基于注意力融合网络的方面级多模态情感分类

方面级多模态情感分类任务的一个关键是从文本和视觉两种不同模态中准确地提取和融合互补信息,以检测文本中提及的方面词的情感倾向.现有的方法大多数只利用单一的上下文信息结合图片信息来分析,存在对方面和上下文信息、视觉信息的相关性的识别不敏感,对视觉中的方面相关信息的局部提取不够精准等问题,此外,在进行特征融合时,部分模态信息不全会导致融合效果一般.针对上述问题,本文提出一种注意力融合网络AF-Net模型去进行方面级多模态情感分类,利用空间变换网络STN学习图像中目标的位置信息来帮助提取重要的局部特征;利用基于Transformer的交互网络对方面和文本以及图像之间的关系进行建模,实现多模态交互;同时补充了不同模态特征间的相似信息以及使用多头注意力机制融合多特征信息,表征出多模态信息,最后通过Softmax层取得情感分类的结果.在两个基准数据集上进行实验和对比,结果表明AF-Net能获得较好的性能,提升方面级多模态情感分类的效果.

基于背景分割法的数码迷彩设计及伪装性能评估

针对自然环境中作战人员及军事设备的伪装隐蔽性问题,提出了一种基于背景分割法的数码迷彩设计方法。首先,通过分析环境场景的特征,采用特征提取技术,确定最佳的迷彩图案元素。其次,利用背景分割法进一步细化数码迷彩图案的色彩分布占比,使数码迷彩图案置于环境场景的任意位置都能保持良好的伪装隐蔽效果。最后,运用ResNet-50深度神经网络模型和Mask R-CNN迷彩目标分割模型对基于背景分割法设计得到的数码迷彩图案进行伪装隐蔽性能评价。结果表明,相比于传统迷彩设计方法,此方法得到的数码迷彩图案的伪装隐蔽性能显著提升,隐蔽融合度均值提高至99.00%以上,环境场景的相似度提高20.41%,平均分割识出率降低82.21%。

会话增强图神经网络推荐模型

基于会话推荐的目标在于预测匿名用户的行为操作。然而,许多现有的会话推荐模型未能充分考虑相似会话对推荐性能的影响。尽管图神经网络能更好地捕捉会话内项目的转换关系,但一些会话内的转换关系却不利于推荐,因此模型需要学习更具代表性的会话嵌入。为了解决这些问题,本文提出了一种改进的会话增强图神经网络推荐模型--SE-GNNRM。该模型在编码阶段通过图神经网络和自注意力机制,捕捉复杂的项目转换关系和更具代表性的项目特征;利用注意机制将短期偏好和长期偏好相结合,构建全局会话图,并利用相似度融合的图注意网络捕获相似会话信息。为了证明所提模型的有效性,经在3个公共数据集上的实验结果表明,SE-GNNRM优于现有的基线模型,是一种有效的基于会话的推荐模型。

用于SAR图像舰船目标检测的MAF-Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR-Ship-Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。

基于异源数据融合与并行计算的电力气象数据分析技术研究

针对短期电力负荷进行预测时易受到不确定气象因素影响而导致预测准确率较低的问题,文中提出了一种基于气象数据融合与并行计算的电力负荷预测算法。该算法将时间和气象因子相结合来对预测的日气象数据进行关联度匹配,进而提升算法的准确率。通过对深度神经网络加以改进,并增加扩张卷积使模型具有更强的视觉野。同时结合Bi-GRU网络,利用其时序特征提取属性进一步增强算法的性能,再将算法部署至Spark并行平台以提高总体的运行效率。实验测试中,所提算法的MAPE、RMSE指标在所有对比算法中均为最优,且领先其他同类算法约0.2%和0.05,而增加运算节点后,算法的运行时间也会相应缩短,表明其具有良好的综合性能。

强度图像和偏振度图像融合网络的设计

为了弥补强度图像在阴暗处丢失纹理细节的劣势,结合偏振度图像的偏振特性,本文提出了一种强度图像和偏振度图像的融合方法。首先,构建编码器网络提取源图像的语义信息和纹理细节。随后,特征融合网络采用加法策略和残差网络进行图像特征融合。最后,通过解码器网络对融合后的图像特征进行重构获得最终的融合图像。此外,根据源图像和融合图像之间的结构相似性损失和梯度损失,本文提出了一种改进的损失函数来引导融合网络训练。实验结果表明:与其他6种方法中融合效果最好的改进的双通道脉冲耦合神经网络(MD-PCNN)相比,本文方法的客观评价指标平均梯度、信息熵、图像质量、标准差和改进的多尺度结构相似性分别提高了4.3%,1.0%,8.1%,2.5%,3.1%,图像噪声降低了8.8%,且克服了强度图像在阴暗处丢失纹理细节的问题。

