检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

简单且有效的弱监督中文文本分类算法

计算机工程与应用 2024年

作者：陈中涛周亚同河北工业大学电子信息工程学院

目前基于种子词的弱监督文本分类算法大多需要从数据集中搜索所有种子词并以此扩展类别词典，出现频率较低的种子词其类别识别能力也较低。因此设计了一个简单且有效的弱监督中文文本分类算法（simple and effective weakly supervised ... 详细信息

目前基于种子词的弱监督文本分类算法大多需要从数据集中搜索所有种子词并以此扩展类别词典，出现频率较低的种子词其类别识别能力也较低。因此设计了一个简单且有效的弱监督中文文本分类算法（simple and effective weakly supervised Chinese text classification，SEWClass），该方法利用预训练语言模型初始权重生成对文本的抽象理解，并以此为基础继续生成抽象约束条件和具象约束条件，以构建初次训练的伪标签数据；根据类别数量联合构建降维模型与分类器，以适应弱监督文本分类需要预先指定类别和在自训练过程中需要增加训练数据的特点；通过两种约束条件，伪标签数据拥有较高精确率，并在自训练过程中仅训练降维模型以提升召回率和算法效率。SEWClass对每个类别只需要一个种子词，如类别名称，即可完成分类任务，且SEWClass的性能与种子词是否出现在数据集中无关。SEWClass在THUCNews与toutiao两个中文数据集上的性能均远高于其他弱监督方法。

关键词：弱监督文本分类自训练种子词

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向畸变扭曲文档的两种图像矫正网络

数据采集与处理 2024年第1期39卷 167-180页

作者：冯瑾池越周亚同何静飞河北工业大学电子信息工程学院天津300401

由于文档纸张的几何形变、拍摄场景的干扰及拍摄角度不理想导致的透视失真,移动设备获取的文档图像的光学字符识别(Optical character recognition,OCR)性能受到很大挑战。针对折叠和扭曲的畸变文档图像预处理问题,设计了两种基于自编... 详细信息

由于文档纸张的几何形变、拍摄场景的干扰及拍摄角度不理想导致的透视失真,移动设备获取的文档图像的光学字符识别(Optical character recognition,OCR)性能受到很大挑战。针对折叠和扭曲的畸变文档图像预处理问题,设计了两种基于自编码器的网络结构,以实现自适应性图像矫正并提高文字识别正确率。首先提出空洞残差块和非对称卷积残差块两种残差块,然后将残差块与自编码器相结合,设计了一种非对称空洞自编码器网络;同时利用空间金字塔池化代替全连接层,并用非对称卷积残差块实现特征提取,设计了另一种空间金字塔自编码器网络。实验结果表明,与畸变图像相比,经非对称空洞自编码器网络矫正后的图像在OCR正确率、OCR召回率和文本相似度上分别提高了26.3%、20.4%和12.3%,而经空间金字塔自编码器网络矫正后的图像在正确率、召回率和文本相似度上分别提高了27.7%、22.0%和15.5%。与RectiNet等其他图像矫正网络相比,这两种网络可以自适应矫正多种类型的畸变文档图像,且矫正后的图像在文字识别上表现更为优异。本文提出的两种矫正网络能有效提高图像文字识别正确率、召回率和文本相似度,同时在鲁棒性、泛化性等方面与现有矫正网络相比具有明显的优势。

关键词：图像矫正畸变文档图像机器学习自编码器卷积残差块空间金字塔池化

面向用电负荷分解的特征融合与Transformer模型

在线全文

学校读者我要写书评

暂无评论

电力系统及其自动化学报 2024年第6期36卷 129-136页

作者：王丹宇刘君周亚同何静飞河北工业大学电子信息工程学院天津300401 朗新科技集团股份有限公司天津300041

针对目前非侵入式负荷分解中存在的特征提取不充分、分解精度较低等问题,本文提出了一种基于特征融合与Transformer的负荷分解模型MulTrm。首先使用滑动窗口法对负荷数据进行处理,增加训练样本数量;接着采用多个不同尺寸的卷积块提取总... 详细信息

针对目前非侵入式负荷分解中存在的特征提取不充分、分解精度较低等问题,本文提出了一种基于特征融合与Transformer的负荷分解模型MulTrm。首先使用滑动窗口法对负荷数据进行处理,增加训练样本数量;接着采用多个不同尺寸的卷积块提取总负荷功率值的多尺度特征并进行融合,同时结合总负荷序列中的位置特征,以获取更加丰富的特征信息;然后通过Transformer中的多头自注意力机制扩大感受野,以更好地捕获用电负荷序列中蕴含的长距离依赖关系,从而提高模型的分解精度;最后通过反卷积层和全连接层将特征映射为电器负荷序列,实现负荷分解。通过在REDD数据集和UK-DALE数据集上进行实验,验证了MulTrm模型的有效性。

