检索结果-南通市图书馆

双向门控循环神经网络的SO;排放浓度预测模型

在线全文

学校读者我要写书评

暂无评论

应用化工 2021年

作者：蒋星明曹顺安王民军陈东董毕承武汉大学动力与机械学院浙江浙能中煤舟山煤电有限责任公司

火力发电站脱硫系统数据具有大惯性和延时性等特点，且影响SO;排放浓度的因素众多。为此，建立了基于双向门控循环神经网络（bigru）的SO;排放浓度预测模型。以分析得到的主成分为输入变量，SO;排放浓度为输出变量，通过训练对脱硫系统... 详细信息

火力发电站脱硫系统数据具有大惯性和延时性等特点，且影响SO;排放浓度的因素众多。为此，建立了基于双向门控循环神经网络（bigru）的SO;排放浓度预测模型。以分析得到的主成分为输入变量，SO;排放浓度为输出变量，通过训练对脱硫系统SO;排放浓度数据进行预测并进行比较。结果表明：与传统的RNN以及LSTM模型相比，bigru模型能够获得较高的预测精度，其对称平均绝对百分比误差相较于RNN和LSTM分别下降了4.235%和0.718%，其均方根误差分别下降了1.942 mg/Nm;和0.443 mg/Nm;。该模型预测误差较低，泛化能力较好，具有较高的实际应用价值，有利于实现排放控制和节能减排。

关键词：火力发电站脱硫系统 SO 排放浓度 bigru 预测模型

双向门控循环神经网络的SO_(2)排放浓度预测模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

应用化工 2021年第12期50卷 3519-3523页

作者：蒋星明曹顺安王民军陈东董毕承武汉大学动力与机械学院湖北武汉430072 浙江浙能中煤舟山煤电有限责任公司浙江舟山316000

火力发电站脱硫系统数据具有大惯性和延时性等特点,且影响SO_(2)排放浓度的因素众多。为此,建立了基于双向门控循环神经网络(bigru)的SO_(2)排放浓度预测模型。以分析得到的主成分为输入变量,SO_(2)排放浓度为输出变量,通过训练对脱硫系... 详细信息

火力发电站脱硫系统数据具有大惯性和延时性等特点,且影响SO_(2)排放浓度的因素众多。为此,建立了基于双向门控循环神经网络(bigru)的SO_(2)排放浓度预测模型。以分析得到的主成分为输入变量,SO_(2)排放浓度为输出变量,通过训练对脱硫系统SO_(2)排放浓度数据进行预测,并进行比较。结果表明,与传统的RNN以及LSTM模型相比,bigru模型能够获得较高的预测精度,其对称平均绝对百分比误差相较于RNN和LSTM分别下降了4.235%,0.718%,其均方根误差分别下降了1.942,0.443 mg/Nm^(3)。该模型预测误差较低,泛化能力较好,具有较高的实际应用价值,有利于实现排放控制和节能减排。

关键词：火力发电站脱硫系统 SO_(2)排放浓度 bigru 预测模型

基于字符级联合网络特征融合的中文文本情感分析

在线全文

学校读者我要写书评

暂无评论

微电子学与计算机 2020年第1期37卷 80-86页

作者：王丽亚刘昌辉蔡敦波赵彤洲王梦武汉工程大学计算机科学与工程学院

针对传统卷积神经网络(CNN)同层神经元之间信息不能互传,无法充分利用同一层次上的特征信息,以及无法提取长距离上下文相关特征的问题.该文针对中文文本,提出字符级联合网络特征融合的模型进行情感分析,在字符级的基础上采用bigru和CNN-... 详细信息

针对传统卷积神经网络(CNN)同层神经元之间信息不能互传,无法充分利用同一层次上的特征信息,以及无法提取长距离上下文相关特征的问题.该文针对中文文本,提出字符级联合网络特征融合的模型进行情感分析,在字符级的基础上采用bigru和CNN-bigru并行的联合网络提取特征,利用CNN的强学习能力提取深层次特征,再利用双向门限循环神经网络(bigru)进行深度学习,加强模型对特征的学习能力.另一方面,利用bigru提取上下文相关的特征,丰富特征信息.最后在单方面上引入注意力机制进行特征权重分配,降低噪声干扰.在数据集上进行多组对比实验,该方法取得92.36%的F1值,结果表明本文提出的模型能有效的提高文本分类的准确率.