基于多重相似度和CatBoost的个性化推荐

针对历史数据稀疏性导致推荐算法预测精度低的问题,提出基于多重相似度分析和CatBoost的推荐算法。利用修正的余弦相似度函数求解项目元数据和评分数据的相似矩阵并进行融合;采用大规模信息嵌入网络(large-scale information network embedding,LINE)对融合后的相似矩阵进行多阶相似性分析计算更精确的近邻集;以此作为CatBoost的输入预测项目评分并利用Top-N推荐项目。为验证其有效性,在MovieLens数据集上进行实验并与其它方法对比。实验结果表明,该方法具有更高的推荐精度、更强的稳定性,可解决历史数据稀疏性导致的推荐质量低的问题。

基于多视角数据与社区发现的典型用电负荷模式挖掘研究

电力系统为满足各类用户的用电需求,需掌握用户端用电负荷曲线的典型模式。当前电力负荷模式挖掘过程中往往使用单视角数据进行聚类分析,未考虑不同视角数据内部度量信息差异和复杂的计算。针对这一问题,从三个粒度获取多视角用电负荷数据并进行预处理,分别计算相似度矩阵,使用相似度网络融合算法构建融合相似度矩阵,选用Leiden社区发现算法对用户群体进行划分,然后动态识别各个子社区的典型用电负荷曲线并进行趋势分析。实验结果表明,算法能够稳定划分用户群体并识别各个子社区的典型用电负荷模式曲线,结合用户基本信息,得到各个子社区的峰值模式,从而为电力系统采取个性化措施以满足不同用户群体的需求提供指导。

面向翻唱歌曲识别的改进相似度网络融合算法

提出了改进型相似度网络融合(modified similarity network fusion, MSNF)算法,通过自建核矩阵实现了非方阵的直接融合;通过引入核矩阵的融合,避免了由表现较差的特征构造的核矩阵的负面影响的延伸。在3个数据集上的实验结果表明:MSNF算法在翻唱歌曲识别任务中取得了比SNF算法更高的识别准确率,大幅度降低了时间复杂度。

基于特征融合和混合注意力的超分辨率重建

由于现有的基于卷积神经网络的超分辨率重建模型无法从多个尺度上利用特征进行加权,导致对于高频细节的恢复能力较差;同时随着网络深度的不断增加导致浅层信息在传输过程中容易弱化或丢失。为此,提出一种基于特征融合和混合注意力的超分辨方法。利用不同尺度间特征的相似性这一特点设计一种多尺度注意力机制,捕获特征图之间和特征图内部的依赖关系;与空间注意力相结合,捕获空间域内隐含的高频信息。设计一种层次特征融合结构对提取出的特征进行充分保留。实验结果表明,该算法在恢复高频细节方面表现良好。

基于多视角网络融合的典型用电负荷模式挖掘

为了识别用户端典型用电负荷模式,解决传统聚类算法中仅使用单视角数据致使典型模式识别不全面的问题,提出一种基于多视角网络融合的典型用电负荷模式挖掘方法.采用多视角网络融合算法对三个粒度视角数据进行融合,利用谱聚类算法与共现矩阵度量方法识别典型用电负荷模式,结合教育行业和房地产行业用户基本信息对其用电负荷曲线趋势进行挖掘与分析.结果表明,与单视角数据相比,挖掘出的典型用电负荷模式更为准确且具有较好的鲁棒性,能够结合不同行业特点为电网系统在不同时段采取错峰用电、削峰填谷等措施提供指导.

局部证据RBF人体行为高层特征自相似融合识别

针对传统人体动作识别算法通常重点解决某一类行为识别,不具有通用性的问题,提出一种局部证据RBF人体行为高层特征自相似融合识别算法。借用随时间变化的广义自相似性概念,利用时空兴趣点光流场局部特征提取方法,构建基于自相似矩阵的人体行为局部特征描述;在使用SVM算法进行独立个体行为识别后,利用提出的证据理论RBF(radial basis function)高层特征融合,实现分类结构优化,提高分类准确度。仿真结果表明,该方案能够明显提高人体行为识别算法效率和识别准确率。

基于CNN和图像深度特征的雏鸡性别自动鉴别方法

为有效辨别雏鸡性别,提高养鸡效益,针对部分雏鸡的泄殖腔特征不明显、采集雏鸡泄殖腔图像易受光线影响的问题,提出了一种基于卷积神经网络和图像深度特征的雏鸡性别自动鉴别方法。以翻肛法采集的雏鸡泄殖腔图像为研究对象,利用卷积神经网络构建待识别雏鸡泄殖腔的深度特征和雏鸡泄殖腔的深度特征向量集合库;将待识别雏鸡泄殖腔的深度特征与雏鸡泄殖腔的深度特征集合库进行相似度比较,并对比较结果进行排序;将排序结果中排在前n个与待识别雏鸡泄殖腔图像最接近的深度特征,与待识别雏鸡泄殖腔的深度特征进行特征融合,再通过卷积神经网络进行识别。结果表明,本文方法在测试数据集的识别准确率达到了97.04%,在生产环境下识别准确率达到了96.82%,相比常规的卷积神经网络方法,本文方法提高了雏鸡性别的识别准确率。

