检索结果-南通市图书馆

cnn乌克兰危机新闻对中俄关系态度的多模态研究

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

CNN乌克兰危机新闻对中俄关系态度的多模态研究

作者：张心语山东师范大学

学位级别：硕士

自2022年2月24日爆发以来,乌克兰危机作为影响国际秩序的重大国际事件备受关注,全球各国主流媒体纷纷开设新闻专栏进行报道。在新闻客观性的原则下,这些报道也公开或隐秘地表现出其背后利益集团的态度。中国作为国际秩序中的重要力量,... 详细信息

自2022年2月24日爆发以来,乌克兰危机作为影响国际秩序的重大国际事件备受关注,全球各国主流媒体纷纷开设新闻专栏进行报道。在新闻客观性的原则下,这些报道也公开或隐秘地表现出其背后利益集团的态度。中国作为国际秩序中的重要力量,其对乌克兰危机的态度经常出现在报道之中,并由此引发了对中俄关系的相关解读。报道对中俄关系表达了何种态度,报道中的中俄关系是否准确,这可能会对中国国际形象产生影响。因此,对乌克兰危机新闻报道中中俄关系态度的研究就具有了一定的现实意义。论文选择cnn乌克兰危机新闻报道中的中俄关系态度作为研究对象,主要原因如下。首先,中国知网的统计数据显示,国内有关cnn涉及中国的新闻报道的研究大多以特定中国事件为背景,鲜有以中国发挥大国作用的国际重大事件为背景的研究,不符合中国当前的国际地位。其次,已有文献对cnn新闻报道中对中国态度的研究较多,而对中俄关系态度的研究较少。但是,中俄关系是当前复杂国际秩序的重要组成部分。最后,新闻报道中的态度研究多以单个模态为主,多模态研究较少。论文选择2022年2月24日至2023年7月20日cnn乌克兰危机新闻报道中的91篇涉中俄报道作为研究对象,以Martin&White的评价理论及Kress&Leeuwen的视觉语法为理论基础和分析框架,采用定量分析和定性分析相结合的方法,试图回答以下三个研究问题。第一,在文字模态中,cnn新闻报道中关于中俄关系的态度资源的类型及分布特征是什么?呈现出什么样的态度?第二,在视觉模态中,图片建构出了什么意义?呈现出什么样的态度?第三,cnn新闻报道对中俄关系态度的潜在社会文化影响因素是什么?研究主要发现如下。第一,在态度系统的三个子系统中,判断资源使用最多,鉴赏资源次之,情感资源最少。针对不同的评价客体,态度资源的使用具有比较鲜明的特点。判断资源中的恰当资源是分别评价中国和俄罗斯时最常使用的资源。当中俄作为一个评价客体时,鉴赏资源中的构成资源使用最为频繁。从极性上来看,大部分的恰当资源和构成资源是消极评价。一方面对俄罗斯从道德和法律层面进行猛烈批判,另一方面指责中国的中立立场,将中俄之间密切的经济文化往来政治化,宣扬“中俄威胁论”。第二,在视觉模态中,就再现意义而言,图片中叙事再现所占的比例较大,较多呈现中俄双方友好的握手及柔和的面部表情。概念再现中象征过程出现频次高,通过国旗等象征符号政治化中俄之间密切的经济文化往来。从互动意义上来看,由于新闻图片客观性的要求及大多对两国领导人的呈现,大部分图片属于提供类,采用中镜头、正面、平视的视角,体现出新闻图片在呈现中俄关系时谨慎的态度;从构图意义上看,图片常采用中心-边缘结构来突显中俄领导人,以更好地展现中俄两国之间的互动。整体而言,视觉模态展现了中俄之间密切的经济文化往来,呈现出两国亲密友好的伙伴关系。但结合文字模态,视觉模态意义发生了偏转,具有了消极的色彩,隐秘地将中俄形塑为潜在的“政治联盟”或“军事同盟”,严重影响了中国的国际形象。第三,cnn在乌克兰危机新闻报道中对中俄关系持消极态度可能的原因如下。从微观层面而言,大众传媒与政治具有密不可分的内在联系。cnn长期以来坚持国家利益优先的原则,是美国政治重要的新闻议程设置者。因此,cnn的报道在一定程度上受到中、美、俄三国关系的影响。近年来,中俄经济文化关系稳步发展,但是随着中美、俄美关系出现波折,中俄关系的发展基本上被美国视为威胁。从宏观层面而言,cnn新闻报道在一定程度上受到西方文化价值观的影响。后冷战时期西方对中俄关系的论述,基本上建立在“有限和解论”和“中俄威胁论”的二元对立的认知框架中,反映了西方认知世界格局时的极度线性思维方式和强烈的意识形态取向。这是影响cnn新闻报道对中俄关系消极态度的一个值得关注的因素。

