的特征词的权值能够更加准确地表达文本的分类信息。与其他分类算法相比,本文提出的WVSM-Softmax算法精度提高了约0.8%~8.7%。结论:基于任务优化文本表示学习的Softmax回归算法在文本分类中具有更好的性能。

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。

基于人工神经网络的音符识别研究

针对音符识别准确率不高的问题,提出一种基于人工神经网络的音符识别方法。为提高识别准确率,首先采用归一化和汉明窗方法对音频信号进行预处理,然后采用CQT和MFCC分别提取频域特征和倒频域特征;利用BP神经网络和Softmax回归模型,提出Softmax回归结合BP神经网络音符识别模型,并构建音符识别分类器;最后通过MATLAB R2016a作为仿真软件,在自构音符库的基础上,对音符进行识别。结果表明,在CQT和MFCC共同提取特征和不同样本数量下,本研究构建的音符识别器的识别率都高于93%,且与其他参考文献的识别率相比,本研究算法也具有明显优势。由此说明,本研究构建的音符特征提取与识别方案可行。