关键词：卷积神经网络 bigru 注意力机制中文文本情感分析

在线全文

学校读者我要写书评

暂无评论

基于迁移学习的维吾尔语命名实体识别

东北师大学报（自然科学版） 2020年第2期52卷 58-65页

作者：孔祥鹏吾守尔·斯拉木杨启萌李哲新疆大学软件学院新疆乌鲁木齐830046 新疆大学信息科学与工程学院新疆乌鲁木齐830046

针对维吾尔语命名实体识别存在无法关注词序列依赖关系等问题,提出一种基于迁移学习的联合深度模型(TBIBC).首先通过BERT(Bidirectional Encoder Representations from Transformers)预训练中文数据集生成具有语义信息的词向量,再将词... 详细信息

针对维吾尔语命名实体识别存在无法关注词序列依赖关系等问题,提出一种基于迁移学习的联合深度模型(TBIBC).首先通过BERT(Bidirectional Encoder Representations from Transformers)预训练中文数据集生成具有语义信息的词向量,再将词向量序列通过空洞卷积神经网络(IDCNN)进行膨胀操作以减少神经元层数和参数,输出向量输入到双向门控循环单元(bigru)进行上下文语义信息提取,然后通过CRF层得到最优标签序列.模型采用共享深度神经网络隐藏层的方法将训练好的中文实体识别模型迁移到维吾尔语模型上.结果表明,该模型的准确率为91.39%,召回率为90.11%,F 1值达到90.75%,能显著提升维吾尔语命名实体识别性能.

关键词：迁移学习 BERT bigru 空洞卷积网络

基于Attention和残差网络的非侵入式负荷监测

在线全文

学校读者我要写书评

暂无评论

电测与仪表 2021年

作者：何健明李梦诗张禄亮季天瑶华南理工大学

非侵入式负荷监测（Non-Intrusive Load Monitoring， NILM）可以从家庭电能表的总功率读数，估算出各用电器的功率。由于对于同一类用电器，其状态种类、各状态持续时长、各状态的功率波形都不同，这使得基于特征工程和聚类的模型的泛... 详细信息

非侵入式负荷监测（Non-Intrusive Load Monitoring， NILM）可以从家庭电能表的总功率读数，估算出各用电器的功率。由于对于同一类用电器，其状态种类、各状态持续时长、各状态的功率波形都不同，这使得基于特征工程和聚类的模型的泛化能力不强；回归模型的分解功率难以迅速跟踪真实功率。针对这些问题，文中将回归问题转化为在序列每个时刻的多分类问题，并提出基于Attention和残差网络的非侵入式负荷监测模型。该模型基于具有编码器和解码器的seq2seq框架，首先通过嵌入矩阵将高维稀疏one-hot向量映射为低维稠密向量；在编码部分，通过双向GRU从前后两个方向提取序列信息，引入Attention机制计算序列中当前时刻最重要的信息，引入残差连接学习残差部分输入输出之间的差异；在解码部分，用回归层组合bigru解码结果，取经过softmax函数处理的最大概率功率类别作为结果。该模型在选取REFIT数据集中表现良好，其中测试集与训练集完全独立，表明训练好的模型可以直接应用在新的住宅用户中。

关键词：非侵入式负荷监测深度学习 bigru 残差网络注意力机制

基于注意力与门控机制相结合的细粒度情感分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机科学 2021年第8期48卷 226-233页