关键词：非侵入式负荷分解滑动窗口特征融合 Transformer模型多头自注意力

基于改进YOLOv5s网络模型的火灾图像识别方法

在线全文

学校读者我要写书评

暂无评论

传感器与微系统 2024年第1期43卷 157-161页

作者：梁金幸赵鉴福周亚同史宝军河北工业大学省部共建电工装备可靠性与智能化国家重点实验室天津300401 河北工业大学机械工程学院河北省机器人感知与人机融合重点实验室天津300401 河北工业大学电子信息工程学院天津300401

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验... 详细信息

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验数据集上的测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升。改进模型的mAP为85.72%,帧率达54.66fps;在置信度上有了明显提升,对多目标和小目标的识别效果更好,并且有效降低了漏检和误检情况。所提出的火灾图像识别方法可适用于安防监控系统或智能机器人。

关键词：火灾识别注意力机制多尺度检测 YOLOv5s网络模型

维普期刊数据库博看期刊

融合密集空洞注意力金字塔和多尺度的视网膜病变分割

在线全文

学校读者我要写书评

暂无评论

中国医学物理学杂志 2024年第8期41卷 1000-1009页

作者：王志鲁池越周亚同单春艳肖志涛王劭奇河北工业大学电子信息工程学院天津300401 天津医科大学朱宪彝纪念医院/天津市内分泌研究所/国家卫健委激素与发育重点实验室/天津市代谢性疾病重点实验室天津300134 天津工业大学生命科学学院天津300387

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet。首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空... 详细信息

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet。首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰。在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%。该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能。

关键词：糖尿病视网膜病变密集空洞注意力金字塔多尺度特征残差模块

在线全文

学校读者我要写书评

暂无评论

基于深度卷积嵌入聚类的日负荷曲线聚类分析

电网技术 2022年第6期46卷 2104-2113页

作者：白雅玲周亚同刘君河北工业大学电子信息工程学院天津市北辰区300401 朗新科技集团股份有限公司天津市和平区300041

负荷曲线聚类是电力大数据研究的基础,通过聚类来挖掘用户的用电模式,从而为电力调控提供决策。针对传统的聚类方法难以处理高维多变量数据,提取时间特征较困难,存在特征提取与聚类过程分离的问题,采用基于一维卷积自编码器的深度卷积... 详细信息

负荷曲线聚类是电力大数据研究的基础,通过聚类来挖掘用户的用电模式,从而为电力调控提供决策。针对传统的聚类方法难以处理高维多变量数据,提取时间特征较困难,存在特征提取与聚类过程分离的问题,采用基于一维卷积自编码器的深度卷积嵌入聚类方法(deep convolutional embedded clustering based on one-dimensional convolution autoencoder,DCEC-1D),对负荷曲线进行聚类并提取典型负荷曲线。首先,用一维卷积自编码器(one-dimensional convolutional autoencoder,1D-CAE)提取特征,送入K-means得到初始簇中心;然后,利用自定义的聚类层对提取的负荷特征进行软分布;最后,为防止扭曲嵌入空间,将聚类损失和重构损失相结合作为损失函数联合优化,得到最终的聚类结果。算例分析以美国加州大学欧文分校(University of California Irvine,UCI)提出的数据集中的葡萄牙居民用户实际采集数据为研究对象,通过戴维森堡丁指数(Davies-Bouldin index,DBI),CH分数(Calinski-Harabaz index,CHI),轮廓系数(Silhouette coefficient,SC)这3个聚类指标进行定量分析,并通过t分布随机邻域嵌入(t-distributed stochastic neighborhood embedding,TSNE)进行可视化分析。试验结果表明,相较于传统的K-means、主成分分析法(principal components analysis,PCA)+K-means,该方法聚类指标有大幅度提升。对比基于局部结构保留的深度嵌入聚类(improved deep embedded clustering,IDEC),基于一维卷积的深度嵌入聚类(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE)和1D-CAE+K-means,所提方法的DBI分别降低了约0.15、0.08和1.50,CHI提高了约19384.92、12488.48和36485.72,SC提高了约0.10、0.05和0.63。

