-
题名八通道串口数据采集与处理虚拟仪器系统设计
被引量:2
- 1
-
-
作者
王岳鹏
霍修坤
权希龙
-
机构
中科院嘉兴无线传感网工程中心
安徽大学计算智能和信号处理教育部重点实验室
-
出处
《电子设计工程》
2010年第5期40-42,共3页
-
文摘
为解决TI公司提供的数据采集卡的成本过高问题,设计一套代替NI采集卡的数据采集系统。前端采集下位机硬件部分为基于LPC2378处理器的数据采集电路板,采用双缓存技术存储数据;上位机软件部分用Labview8.5虚拟仪器设计平台编写,采用循环和事件结构,界面友好,操作简便,实现了八通道数据的采集与处理。经实际运行测试证明,具有数据同时采集、实时显示、存储与管理、信号处理等功能,保证了数据准确性,同时采集设备的成本下降2~5倍。
-
关键词
无线传感器网络
数据采集
串口通信
LPC2378
LABVIEW8.5
-
Keywords
wireless sensor network
data acquisition
serial communication
LPC2378
Labview8.5
-
分类号
TP216
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于类序列规则的中文微博情感分类
被引量:9
- 2
-
-
作者
郑诚
沈磊
代宁
-
机构
安徽大学计算机科学与技术学院
计算智能和信号处理教育部重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2016年第2期184-189,194,共7页
-
基金
安徽省高校自然科学基金资助重点项目(KJ2013A020)
安徽省自然科学基金资助项目(11040606M133)
-
文摘
研究中文微博文本的情感分类问题,介绍一种基于类序列规则的微博情感分类方法。通过情感词典和机器学习的方法获得微博文本中每个句子的2个潜在的情感标签,将每条微博文本看作是一个数据序列,从数据集中挖掘出类序列规则,从挖掘出的规则中提取出的有效特征并结合文本其他特征来训练分类器。在COAE会议提供的微博数据集上的实验结果表明该方法的有效性。
-
关键词
情感分类
微博文本
类序列规则
情感词典
机器学习
文本特征
-
Keywords
emotion classification
microblog text
class sequential rule
emotion lexicon
machine learning
text feature
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名融合BTM主题特征的短文本分类方法
被引量:11
- 3
-
-
作者
郑诚
吴文岫
代宁
-
机构
安徽大学计算机科学与技术学院
计算智能和信号处理教育部重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2016年第13期95-100,共6页
-
基金
安徽省高校自然科学研究重点项目(No.KJ2013A020)
安徽省自然科学基金(No.11040606M133)
-
文摘
针对短文本特征较少而导致使用传统文本分类算法进行分类效果并不理想的问题,提出了一种融合BTM主题特征和改进了特征权重计算的综合特征提取方法来进行短文本分类。方法中,在TF-IWF的基础上降低词频权重并引入词分布熵,衍生出新的算法计算权重。结合BTM主题模型中各主题下的主题词对词数较少的文档进行补充,并选择每篇文档在各个主题下的概率分布作为另一部分文档特征。通过KNN算法进行多组分类实验,结果证明该方法与传统的TF-IWF等方法计算特征进行比较,F1的结果提高了10%左右,验证了方法的有效性。
-
关键词
短文本
权重计算
TF-IWF方法
主题模型
-
Keywords
short text
weight calculation
Inverse Word Frequency(TF-IWF)
topic model
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于自相关系数和PseAAC的蛋白质结构类预测
被引量:4
- 4
-
-
作者
张燕平
查永亮
赵姝
杜秀全
-
机构
安徽大学计算机科学与技术学院
安徽大学计算智能和信号处理教育部重点实验室
-
出处
《计算机科学与探索》
CSCD
2014年第1期103-110,共8页
-
基金
国家自然科学基金Nos.61073117
61175046
+1 种基金
61203290
安徽大学博士科研启动经费No.33190078~~
-
文摘
传统的预测方法在构造特征向量时只考虑了氨基酸的组成,而自相关系数不仅能够很好地反映序列中氨基酸的位置信息,而且考虑了序列内部不同位置的氨基酸间的相互影响。设计了一种将氨基酸组成和自相关系数相结合的方法来构造特征向量;在Chou提出的伪氨基酸组成模型(pseudo-amino acid composition,PseAAC)的基础上,通过扩展信息重新构造了伪氨基酸组成模型,并将其与自相关系数组合在一起来构造特征向量。分别使用两种方法编码,选用支持向量机作为预测工具,在数据集Z277、Z498以及独立测试集D138上进行了若干实验,对比结果显示,新方法比传统的氨基酸组成方法的准确率分别平均提高了7.43%和8.53%,证明了新方法是有效的。
-
关键词
蛋白质结构类预测
自相关系数
伪氨基酸组成(PseAAC)
支持向量机(SVM)
-
Keywords
protein structure class prediction
autocorrelation coefficient
pseudo-amino acid composition (PseAAC)
support vector machine (SVM)
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名结合全局与双重局部信息的社交推荐
被引量:2
- 5
-
-
作者
钱付兰
李启龙
-
机构
安徽大学计算机科学与技术学院
安徽大学计算智能和信号处理教育部重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2016年第2期57-59,94,共4页
-
基金
安徽大学2014年本科生创新创业项目(201410357036)
安徽大学"211工程"三期第三批杰出青年科学研究培育基金(KJQN1116)资助
-
文摘
随着Web2.0的飞速发展,社交推荐逐渐成为推荐领域近几年的研究热点。如何更有效地利用用户的社交关系是社交推荐的关键,目前的社交推荐算法主要引入的是用户之间的直接联系(明确关系)。将社交关系进一步细分为明确关系和隐含关系,并结合历史评分得到的用户声誉信息刻画了由用户全局信息(声誉)与局部信息(明确关系和隐含关系)所构成的推荐系统框架。与现有的社交推荐算法相比,所提出的算法更全面地分析了用户的社交关系,且具有良好的可解释性。在Douban数据集和Epinions数据集上进行了实验,并将本算法与主流的推荐算法进行了比较,结果表明本算法具有更好的推荐精度。
-
关键词
社交推荐
矩阵分解
声誉
隐含关系
-
Keywords
Social recommendation
Matrix factorization
Reputation
Implicit relation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-