融合多角度信息和图卷积网络的社交网络节点分类模型

针对传统图卷积网络(GCN)存在的信息提取不完整,社交网络节点分类精确度有待提升的问题,提出融合多角度信息和图卷积网络的社交网络节点分类模型(MAIF-GCN)。利用特征向量X和邻接矩阵A,分别构造包含节点间同质信息的矩阵FA和共引信息的矩阵CoA;分别在正则化后的3个矩阵空间进行两层图卷积,得到输入特征在3种空间里的嵌入;将得到的嵌入相加,使用注意力机制,实现邻接邻居、同质最近邻、共引最近邻及三者组合的多角度信息的融合;最后通过训练获得节点分类器。实验结果表明：与现有的GCN变体相比,提出的MAIF-GCN模型在社交网络上分类准确率提高1%以上,证明了MAIF-GCN模型具有良好的信息挖掘和信息融合能力。     

褶皱中文手写体身份鉴别

针对褶皱中文笔迹身份鉴别的问题,提出了一种基于散射变换系数统计特性的识别方法,主要利用散射变换的局部平移不变性和弹性形变稳定性等特性,先将文本图像进行散射变换,再采用伽玛模型,对其各子带的散射系数提取分布特征作为全局特征,然后在全局特征上建立Copula模型,最后使用Copula模型之间的KL距离计算相似性,用于身份鉴别。理论分析和对比实验结果表明,对于不同褶皱的文本图像,基于散射变换统计特性的识别方法优于现有的方法。     

一种基于网络摄像机的火焰识别方法

介绍了一种基于网络摄像机的火焰识别方法。该方法对基于MPEG4格式压缩的流媒体进行处理,将分帧出的BMP图像格式的文件送入图像处理程序,利用火焰的色度特征和频闪特征实现了对火焰的判别和定位能。     

基于GCN和Bi-LSTM的微博立场检测方法

微博中,用户往往会对于某一话题表达出自己的态度立场:支持、反对或者中立,对用户评论进行立场检测以获得用户立场倾向,可以更好地进行舆情管控、产品调研、用户分析等工作。传统的立场检测任务往往被归类于情感分析,或者单一考虑用户立场倾向,并未结合特定话题目标。基于图卷积网络(GCN)与双向长短期记忆网络(Bi-LSTM)方法进行微博立场检测,先根据双向LSTM捕获句子的特征,再依据句子间的句法关系以及句中词语间的依赖关系,根据依存句法树建立图卷积网络,通过对话题建立注意力机制算出注意力分数,最后通过Softmax层进行立场倾向分类。实验结果表明:所采用的网络在NLPCC2016数据集有效地提高了准确度,采用图卷积网络能有效进行立场检测。     

AMFRel:一种中文电子病历实体关系联合抽取方法

中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的中文电子病历实体关系联合抽取模型AMFRel (adversarial learning and multi-feature fusion for relation triple extraction),提取电子病历的文本和词性特征,得到融合词性信息的编码向量;利用编码向量联合对抗训练产生的扰动生成对抗样本,抽取句子主语;利用信息融合模块丰富文本结构特征,并根据特定的关系信息抽取出相应的宾语,得到医疗文本的三元组。采用CHIP2020关系抽取数据集和糖尿病数据集进行实验验证,结果显示：AMFRel在CHIP2020关系抽取数据集上的Precision为63.922%,Recall为57.279%,F1值为60.418%;在糖尿病数据集上的Precision、Recall和F1值分别为83.914%,67.021%和74.522%,证明了该模型的三元组抽取性能优于其他基线模...     

基于平移相减法的机织物组织识别

针对现有机织物组织识别方法适用范围窄、鲁棒性差的现状，课题组提出一种计算织物组织循环大小的平移相减算法（translational subtraction algorithm，TSA），并提出了一种基于TSA算法的机织物组织有效识别方法。该方法结合机织物图像不同方向的TSA算法和水平方向的亮度累加法获取织 物组织循环宽度和纬线宽度，然后对机织物图像进行错位TSA算法，分析错位TSA曲线相位的周期性和大小，可以得到织物组织循环的纱线根数和飞数，最终获 得机织物图像的组织意匠图。实验证明该方法对机织物图像光照、纹理和倾斜等干扰因素具有鲁棒性，能有效识别各种类型的机织物组织。     

突发事件网络舆情传播关键影响因素识别研究

为提高应对突发事件网络舆情传播的处理效率,基于网络可视化方法结合复杂网络理论构建网络舆情影响因素识别模型。该模型基于系统建模理论进行致因因素辨识,依据各影响因素的关联关系,运用网络建模技术形成可视化的致因网络,结合不同的节点失效方案,对致因网络进行失效仿真模拟分析,通过网络结构变化程度识别出网络舆情关键影响因素。网络舆情致因网络具有典型的无标度网络特性,基于节点介数和紧密中心度排序的失效模式对致因网络结构变化程度影响最为显著,其中事件曝光时间、政府关注度、政府发文量、媒体发文量、网民关注程度和网民讨论程度为关键影响因素。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

纸币序列号提取与识别方法研究

通过对人民币序列号的研究,提出了一种基于投影法和BP神经网络的纸币序列号识别方法。算法步骤包括对纸币图像进行二值化、边缘检测、倾斜校正、序列号定位、序列号分割和特征提取,算法最后利用BP神经网络对纸币序列号进行识别。实验结果表明,该方法不受纸币倾斜影响,对图像背景要求不高,平均识别率达到了99.375%。     

符际互补理论——多模态话语分析理论框架

符际互补指多模态语篇中的文本模态和视觉模态相互协同、补充,共同完成意义的建构。符际互补理论从多模态语篇的纯理特征、人际特征、成分特征三方面对视觉模态与文本模态的互补进行分析。符际互补理论对于解读多模态语篇中图像与文本的关系具有重要的理论价值,在二语课堂教学和多模态教材建设领域具有广阔的应用空间。     