关键词：深度嵌入聚类卷积自编码器时序特征提取典型负荷曲线联合优化

基于光谱—空间注意力双边网络的高光谱图像分类

在线全文

学校读者我要写书评

暂无评论

遥感学报 2023年第11期27卷 2565-2578页

作者：杨星池越周亚同王杨河北工业大学电子与信息工程学院天津300401

在过去几年里,卷积神经网络已经在高光谱图像分类上取得良好的效果,然而高光谱图像的高维性和卷积神经网络对所有波段的平等处理,限制了这些方法性能。本文提出了一种端到端的光谱空间注意力双边网络SSABN(Spectral-Spatial Attention B... 详细信息

在过去几年里,卷积神经网络已经在高光谱图像分类上取得良好的效果,然而高光谱图像的高维性和卷积神经网络对所有波段的平等处理,限制了这些方法性能。本文提出了一种端到端的光谱空间注意力双边网络SSABN(Spectral-Spatial Attention Bilateral Network),直接将原始图像3D块作为输入数据,而不需要进行预处理。首先,通过光谱空间注意力模块从原始数据中增强有用波段,抑制无效波段。然后,设计双边网络两条路径。其中,空间路径用于提取空间信息,上下文路径用于提供更大的感受野,并通过特征融合模块有效的结合特征。实验结果表明,SSABN在3个公开数据集上取得了更高的分类精度,同时有效的减少训练时间。

关键词：遥感卷积神经网络深度学习特征融合 Indian Pine数据 Pavia University数据 Salinas数据集

基于深度混合储备池计算模型的短期电力负荷预测

在线全文

学校读者我要写书评

暂无评论

电网技术 2022年第12期46卷 4751-4761页

作者：张明辉周亚同孔晓然河北工业大学电子信息工程学院天津市北辰区300401

有效的短期电力负荷预测模型有利于保障电力系统稳定且高效地运行。为此,首先提出了一种具有相邻反馈的混合回声状态网络(hybrid echo state network with adjacent-feedback loop reservoir,HALR)模型,用以避免传统浅层模型使用单一类... 详细信息

有效的短期电力负荷预测模型有利于保障电力系统稳定且高效地运行。为此,首先提出了一种具有相邻反馈的混合回声状态网络(hybrid echo state network with adjacent-feedback loop reservoir,HALR)模型,用以避免传统浅层模型使用单一类型神经元易产生奇异解的问题。然后,基于深度信念网络(deep neural network,DBN)和HALR模型提出了一种深度混合储备池计算(deep hybrid reservoir calculation,DHRC)模型,以提高传统模型的预测精度和效率,该模型实现了DBN优秀特征学习能力和HALR强大逼近性能的结合。将DHRC模型应用于比利时蒙斯大学采集的某地区电力负荷数据集,最终的X_(NRMSE)、X_(RMSE)和X_(MAPE)分别为0.6591、0.0541和4.8523%。最后,在西北某电网供电公司的实际应用中再次证明了DHRC模型的有效性。实验结果表明,与预测效果最佳的浅层模型HALR相比,DHRC的X_(NRMSE)、X_(RMSE)和X_(MAPE)分别降低了65.1685%、65.1079%和60.0954%;与预测效果较好的深度模型LSTM和DBEN相比,DHRC模型的预测效率分别提高了36.5566%和9.4276%。

关键词：深度信念网络储备池计算短期电力负荷预测短期记忆能力

BiLSTM与TCN在户变关系异常识别中的应用

在线全文

学校读者我要写书评

暂无评论

电力系统及其自动化学报 2022年第5期34卷 1-10页

作者：杨健周亚同刘君河北工业大学电子信息工程学院天津300401 朗新科技集团股份有限公司天津300041

准确的用户电表与变压器(台区)归属关系是实现低压台区线损精确计算分析的前提。为解决因用户数据量太少极易造成台区归属误判的问题,提出一种基于双向长短期记忆网络和时间序列卷积(BiLSTM-TCN)的时间序列分类方法,对用户所属台区进行... 详细信息

准确的用户电表与变压器(台区)归属关系是实现低压台区线损精确计算分析的前提。为解决因用户数据量太少极易造成台区归属误判的问题,提出一种基于双向长短期记忆网络和时间序列卷积(BiLSTM-TCN)的时间序列分类方法,对用户所属台区进行识别。首先通过负荷数据计算台区线损率,识别可能存在户变异常的台区。然后将用户一周的电压日冻结曲线拼接成长时间序列进行判别,避免由于数据量太少造成误判。最后将异常用户加入到识别台区下,计算该台区户变关系调整前后线损率变化,验证户变关系识别是否正确。与传统方法相比,所提方法无需进行复杂的特征工程,识别准确率高,具有较强的实际应用价值。

关键词：双向长短期记忆网络时间序列卷积户变关系识别电力大数据时间序列分类