作者：张瑾段利国李爱萍郝晓燕太原理工大学信息与计算机学院太原030024

细粒度情感分析(fine-grained sentiment analysis)是自然语言处理领域的关键问题之一,其通过学习文本的上下文信息来进行特定方面的情感分析,可以帮助用户和商家更好地了解用户评论特定方面的情感。针对基于用户评论的方面级别细粒度... 详细信息

细粒度情感分析(fine-grained sentiment analysis)是自然语言处理领域的关键问题之一,其通过学习文本的上下文信息来进行特定方面的情感分析,可以帮助用户和商家更好地了解用户评论特定方面的情感。针对基于用户评论的方面级别细粒度情感分析任务,提出了bigru-Attention与门控机制(gated mechanisms)相结合的文本情感分类模型。首先,通过整合现有的情感资源,将HOWNET评价情感词典作为种子情感词典,利用SO-PMI算法扩充用户评论情感词典,结合否定词典以及词性信息扩充用户评论情感知识,将用户评价情感知识作为用户评论情感特征信息;其次,引入字词特征与情感特征信息,将它们联合作为模型输入,使用bigru对文本进行深层次的特征提取;然后,结合门控机制以及注意力机制,根据获取的方面词信息进一步提取与方面词相关的上下文情感特征信息;最后,在输出层进行文本情感分析,经过softmax获得最终的情感极性。在AIchallenger2018细粒度情感分析中文数据集上,所提模型的Macro_F1_score值达到了0.7218,性能超过基线系统,获得了较好的实验结果。

关键词：深度学习情感分析注意力机制门控机制 bigru

在线全文

学校读者我要写书评

暂无评论

基于门控多层次注意机制的事件主体抽取

计算机应用与软件 2021年第9期38卷 173-179,187页

作者：冀相冰朱艳辉詹飞梁文桐张旭湖南工业大学计算机学院湖南株洲412008 智能信息感知及处理技术湖南省重点实验室湖南株洲412008

传统事件主体抽取方法着重依赖句子级信息进行抽取,不能完全解决事件的模糊性问题。提出一种基于门控多层次注意机制的ELMo-bigru深度学习模型对事件主体抽取进行研究。使用ELMo预训练模型生成上下文相关的动态词向量,在一定程度上缓解... 详细信息

传统事件主体抽取方法着重依赖句子级信息进行抽取,不能完全解决事件的模糊性问题。提出一种基于门控多层次注意机制的ELMo-bigru深度学习模型对事件主体抽取进行研究。使用ELMo预训练模型生成上下文相关的动态词向量,在一定程度上缓解一词多义的问题;为了处理句子中存在事件模糊性的问题,采用门控多层次注意力机制动态融合每个词的句子级信息和文档级信息。实验结果表明,该方法的抽取效果明显优于传统抽取方法,可以有效解决事件主体抽取的问题。

关键词：事件主体抽取 ELMo 门控多层次注意机制 bigru 深度学习

在线全文

学校读者我要写书评

暂无评论

基于注意力混合模型的中文医疗问答匹配

计算机应用与软件 2021年第11期38卷 148-154页

作者：贾丽娜陈恒李冠宇大连海事大学计算机科学与技术系辽宁大连116026 大连外国语大学语言智能研究中心辽宁大连116044

将深度学习应用于医疗问答是目前最热门的话题之一,一般使用单一神经网络(CNN或RNN)获取句子间语义信息来提高匹配精度。但是该方法只能获取句子中一部分或单侧的信息,忽略了其他丰富而复杂的语义关系,从而导致匹配结果不够理想。针对... 详细信息

将深度学习应用于医疗问答是目前最热门的话题之一,一般使用单一神经网络(CNN或RNN)获取句子间语义信息来提高匹配精度。但是该方法只能获取句子中一部分或单侧的信息,忽略了其他丰富而复杂的语义关系,从而导致匹配结果不够理想。针对此问题提出一种将CNN网络和bigru网络相结合并引入注意力机制的混合模型—Abigru-CNN,该模型能够有效地提取问答对中复杂语义信息。在cMedQA数据集上的实验表明,所提出的混合模型比现有方法具有更高的匹配精度。