脉冲耦合神经网络自适应图像融合算法研究

作为一种新型的神经网络模型,脉冲耦合神经网络(PCNN)已经在众多领域得到了应用。针对现有脉冲耦合神经网络图像融合算法存在的不足,提出了一种新的自适应PCNN图像融合算法。提取原始待融合图像的互补特征作为PCNN的外部输入,并通过提取待融合图像的对比度特征自适应确定PCNN的链接强度参数;分析了传统PCNN获取最优图像融合结果的方法,探索性地将结构相似度引入到PCNN融合结果的评价中,为PCNN最优融合结果的获取提供了很好的借鉴作用。通过红外和可见光等图像的仿真实验结果表明,提出的融合算法是有效的。

基于多标记学习预测药物-靶标相互作用

对药物-靶标关联进行了研究,提出基于弱标记和多信息融合的药物-靶标相互作用预测方法 PDML。通过与其他方法对比和数据库检索验证评估PDML模型的性能:与Yamanishi提出的方法、RLSMDA、Lap RLS及Net CBP相比,除在核受体数据集中该方法在AUC上的性能比Lap RLS略有降低之外,模型在敏感性、特异性、AUC和AUPR上的性能均优于其他四种方法;提取前5个预测分值最高的药物-靶标对,这些药物-靶标对能通过检索Drug Bank、Super Target和KEGG数据库而得到验证。

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止,基于卷积神经网络改进的变体网络有效提升了学习效率,但由于提取特征比较单一无法准确描述图像特征,导致相似度学习效率较低。为此,本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同,但权值不共享,网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征;然后通过特征融合层进行特征融合;最后将融合特征直接输入全连接层进行相似度学习,既改善了提取的图像特征多样性,又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验,结果表明,相比其他模型,本文提出的模型具有较强的网络学习能力和模型泛化能力,准确率高达97.96%。

局部证据RBF人体行为高层特征自相似融合识别研究

针对传统人体动作识别算法,往往重点解决某一类行为识别,不具有通用性的问题,提出一种局部证据RBF人体行为高层特征自相似融合识别算法。首先,借用随时间变化的广义自相似性概念,利用时空兴趣点光流场局部特征提取方法,构建基于自相似矩阵的人体行为局部特征描述;其次,在使用SVM算法进行独立个体行为识别后,利用所提出的证据理论RBF(Radial Basis Function)高层特征融合,实现分类结构优化,从而提高分类准确度;仿真实验表明,所提方案能够明显提高人体行为识别算法效率和识别准确率。

一种流形正则化非负矩阵分解的lncRNA-疾病关系预测方法

长链非编码RNA(lncRNA)在疾病的发生中起着重要作用,然而通过生物学实验探索lncRNA与疾病的关系昂贵且费时,必须开发出更准确和有效的计算方法来预测lncRNA与疾病的关系.本文提出了一种新的基于流形正则化非负矩阵分解的计算方法(MRNMFLDA)来预测lncRNA与疾病的关系.该方法首先采用相似性网络融合方法分别整合lncRNA与疾病的相似性,然后通过构建标签加权矩阵、引入流形正则化约束的非负矩阵分解算法来预测lncRNA与疾病潜在的关系.实验结果表明,本方法在留一交叉验证和5折交叉验证中AUC值分别达到0.8927和0.8635±0.0054,优于其他4种方法.案例研究表明,本方法能够有效地预测与3种疾病(肺癌,宫颈癌,和骨肉瘤)有关系的lncRNA.

WSNs中基于信任的数据融合方法

针对无线传感器网络中数据融合的安全问题,提出一种分簇结构下的基于信任的数据融合方法。簇头节点根据簇内成员节点采集的数据,计算得到一个相似度矩阵,量化了数据的可信度。基于相似度矩阵,采用beta分布函数计算节点的信任值,识别出非法节点。在数据融合过程中,剔除非法节点的虚假数据,并以不同的权值对正常节点的数据进行融合。测试结果表明,该方法能够根据节点发送的数据评估节点的可信度,避免非法数据对融合结果的影响,提高了数据融合结果的准确性。

基于代理和熵权的无线传感器网络数据融合

为了解决节点分布密集环境中网络数据融合能耗较大的问题,提出了一种基于代理和熵权的分组融合算法。该算法首先通过节点监测数据相似度的对比,摒除组内故障节点的影响;然后采用C/S模式对组内节点进行融合,以组融合数据代替节点数据参与融合;最后采用代理模式对各组融合数据进行熵权融合。仿真结果证明该方案能以较小的能耗代价获取准确的融合结果,有效减少了网络延迟。