关键词：态度评价理论视觉语法中俄关系 cnn

基于cnn与Transformer的遥感图像军事目标识别研究

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CNN与Transformer的遥感图像军事目标识别研究

作者：党玉龙青海师范大学

学位级别：硕士

现代战争中,遥感图像军事目标识别对于军事侦查与精确打击具有重要意义。快速准确的从复杂的战场环境中识别出军事目标,不仅依赖于高质量大规模的遥感图像军事目标识别数据集,还要求较高的识别精度与识别速度。本文围绕降低遥感图像军... 详细信息

现代战争中,遥感图像军事目标识别对于军事侦查与精确打击具有重要意义。快速准确的从复杂的战场环境中识别出军事目标,不仅依赖于高质量大规模的遥感图像军事目标识别数据集,还要求较高的识别精度与识别速度。本文围绕降低遥感图像军事目标实例分割数据集的标注成本、提高遥感图像军事目标对象检测模型识别速度与识别精度的平衡性、提高遥感图像军事目标实例分割模型对于小尺度密集分布目标的识别能力三方面展开研究,具体内容如下:(1)针对遥感图像军事目标实例分割数据集标注成本过高的问题,提出了遥感图像军事目标实例分割数据集自动标注方法。通过有向框标签与DEXTR半自动分割技术相结合得到遥感图像军事目标的分割掩膜,进而构建出高质量大规模的遥感图像军事目标实例分割数据集,从而降低了遥感图像军事目标实例分割数据集的标注成本。(2)针对现有遥感图像军事目标对象检测模型不能兼顾识别速度与识别精度的问题,提出了基于Faster R-cnn的遥感图像军事目标对象检测模型。首先,结合可变形卷积与拆分注意力机制提高模型对形变特征与全局上下文信息的表征能力,提高识别精度。其次,通过消融实验消除模型的冗余结构提高识别速度。最后,将NMS替换为Soft-NMS降低对密集军事目标的漏检率。实验结果表明,所提模型相比于多个主流模型在精度、处理速度、参数量上取得了较好的性能,兼顾了遥感图像军事目标对象检测的精度与速度。(3)针对现有遥感图像军事目标实例分割模型对于小尺度密集分布目标容易漏检的问题,提出了基于Transformer的遥感图像军事目标实例分割模型。首先,对二阶段实例分割模型的结构进行详细分析,梳理出现有实例分割模型对小尺度密集目标漏检的原因。其次,对基于cnn的对象检测模型与基于Transformer的对象检测模型进行对比分析,确定所构建模型的基础框架。最后,基于多阶段预测方法构建了级联掩膜预测网络。实验结果表明,所提模型对小尺度密集分布军事目标的实例分割精度较高,缓解了对于小尺度密集目标的漏检问题。

关键词：遥感图像军事目标对象检测实例分割 cnn Transformer

基于cnn的肺炎诊断方法及FPGA实现研究

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CNN的肺炎诊断方法及FPGA实现研究

作者：刘世杰吉林化工学院

学位级别：硕士

近年来,全球新冠疫情的爆发进一步推动了肺炎成为一种全球性的高发疾病。肺是人体重要的呼吸器官,一旦发生感染引起严重炎症,若未能及时发现,就会错过最佳治疗时机,将对肺部造成不可逆的损害。因此,实现肺炎快速且准确的诊断成为当前研... 详细信息