关键词：注意力机制 CNN bigru

在线全文

学校读者我要写书评

暂无评论

基于深度学习的医疗辅助诊断关键技术研究

基于深度学习的医疗辅助诊断关键技术研究

作者：耿嘉浙江工商大学

学位级别：硕士

随着深度学习技术的飞速发展和在医疗领域的广泛应用,智慧医疗在我们生活中扮演着越来越重要的角色,逐渐形成了新的技术革命。然而现阶段,我国误诊病历每年平均约有5700万例,误诊率高达27.8%。其次,我国医生资源短缺的现象也非常严重,... 详细信息

随着深度学习技术的飞速发展和在医疗领域的广泛应用,智慧医疗在我们生活中扮演着越来越重要的角色,逐渐形成了新的技术革命。然而现阶段,我国误诊病历每年平均约有5700万例,误诊率高达27.8%。其次,我国医生资源短缺的现象也非常严重,每人平均仅拥有0.0021位医生,尤其是在偏远地区,医疗资源更是分配不平衡,不仅医疗器械和日常药物匮乏,有临床经验的医生专家更是屈指可数。如果能让计算机自动实现病人症状的疾病辅助诊断,将使偏远地区病人不出家门就可以享受到专家级的诊疗,就会极大缓解医疗资源短缺等问题。因此,本文研究基于深度学习的医疗辅助诊断关键技术旨在提高计算机辅助诊断的准确性。本文所研究的医疗辅助诊断技术是通过医疗辅助诊断模型完成的,患者可根据主诉获得自身所患疾病的概率,可以有效地辅助医生针对病人主诉信息进行判断。本文采用深度学习技术来构建医疗辅助诊断模型并对患者主诉进行分析,即医疗文本分类工作,然而传统的深度学习算法存在以下不足:1)双向门限循环网络模型虽然训练效果较好,但对于句子的可解释性不够;2)TextCNN算法能有效地对文本进行分类,但存在过拟合和特征信息丢失的问题。针对上述问题,本论文提出了以下三种模型:一、提出了基于双向门限循环网络和自注意力机制相结合的医疗辅助诊断模型。双向门限循环网络模型(Bidirectional Gated Recurrent Unit,bigru)性能较好,且参数较少收敛更快,但是缺乏对句子的可解释性,而自注意力机制(Self-Attention Mechanism)可以获取更多需要关注的疾病症状信息,而抑制其他与症状无关的信息,增强对句子的可解释性,所以将自注意力机制与双向门限循环网络进行结合,提出bigru-SA模型对医疗文本数据进行分类,提高诊断准确率。二、提出了基于F-TextCNN的医疗辅助诊断模型。传统TextCNN模型在进行文本分类时采用卷积神经网络实现,其最大特点是网络机构简单,从而具有参数数目较少、计算量少、训练速度快等优点,但该模型的池化层使用最大池化法进行池化操作,从而会造成疾病症状特征信息的丢失。本文提出将池化层中的最大池化法改进为全部特征相连接的形式,可以有效提高模型的训练速度及准确率,对医疗文本数据的分类效果提升显著。三、提出一种基于bigru-SA和F-TextCNN相结合的医疗辅助诊断混合模型。该模型是将上述两个模型的输出结果进行融合,并采用加权平均法来得到最终结果。可以有效地平衡两个模型带来的负面作用,让准确率、召回率和F1-评测值保持在一个相对均衡、合理的水平。在最后,本文采用了准确率、召回率、F1-评测值这三项指标为评估标准,针对理论部分设计了相应实验。实验分析表明本文对模型所进行的改进是合理且有效的。

关键词：医疗辅助诊断文本分类 bigru 自注意力机制 TextCNN