检索结果-南通市图书馆

计算机仿真 2019年第2期36卷 439-442,468页

作者：谢毅上海市宝山区中西医结合医院上海201900

移动网络相似信息重复记录检测在专利分析系统中具有广泛的应用前景。针对当前方法存在检测耗时较长、查准率和查全率较低等问题,提出一种基于领域本体的移动网络相似信息重复记录智能检测方法,构建了一种三维的移动网络文本空间表示模... 详细信息

移动网络相似信息重复记录检测在专利分析系统中具有广泛的应用前景。针对当前方法存在检测耗时较长、查准率和查全率较低等问题,提出一种基于领域本体的移动网络相似信息重复记录智能检测方法,构建了一种三维的移动网络文本空间表示模型,对移动网络中相似信息重复记录文本集合中的文本向量进行结构化描述。在此基础上,基于领域本体分别对移动网络相似信息重复记录中的词语、句子和文本进行相似度检测,得到移动网络文本中任意两个句子的相似度特征矩阵。对移动网络文本中句子相似度特征矩阵进行遍历,选取其中相似度最大的句子组合,并将该组合所属行列从矩阵中删除,再从剩余矩阵中相似度最大的句子组合筛选出来,以此类推,直到句子中的元素数目变为0,提取获得相似度最大句子组合序列,根据该序列即可实现移动网络相似信息重复记录的智能检测。仿真测试结果表明,上述方法在移动网络相似信息重复记录相似度检测准确性上更具优势,具有较高的查准率和查全率,并且检测效率较高。

关键词：移动网络相似信息重复记录智能检测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

网络多媒体数据库相似信息检索方法研究

引用

新一代信息技术 2019年第23期2卷 84-88页

作者：党鹏飞周口市公安局交通管理支队河南周口411600

现有相似信息检索方法存在着P@K指标与MAP指标过低的问题,为了解决上述问题,提出网络多媒体数据库相似信息检索方法研究。依据相似信息检索需求搭建网络多媒体数据库相似信息检索框架,以此为基础,构建相似信息检索模型,得到时态数据图,... 详细信息

现有相似信息检索方法存在着P@K指标与MAP指标过低的问题,为了解决上述问题,提出网络多媒体数据库相似信息检索方法研究。依据相似信息检索需求搭建网络多媒体数据库相似信息检索框架,以此为基础,构建相似信息检索模型,得到时态数据图,以用户查询信息关键词与约束时间为依据,在时态数据图中检索得到检索结果子树,计算时态边权重值表示检索结果子树的信息相似度,根据相似度构建时态倒排索引,确定相似信息的存储位置,实现了网络多媒体数据库相似信息的检索。通过实验结果显示,与现有网络多媒体数据库相似信息检索方法相比较,提出的网络多媒体数据库相似信息检索方法极大的提升了P@K指标与MAP指标,充分说明提出的网络多媒体数据库相似信息检索方法具备更好的检索效果。

关键词：网络多媒体数据库相似信息检索

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于注意力融合网络的方面级多模态情感分类

引用

计算机系统应用 2024年第2期33卷 94-104页

作者：冼广铭招志锋阳先平华南师范大学软件学院佛山528225

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... 详细信息

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.

关键词：多模态情感分类空间变换网络交互网络相似信息注意力融合网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于鲁棒流形学习的人脸识别

基于鲁棒流形学习的人脸识别

引用

作者：刘亚敏西安电子科技大学

学位级别：硕士

人脸识别是计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。在众多的特征提取技术中,子空间分析方法因其... 详细信息

人脸识别是计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。在众多的特征提取技术中,子空间分析方法因其计算代价小、描述能力强、可分性好等特点,已成为非常活跃的研究方向之一。论文从子空间分析中的流形学习入手,深入研究了基于图论的图像空间几何结构的描述,主要内容和贡献如下：第一,针对LPP存在过学习和不能较好地保存图像空间的差异信息等问题,导致算法性能不是足够的好,提出了融合局部相似信息和差异信息保持投影算法（Local Similarity and Diversity Preserving Projection, LSDP）。LSDP定义两个加权邻接图分别描述数据间的相似信息和差异信息,并给出了度量相似信息和差异信息的离散度矩阵。在此基础上,建立了一个物理意义明确的特征提取准则,即通过最大化差异离散度和最小化相似离散度准则获得投影方向,投影后的特征既能有效地保持图像之间的局部结构,又能较好地保持图像之间的差异信息,并且避免了过学习问题。实验结果证明了所提算法的有效性。第二,针对流形学习的判别方法忽略了同类样本间的多样性信息,即就是同类样本间的差异信息,及投影矩阵不正交等问题,提出了正交局部判别投影（Orthogonal Local Discriminant and Information Embedding, OLDIE）。该算法分别利用两个加权邻接图描述类内局部邻接图和类间边缘邻接图。其中类内局部邻接图包括局部相似邻接图和局部差异邻接图。在此基础上,给出了度量局部信息和边缘信息的离散度矩阵,然后通过最大化边缘信息离散度和最小化局部离散度准则提取特征。实验结果证实了所提方法的有效性。

关键词：流形学习差异信息相似信息多样化特征提取

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于流形学习的降维技术的研究及应用

基于流形学习的降维技术的研究及应用

引用

作者：白丽杰河北大学

学位级别：硕士

随着数据获取技术突飞猛进地发展，模式识别领域的高维数据越来越多。这些高维数据里的冗余信息不仅严重影响分类器的精度，增加分类器训练的难度。这些高维数据还会造成“维数灾难”。降维作为克服维数灾难的有效手段，越来越受到研究... 详细信息

随着数据获取技术突飞猛进地发展，模式识别领域的高维数据越来越多。这些高维数据里的冗余信息不仅严重影响分类器的精度，增加分类器训练的难度。这些高维数据还会造成“维数灾难”。降维作为克服维数灾难的有效手段，越来越受到研究者们的关注。最近研究表明，这些高维数据更有可能分布在非线性流形上，这对传统的基于全局欧氏的降维技术带来了挑战。作为一种新的非线性降维技术，流形学习能够有效地保持数据的拓扑结构，并已广泛地应用到人脸识别、数据可视化等众多领域。但基于流形学习的降维技术在模式识别应用中存在着诸多缺点，如外样本问题、过学习及无监督学习等。为了提高流形学习的识别能力，本文提出了两种新的有监督的流形学习的降维方法。 1.首先提出了一种新的加权非参数最大间隔（Weighted Nonparametric MaximumMargin Criterion,WNMMC）降维方法，并将此方法与线性化的LLE算法融合提出了一种新的有监督的流形学习算法非参数判别性局部线性嵌入（Nonparametric Locally LinearDiscriminant Embedding, NLLDE）。最后在常用人脸识别数据库上进行验证和实验对比。 2.提出了判别性局部相似信息和差异信息保持映射（Local Similarity and DiversityPreserving Discriminant Projection, LSDDP）。LSDDP通过构建的相似邻接图和差异邻接图保持样本的相似信息和差异信息，并根据样本的类别信息和局部结构信息对相似权值和差异权值赋值。最后，我们用人脸识别和手写体识别实验对算法进行验证和对比，证明了算法有效性。

关键词：降维流形学习人脸识别相似信息差异信息

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：