近年来,全球新冠疫情的爆发进一步推动了肺炎成为一种全球性的高发疾病。肺是人体重要的呼吸器官,一旦发生感染引起严重炎症,若未能及时发现,就会错过最佳治疗时机,将对肺部造成不可逆的损害。因此,实现肺炎快速且准确的诊断成为当前研究的热点之一。本文以肺炎为研究对象,旨在解决传统肺炎诊断精度低、诊断效率慢、专家资源匮乏及侵入性等问题,对肺炎诊断及诊断加速器方法展开了深入研究。主要工作包括:(1)选取肺部数据集,搭建基于卷积神经网络(cnn)的肺炎诊断框架。由于cnn网络架构存在诸多超参数,而超参数设置会直接影响诊断模型性能。针对上述问题,提出一种改进后的秃鹰搜索算法(NBES)优化cnn超参数学习率,即在模型训练过程中,通过寻优来动态的设置学习率,从而获取最优的诊断模型。经实验验证,提出的超参数优化方法不仅提高模型9%的诊断精度,并且模型整体性能最优,可以有效地解决传统肺炎诊断技术存在精度低及侵入性问题。(2)针对cnn模型存在计算规模大及内存存储参数量多,导致模型难以在资源有限的硬件上完成部署的问题,设计一种模型轻量化方法。首先,对CN N网络架构进行优化,设计一款轻量化网络“Min cnn”。与此同时,提出一种基于改进后的知识蒸馏(TAKD)的方法,压缩诊断模型Min cnn的大小。其次,由于模型压缩过程往往会出现信息丢失,从而导致Min cnn模型精度出现下降的问题,提出一种使用NBES算法优化TAKD的超参数温度,从而缓解模型精度下降问题。最后,提出一种数据优化的方法,以进一步压缩Min cnn模型的大小。经实验验证,采用上述轻量化方案,模型大小最大可从7.99MB压缩至57KB,有效地解决cnn难以硬件部署问题。(3)针对传统肺炎诊断存在诊断效率低及专家资源不足问题,提出一种基于FPGA的Min cnn加速器。首先,确定加速器功能开发方案,其中包括FPGA器件选型与FPGA输入方式选择。其次,通过分析Min cnn网络架构可知,该架构存在重复或者相似功能层。因此,选取模块化设计方式,并通过复用模块实现加速器电路设计,从而缩短Min cnn加速器的开发周期。最后,使用HLS优化策略提高硬件资源利用率,以牺牲硬件资源提高Min cnn电路模型性能,从而实现诊断模型的加速。经实验验证,基于FPGA的Min cnn加速器对比Intel Core i7-7500U推理速度最高提升34.3倍,对比Intel Core i9-12900KF+RTX3090功耗降低108.74倍,成功解决了肺炎诊断效率慢问题。(4)将Pynq-z2板子搭载的ARM作为控制器,实现肺炎诊断加速器系统界面设计。通过Jupyter Notebook开发诊断系统界面的登入功能、软件端功能及硬件端功能,从而实现肺炎诊断加速器系统的可视化。

关键词：肺炎诊断 cnn 知识蒸馏 FPGA 加速器

基于cnn和Transformer的图像特征提取方法研究

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CNN和Transformer的图像特征提取方法研究

作者：郭少聪河北大学

学位级别：硕士

随着深度学习技术的发展,图像特征提取已成为计算机视觉领域中的关键技术,对于提升图像分类、目标检测和图像分割等任务的性能至关重要。卷积神经网络(Convolutional Neural Network,cnn)因其优秀的空间特征提取能力在计算机视觉领域取... 详细信息

随着深度学习技术的发展,图像特征提取已成为计算机视觉领域中的关键技术,对于提升图像分类、目标检测和图像分割等任务的性能至关重要。卷积神经网络(Convolutional Neural Network,cnn)因其优秀的空间特征提取能力在计算机视觉领域取得成功,但在获取图像全局表示方面存在局限。近年来,Transformer被引入到图像特征提取的方法中,首先将图像划分成相同大小的图像块,然后图像块被转换为序列数据。通过利用自注意力机制,能够有效获取序列数据之间的全局依赖关系。然而,直接将Transformer应用于图像特征提取却面临若干挑战和限制。Transformer依靠自注意力机制处理序列数据,随着输入序列长度的增长,其计算复杂度显著提高,这在处理高分辨率的图像数据时尤为突出。除此之外,不同于cnn通过其内置卷积操作获得固有空间感知能力,Transformer在处理图像数据时缺乏必要的空间先验知识,这一先验知识的缺失使得Transformer在直接处理图像数据方面的效率和能力受到限制。针对上述问题,本文在现有研究工作的基础上提出以下解决方案,介绍如下:1.针对Transformer模型计算复杂度高和缺少先验信息的问题,提出了一种新颖的cnn和Transformer多尺度融合的轻量化网络模型(Multi-Scale Res2Net-Transformer,Res2former)。Res2former将cnn的归纳偏置和多尺度特征提取能力引入到Transformer模型中,其中多尺度Transformer模块(Multi-Scale-Transformer,MS-Transformer)在Transformer的前馈层中提取多尺度信息,增强Transformer模型多尺度特征的表示能力。此外,Res2former模型有效地模拟网络从提取局部特征到提取全局特征的过渡,从而进一步提升模型的特征提取能力。在公共数据集上的实验验证了Res2former模型在图像分类、目标检测和实例分割等下游任务中的显著优势。2.为了进一步提升特征表示能力,针对局部窗口注意力机制感受野有限和现有模型建模能力弱的问题,提出了一种混合注意力Transformer主干网络(Hybrid Attention Transformer,HAformer)。HAformer模型通过并行设计的混合注意力模块,将局部窗口注意力机制和通道注意力机制输出的特征进行有效的融合,扩大了局部窗口注意力机制的感受野。不仅如此,在通道注意力模块前加入两个连续的卷积模块并在Patch嵌入层使用重叠卷积嵌入模块以进一步提升模型抽取特征的能力。实验结果证明,提出的HAformer模型作为各种下游任务的主干网络具有一定的有效性。