基于面部生理特征和深度学习的表情识别方法

针对现有深度网络人脸表情识别方法中网络训练不足,以及迁移学习冗余信息等问题,提出一种新的端到端深度神经网络框架,该框架分为面部组成模块、表征模块和分类模块3个部分,在表征模块中引入了一种新的构建函数,由卷积运算和元素点乘操作组成,可有效提高面部特征的识别能力。另外,基于面部肌肉的运动产生面部表情变化原理,设计了新的损失函数Softmax-MSEREG,使整个神经网络的学习过程规范化,保证提出的神经网络可以显式地学习特定的表情特征。实验结果表明:与其他先进的表情识别方法对比,该模型对实验室控制和野外环境下的图像适用性能更好,表情识别准确率更高。     

基于LDA/GSVD和支持向量机的人耳识别

针对人耳图像自身的特点并通过对现有方法的研究,提出了一种先利用LDA/GSVD算法对样本图像进行特征提取,然后运用SVM分类器对样本向量进行分类的人耳识别方法.此外,还对线性判别分析、广义奇异值分解和支持向量机的相关内容做了简要介绍.实验表明,LDA/GSVD很好地解决了在高维、小样本的情况下,使用Fisher线性鉴别分析的特征提取方法存在的病态奇异问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法.     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%，使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

网络信息检索的途径及方法

根据目前网络信息资源及其现有类型,评介了"概念"术语"单位"的网络检索、图书资源的网络(网上图书馆、网上书店)检索、期刊论文的网络(悠游期刊网、中国期刊网)检索及其他学术信息(学位论文、会议信息、专利及标准、地图及图像图片)的网络检索的途径及方法,供读者进行网络检索时参考.     

基于舆情分析视角的网络借贷问题平台甄别模型研究

从舆情分析视角,将多维度舆情信息纳入网络借贷平台风险分析范畴,针对不同类型的舆情信息采用不同文本处理方式,基于实验研究并结合内部平台基础信息指标与外部舆情信息指标,采用神经网络、支持向量机、随机森林和逻辑回归方法构建网络借贷问题平台甄别模型,验证舆情信息指标对甄别模型的性能提升作用.实验结果表明:第一,综合采用平台基础信息、运营信息和舆情信息进行网络借贷问题平台甄别,准确率更高;第二,相较于随机森林模型、支持向量机模型、逻辑回归模型而言,神经网络模型的甄别效果最佳.本研究有助于金融监管部门科学全面地了解网络借贷平台运营状况,并有针对性地开展精准化监管治理工作.     

基于DCT的模糊面部超分辨率性别识别模型研究

为解决智能监控领域中存在的基于人脸图像的性别识别准确率不高的问题,本研究构建了DCT-FSR-CNN模型。该模型以相邻两帧面部图像作为超分辨率的双输入,通过离散余弦变换和局部超分辨率技术对图像进行融合处理以提高图像整体分辨率;对Alexnet网络进行优化改进,通过融合网络中间层进行特征值优化以提高分类器的准确率。同时,将该模型与其他4种性别识别模型进行实验对比,在现实的模糊面部图像数据集上的实验结果准确率和运行速度均有明显提升,证明了该模型的应用性和有效性。     

大学生网络性心理障碍的形成与防治

随着高等院校计算机设施的完善和网络的普及,许多大学生因迷恋网络而导致产生不同程度的网络性心理障碍.高等院校的思想政治工作者应深入研究网络性心理障碍的形成原因及特点,对思想政治工作信息流通模型进行及时调整、改革和优化,制定相应对策,对大学生网络性心理障碍进行有效的防治.     

网络信息的挖掘与搜索

互联网把海量信息提供给用户,并给人们提出了两个问题,第一,知识和信息的海量性 和无限性与人的精力、时间的有限性形成的矛盾。第二,知识和信息的无序性和污染性与人类使 用信息的纯粹性形成的矛盾。网络个性化信息的提取,是目前网络信息查询和利用研究的主要目 标之一,需要对互联网信息的类型、结构、内容、用法等进行仔细分析,找出针对网络信息的具 体的挖掘对象,如文本信息、非文本信息、数据库信息、服务器信息等并进一步研究信息挖掘的 主要技术,以便全面多层次的、最大限度的掌握所需相关信息。     

论网络文本的解构与建构

网络文本的互文活动具有交互式、虚拟性、多媒体特征。它的共生性、易变性和实时交际性,以及互文活动中文本信息的断裂与缺失,无不体现了互文性对网络文本意义的解构作用。正是因为网络文本独特的互文性,不同的文本建构起大不相同的话语强势,有的话语在网络中才更方便地建立了自己的霸权。这又体现了互文性对网络文本意义的建构作用。     

运用改进型LDA算法的电商微博热点话题研究

作为每日数据高达TB级的社交网络,需要准确而有效地对电商企业发布的热点话题进行主题挖掘。在传统的主题挖掘模型(LDA)的基础上加入文本的一些属性信息(如标签、转发数、评论数、时间等属性信息),对传统的LDA模型进行改进和扩展,提出了将MA-LDA模型应用在电商微博的热点话题挖掘中。在确定合适的主题个数后,MA-LDA算法能有效抑制传统LDA算法因社交平台文本短、稀疏性强、用语不规范等问题。MA-LDA模型主要适应于短时间内被普遍关注的微博热点话题,未对隐式电商话题进行讨论。采集腾讯微博的电商微博文本信息,最终实验结果证明了MA-LDA模型可提高电商微博热点话题识别的准确率。