基于改进StackCNN网络和集成学习的脑电信号视觉分类算法

针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。

融合事理知识的群体性事件演化预测

[研究目的]当前,由社会矛盾和冲突所引发的网络群体性事件对公共安全构成了严重威胁,预测群体性事件的演化趋势对提升社会危机的防范与治理能力至关重要。[研究方法]提出了一种融合事理知识的群体性事件演化预测方法。该方法首先利用大语言模型蕴含的丰富事件知识及模型强大的生成能力来构建初始的事理图谱,通过结合真实新闻报道来验证图谱内容;其次,将事理图谱与图神经网络模型相结合,以获得更充分的事件语义表示;最后,基于上下文事件与候选事件间的语义相似度来预测未来可能发生的事件。[研究结论]研究表明,所提方法在事件演化预测的准确性和可解释性方面均显著优于参与比较的其他方法,验证了事理知识融合对揭示群体性事件演化模式的可行性和有效性。

基于YOWO的课堂学习行为实时识别

当前,课堂学习行为研究一般仅针对单帧图像分析学生的行为,而忽视了行为的连续性,无法利用视频信息准确刻画学生的课堂学习行为。为了解决这一问题,文章实时识别真实课堂环境中学生的学习行为,首先采集某重点大学多个真实课堂教学中的授课视频,归纳出7种典型的课堂行为;随后,将行为识别中的YOWO模型迁移至课堂学生的学习行为识别场景中;最后,通过与基于图片数据集的VGG16网络模型、基于视频数据集的YOLO-V2网络模型进行实验对比,验证了YOWO模型对课堂视频中的学生学习行为具有较高的行为识别准确率。上述研究表明,使用YOWO模型识别课堂中典型的学生行为,可以促进教师及时了解学生的学习状态,进而优化教学过程,并能为课堂教学的过程化评价提供依据。

基于生成对抗网络的脑电波去噪处理研究

脑电波采集过程往往会包含生理噪声和外部噪声,外部噪声目前可以通过滤波进行消除,去除生理噪声通常采用的方法是自适应滤波器、空间滤波和主成分分析,但这些方法需要一定的信号作为先决条件,并且去噪性能有限。近年来,深度学习技术开始运用于脑电波去噪,而且在去噪性能上得到了一定提升。鉴于在生成对抗网络(GAN)的判别器和生成器博弈过程中,生成样本具有逐渐向真实样本逼近的特点,设计一种基于卷积神经网络(CNN)的生成对抗网络模型,用于消除脑电波生理噪声中的肌源性噪声和眼源性噪声,同时在GAN的生成器网络中引入新的损失函数,使去噪后的数据与原始数据更加接近。设计的GAN-1D-CNN模型在去除肌源性噪声上的相关系数达到0.945,在去除眼源性噪声上的相关系数达到0.894。实验结果表明,GAN-1D-CNN模型对脑电波的去噪能力得到了增强,相关性能指标都优于现有基准数据集上的去噪方法。

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型。首先将一维数据转换为二维数据,采用CNN提取空间特征;然后将一维数据输入Bi-LSTM,获取时间特征;最后将融合的空间和时间特征输入Softmax分类器,得到最终分类结果。在DEAP数据集上的实验结果表明:CNN和Bi-LSTM混合模型具有较好的分类性能,在效价度和唤醒度上的准确率分别达到88.55%和89.07%,是一种可行的脑电波情感分类模型。

基于Hadoop的多维关联规则挖掘算法研究及应用

传统的Apriori算法要多次扫描数据集,随着数据量的快速增长,传统的Apriori算法已经不能很好地适用于大数据分析,针对该情况设计了IPApriori算法。首先通过剪枝策略设计了一种适用于多维数据的IApriori算法,再将IApriori算法与Hadoop分布式框架相结合,实现了多维关联规则挖掘算法的并行化。将IPApriori算法运用到手机用户行为预测关联分析中,分析影响手机用户行为的一些主要因素,挖掘出手机用户行为与年龄维度、性别维度、时间维度、地点维度和手机品牌维度属性之间可能存在的某种关联。最后通过实验证明,算法的并行化和建立结构的方法可以降低系统的I/O负荷,提高算法的执行效率。

动态网络中多规则的最短路径查询算法

最佳排序路径查询,是智能交通中的热点问题.在实际的应用中,由于最佳排序路径查询有许多限制条件,现有的算法不能有效地解决动态网络中受限制的路径查询问题.为了解决动态网络中最佳排序路径查询问题,用规则表示每个限制条件,提出了一种新的最佳排序路径查询形式,即多规则的最短路径查询.提供了统一的框架,该框架包含了路径集合查询和最短路径查询.在路径集合查询部分,为了高效地查询出满足多规则的路径集合,在广义规则树的基础上,提出一种新的树的遍历方式,即树的继承全遍历;并基于树的继承全遍历思想,提出一种剪枝技术,对路径集合进行删减,最后求得候选路径集合.在最短路径查询部分,提出一种基于动态阈值的最短路径搜索方法.通过两个真实的动态道路网络的实验验证,所提出的算法能够高效地解决多规则的最短路径查询问题.

基于相关主题模型和多层知识表示的文本情感分析

将相关主题模型和多层知识表示方法相结合开展文本情感分析研究。首先,针对传统分割算法的不足和主题间相关关系,采用相关主题模型对文本进行主题特征分割,构造主题先验信息输入预训练语言模型;其次,基于主题先验信息和相关关系向量,采用预训练的语言模型嵌入进行文本词的动态表示,能有效解决一词多义的问题;最后,使用双向长短期记忆模型对文本句子进行表示,考虑每个词的前后信息来捕捉句子的位置信息,在句子表示向量的信息抽取中融入注意力机制,使用多头抽取考虑全局的方式,可以抽取更全面的文本信息。

基于注意力机制和BiGRU融合的文本情感分析

针对简单的神经网络缺乏捕获文本上下文语义和提取文本内重要信息的能力,设计了一种注意力机制和门控单元(GRU)融合的情感分析模型FFA-BiAGRU。首先,对文本进行预处理,通过GloVe进行词向量化,降低向量空间维度;然后,将注意力机制与门控单元的更新门融合以形成混合模型,使其能提取文本特征中的重要信息;最后,通过强制向前注意力机制进一步提取文本特征,再由softmax分类器进行分类。在公开数据集上进行实验,结果证明该算法能有效提高情感分析的性能。

基于文档内位置关系的伪相关反馈方法

提出了一种基于文档内位置关系的伪相关反馈框架LRoc(location-based Rocchio framework)。该框架采用不同的核函数对候选词项在反馈文档中的位置进行建模,得到候选扩展词的位置重要度,并将其应用到经典的Rocchio模型中。该方法在选择和评估候选扩展词时,不仅考虑了词频,也考虑了词项位置的影响,有助于获取与查询更可能相关的扩展词。最后,在5种TREC数据集的实验结果表明:基于LRoc框架提出的3种模型(LRoc1、LRoc2和LRoc3)对比基线模型在MAP和P@20指标上具有显著提升。