关键词： Transformer 自注意力机制 cnn 多尺度融合特征表示

基于cnn-LSTM-Attention模型对斜程能见度的评估

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CNN-LSTM-Attention模型对斜程能见度的评估

作者：王洋洋西安理工大学

学位级别：硕士

斜程能见度作为近年受到广泛关注的大气光学与气象参量,在航空、航天、军事等领域展示出重要的科学研究意义和应用价值。特别是在航空交通领域,斜程能见度是航空器安全起降的关键因素之一,也是保障飞行安全的重要气象要素之一。借助于... 详细信息

斜程能见度作为近年受到广泛关注的大气光学与气象参量,在航空、航天、军事等领域展示出重要的科学研究意义和应用价值。特别是在航空交通领域,斜程能见度是航空器安全起降的关键因素之一,也是保障飞行安全的重要气象要素之一。借助于深度学习模型强大的特征提取能力与非线性能力的优势,本文以斜程能见度为研究对象,开展基于cnn-LSTM-Attention深度学习混合模型的斜程能见度评估方法的研究,以期实现对斜程能见度的快速准确评估。具体研究内容如下:考虑到斜程能见度的众多影响因素,论文首先基于SBDART辐射传输模式,开展了斜程能见度影响因素的仿真分析,具体探讨了太阳几何位置、气溶胶光学厚度、大气消光系数、大气散射辐射亮度以及地面辐射亮度对斜程能见度的影响,通过相关性分析得到了不同影响因素对斜程能见度测量的重要性排序。进而,利用主成分分析法解决初始数据集内部的多重共线性问题,进一步筛选数据,确定了适用于斜程能见度评估的数据和类型,建立了输入数据集。针对单一模型的预测或评估精度问题,论文提出了基于cnn-LSTM-Attention深度学习的斜程能见度混合评估模型,其核心思想是利用cnn提取数据主要信息特征,利用LSTM用于处理序列数据,结合Attention机制提高模型对输入数据的重要部分加权关注。根据混合模型的结构要求,通过对权重优化器、激活函数等重要模型参数进行调整,并对混合模型的网格参数进行优化,确定了 cnn卷积核大小为3,卷积核数量为32,池化层大小为2,LSTM隐含层为20,批处理大小为25,迭代次数为25,Dropout为0.2,构建了可用于斜程能见度评估的cnn-LSTM-Attention混合模型。最后,利用cnn-LSTM-Attention混合模型对斜程能见度进行评估和结果分析。针对于250个独立数据,由cnn-LSTM-Attention的混合模型评估的斜程能见度具有较高的评估精度,决定系数R2达到0.86,准确率达到70%,反映了所建立混合模型在斜程能见度评估方面的泛化能力。为了验证混合模型的评估能力,将cnn-LSTM-Attention模型的评估结果分别与BP、cnn、LSTM与cnn-LSTM进行对比,结果表明,cnn-LSTM-Attention混合模型评估结果R2和ACC相较于单一模型提高了17%和22%以上,相较于cnn-LSTM提高了16%和10%,RMSE、MAE以及MBE相较于单一模型降低了36%以上,相较于cnn-LSTM混合模型降低了15%以上。进一步,将评估结果与激光雷达实验测量的斜程能见度结果进行了对比,结果表明,基于混合模型的斜程能见度评估结果与测量结果的偏差在±2km之内,相对误差大部分小于20%,充分验证了cnn-LSTM-Attention混合模型对斜程能见度评估的可行性。

