基于关键词加权的混合特征文本快速分类仿真

电子文本形式的网络信息不仅数量多,且混合特征具有较高相似性,很难达到特征的平均分布。特征项在类别间的不均性导致文本权重计算易出现偏差,影响类别特征词的提取,导致文本分类难度较大。为此,提出一种基于关键词加权的混合特征文本快速分类方法。采用词频逆文本频率指数信息检索方法对文本加权,计算不同权重下文本关键词在中心集合中出现的频率。根据频率阈值提取关键特征,确定文本集合中类中心点。计算与类中心相关性最高的文本数据,提取关联度特征。建立神经网络分类模型,预先设定一组包含详细特征的文本集,作为初始值输入到神经网络中,每个层次根据目标特征逐一比对实现有效分类。实验证明,所研究方法的查全率更高,文本混合特征提取的召回率高于40%,说明研究方法应用性能更优,对不同种类的文本集均能完成精准分类。

基于混合FE-SEA法的箱梁结构噪声特性研究

为探讨箱梁结构噪声规律及其影响因素,以南昌某高架铁路箱梁为研究对象,建立混合FE-SEA模型进行数值仿真分析,并进行现场试验验证。在此基础上,探讨了板厚对结构噪声的影响规律,分析了箱梁各子系统对远场声压的声贡献量。研究结果表明:混合FE-SEA法适用于箱梁结构噪声研究;箱梁结构振动的峰值频率为125 Hz,结构噪声频率范围为50~160 Hz;箱梁顶板和翼板对远场声压级的贡献量较大:增加各板厚度能降低结构噪声,其中增加顶板厚度效果较为明显。因此在减振降噪的过程中,应着重关注顶板和翼板。

基于注意力机制深度学习的轻量级无线网络数据分选方法

轻量级无线网络通常用于资源受限的设备,使得数据传输和处理能力有限,且数据量庞大,特征识别较为困难,导致数据分选精度较低。为此,提出基于注意力机制深度学习的轻量级无线网络数据分选方法。计算数据的特征值,对基础数据量化预处理,采用领域粗糙集算法测算出数据分选的冗余限值,多阶提取数据特征,构建注意力机制深度学习网络数据分选流程,采用最优筛选的方式来实现数据分选处理。最终的测试结果表明:针对选定的6个数据分选测试周期,注意力机制深度学习网络数据分选方法最终得出的数据分选平均F⁃Score均可以达到85%以上,说明在注意力机制深度学习技术的辅助下,当前所设计的数据分选方法的针对性更强、效率更高,具有实际的应用价值。