关键词：深度学习斜程能见度 cnn LSTM 注意力机制

基于cnn和Transformer混合模型的甲状腺结节恶性风险分级研究

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CNN和Transformer混合模型的甲状腺结节恶性风险分级研究

作者：陈燕南昌大学

学位级别：硕士

近年来,“智慧+医疗”的概念逐渐深入人心,成为推动医疗行业转型升级的重要力量。甲状腺结节是甲状腺癌的早期表现,也是最常见的结节病变。在诊断中,超声技术因其非侵入性而得到广泛应用。然而,超声图像中结节特征复杂,边缘模糊,形态多... 详细信息

近年来,“智慧+医疗”的概念逐渐深入人心,成为推动医疗行业转型升级的重要力量。甲状腺结节是甲状腺癌的早期表现,也是最常见的结节病变。在诊断中,超声技术因其非侵入性而得到广泛应用。然而,超声图像中结节特征复杂,边缘模糊,形态多样,与背景组织难以区分,诊断结果常受限于医生的经验和知识,存在主观性。为提高诊断速度与准确性,本文依据C-TIRADS的超声征象描述和定性评价方案,将其作为重要参考,进而开展基于cnn和Transformer混合模型的甲状腺超声图像恶性结节分级研究。具体研究内容如下:(1)甲状腺结节超声图像数据集的构建与预处理。针对目前没有公开的基于C-TIRADS的甲状腺结节超声图像数据集,在专业医生的协助下,进行了数据集的构建工作,包括采集超声图像、初步预处理和病理特征标注。针对图像中结节边缘模糊的问题,采用了归一化方法进行数据增强。同时,针对样本数量少的问题,采用了旋转、翻转、平移等几何变换的数据增强技术,以扩大数据集规模并构建出适用于模型训练的高质量数据集。(2)基于cnn和Transformer混合模型的搭建。由于鲜少有基于C-TIRADS标准对甲状腺超声图像进行恶性结节分级,研究一种基于cnn和Transformer的混合模型。首先,通过设计对比实验,选择了若干主流医学任务图像分类模型中在甲状腺结节超声图像数据集上表现性能最佳的Swin Transformer模型作为研究的基准模型。其次,针对Swin Transformer在甲状腺超声图像多分类上存在分类准确率不够理想、结节良恶性相似病理特征难识别的问题,开展了模型的改进研究。一是构建多尺度特征提取卷积编码层来捕获甲状腺结节超声图像多局部尺度特征,分别选取VGGNet16、ResNet50、MobileNetV3的前17、5、2个子层作为多尺度特征提取网络,分别捕获28×28、56×56和112×112的多尺度特征信息,进而提高模型的特征提取能力;二是设计反卷积解码层,将多尺度特征提取卷积编码层捕获的三种尺度特征解码到相同的224×224尺度,并提出集成系数,通过设计集成系数的对比实验,选取系数组{0.3,0.3,0.3}用于模型的特征求和,表明在所有尺度上均等地捕获特征可以极大地提升模型的泛化能力;三是迁移学习策略,对多尺度特征提取卷积编码层和Swin Transformer除了分类头的组件进行迁移学习,不仅减少模型训练所需的时间,还提升特征提取网络的性能,增强模型的鲁棒性和泛化能力。(3)实验设计与分类结果展示。在甲状腺结节超声图像数据集上对本文提出的基于cnn和Transformer的混合模型进行一系列对比实验,实验结果表明,本文模型分类准确率达到了89.1%,比基准模型提高了6.8个百分点。消融实验结果表明捕获多尺度特征的有效性和重要性,验证了本文所提出的模型能对甲状腺结节超声图像中结节的危险等级做出较好的分类,为临床甲状腺结节的诊断提供了更有效的支持。

关键词：甲状腺超声图像 C-TIRADS cnn Swin Transformer

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

cnn收视率大幅下滑的原因与启示

当代电视 2024年第7期 103-108页

作者：闵瑞柴如瑾中央广播电视总台光明日报社

美国有线电视新闻网(cnn)的收视率近年来不断出现大幅下滑,其原因在于cnn在“大事件依赖症”的影响下,过度关注国际重大新闻而缺少评论和本地内容,并且存在政治偏见引发信任危机、节目制作缺乏创新、新媒体把关不严等问题,这些都使cnn... 详细信息

美国有线电视新闻网(cnn)的收视率近年来不断出现大幅下滑,其原因在于cnn在“大事件依赖症”的影响下,过度关注国际重大新闻而缺少评论和本地内容,并且存在政治偏见引发信任危机、节目制作缺乏创新、新媒体把关不严等问题,这些都使cnn在新媒体环境下的吸引力、竞争力、公信力、美誉度减弱,导致大量观众流失,收视率大幅下滑。鉴于此,以中国国际电视台(CGTN)为代表的我国外宣媒体,亟须吸取cnn收视率下滑的经验教训,加强国际传播能力建设,平衡好新闻直播与常规栏目、事件报道与观点评论的关系,严把新媒体关口,大力创新节目,全面提升国际传播效能,形成同我国综合国力和国际地位相匹配的国际话语权。

关键词： cnn CGTN 收视率国际传播

基于cnn的GPR图像公路面层下层界面自动识别研究

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

科技与创新 2024年第16期 14-18,24页

作者：金泽楷张欣怡邹新羽周雨璇何秋怡黄悦中国矿业大学(北京)地球科学与测绘工程学院北京100083

公路面层的厚度是公路检测中的一个重要指标,对公路路面质量起着决定性作用。面层下层界面追踪结果结合关键的介电常数参数,可以准确获取面层的厚度信息,因此,GPR(Ground Penetrating Radar,探地雷达)图像下层界面识别与追踪结果对面层... 详细信息

公路面层的厚度是公路检测中的一个重要指标,对公路路面质量起着决定性作用。面层下层界面追踪结果结合关键的介电常数参数,可以准确获取面层的厚度信息,因此,GPR(Ground Penetrating Radar,探地雷达)图像下层界面识别与追踪结果对面层厚度计算起着至关重要的作用。现阶段,大量的公路探地雷达资料解释工作由人工进行,存在解释周期长且依赖人工经验等问题。针对上述问题,提出了一种基于cnn(Convolutional Neural Networks,卷积神经网络)框架的公路层下层界面自动检测模型。为使建立的模型能更加准确有效地应用于GPR图像层界面的检测,对模型进行参数优化和性能评估,评估结果表明,模型查准率可以达到97%,说明模型识别层界面的准确性较高。利用该模型对实测图像进行实例验证,验证结果表明,建立的模型能够有效、快速、准确地在GPR图像上提取公路层界面并可视化展现出来。

关键词：探地雷达 cnn 目标检测公路层界面

基于RoBERTa-cnn-BiLSTM-CRF的高中数学知识实体识别

维普期刊数据库博看期刊

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

人工智能与机器人研究 2024年第1期13卷 121-129页

作者：赵梓宏单菁王佳英沈阳工业大学软件学院辽宁沈阳

命名实体识别是自然语言处理中的一个重要研究步骤,也是自然语言中许多下游任务的前置任务。传统的命名实体识别方法通常采用简单线性或非线性模型进行识别,实体识别的准确率不高。随着深度学习的引入,能够处理更为复杂的非线性问题,使... 详细信息

命名实体识别是自然语言处理中的一个重要研究步骤,也是自然语言中许多下游任务的前置任务。传统的命名实体识别方法通常采用简单线性或非线性模型进行识别,实体识别的准确率不高。随着深度学习的引入,能够处理更为复杂的非线性问题,使用神经网络模型来提高实体识别的准确率。本文提出一种基于RoBERTa-cnn-BiLSTM-CRF模型,用于高中数学知识实体的识别任务。首先利用RoBERTa模型中的双向Transformer编码层对数据的特征进行提取与分析生成相应的词向量,然后利用卷积神经网络(cnn)中的卷积层和池化层实现降维操作,提取句子中的局部特征,最后构建适合高中数学知识点实体识别的LSTM-CRF模型进行训练和处理。经过实验表明,该模型具有较高的准确性。准确率、召回率和F1分别达到94.32%、94.58%和94.45%。

关键词：高中数学知识实体识别 RoBERTa模型 cnn BiLSTM