共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
《黑龙江环境通报》2020,(6):42-45
针对已有基于方面级别的情感分类通常只考虑独立的句子及关注每个句子的方面情感的问题,提出了一种基于方面情感分类的分层区域CNN-LSTM模型。与基于注意力机制LSTM和基于注意力机制CNN不同,通过分层关注机制将注意力集中在单词级别和句子级别上。采用一种新的基于分层CNN作为输入层,在整个评论中提取基于方面的长距离依赖特征,这种分层CNN和区域LSTM可以捕获与关注更深入更细粒度的信息,并且可以在预测过程中考虑句子内部和句子之间的关系。在多领域数据集上进行实验,结果表明,与仅使用单词向量基于方面情感分类的同类模型相比,所提出的模型性能更好。 相似文献
5.
6.
海表温度(sea surface temperature,SST)是研究全球气候变化的重要地球物理参数,SST的精确预测对全球气候变化、海洋环境和渔业发展具有重要意义。为了提高SST的预测精度,基于时空特征的提取方法,本文提出具有注意力机制的HDC-BiGRU混合模型(HDC-BiGRU-AT,由编码器和解码器构成),可以预测7天的SST。在模型编码阶段,混合空洞卷积(hybrid dilated convolution,HDC)能够提取SST的空间特征,双向门控循环神经网络(bidirectional gated recurrentunit,BiGRU)能够捕获SST的时序特征。通过加入注意力机制,对输出信息分配不同的权重(重要信息分配更高的权重系数),进而实现信息编码,在解码阶段可以提高模型的预测精度。选取我国东海和南海海域的二维SST数据进行建模,实验结果表明,HDC-BiGRU-AT模型的误差指标值均低于已有的方法,充分验证了所提方法的可行性、有效性。 相似文献
7.
针对管道故障诊断特征参数选取经验化和诊断准确率低的问题,提出一种基于深度学习神经网络(DLNN)的管道故障诊断方法。首先建立由自动编码器(AE)和分类器SOFTMAX构成的深度学习神经网络分类(CDLNN)模型,并利用该模型对4类数据集进行分类性能测试;然后运用小波分析法提取8种反映管道运行状态的特征参数,输入AE中进行转换,重构反映管道运行状态的特征参数,最后输入分类器SOFTMAX中进行诊断,将这种基于DLNN的故障诊断方法应用于实验室油气储运管道泄漏检测系统中,以验证方法的有效性。结果表明:该方法的管道故障识别平均准确率达92.86%,其与凭借经验选取特征参数的BPNN方法和SVM方法相比,具有更高的稳定性和辨识率。 相似文献
8.
深度学习在机器视觉等各个领域的兴起,使长短时间记忆(LSTM)神经网络也越来越常用于滑坡预测工作中。为加强对历史信息的提取与捕捉,提出一种多头自注意力长短时间记忆(MHA-LSTM)神经网络用来预测滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解(ICEEMDAN)算法将滑坡位移分解成趋势项、周期项和噪声项;然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项,两者相加即可得到滑坡总位移的预测结果;最后以白水河滑坡实测数据为例,考虑月降雨量和库水位因素的影响,对该滑坡位移的周期项和趋势项进行预测,并与其他传统神经网络的预测结果进行对比。结果表明:MHA-LSTM神经网络模型相较于其他传统神经网络模型,能更好地捕捉历史的信息特征,预测效果更佳,可为滑坡预测提供新的技术方法。 相似文献
9.
基于时间序列谐波分析的东北地区耕地资源提取 总被引:8,自引:0,他引:8
耕地是人类社会赖以生存发展最重要的资源之一,及时获取其空间分布是国家农业决策的基础。论文利用2007年多时相的SPOT/VGT NDVI数据提取东北地区耕地资源信息。以NDVI时间序列数据年内变化振幅和周期差异性作为分类的依据,采用时间序列谐波分析法对全年时间谱NDVI数据进行重构,减少高频噪声对信息提取的影响,获得研究区地物信息在时间维度上的振幅、相位以及年均NDVI值影像图,然后将三者合成。应用神经网络分类方法,对合成后的影像选择训练样本,获取东北地区耕地资源的空间分布。实验中提取耕地的精度为83.26%,Kappa系数为0.732 4;该方法获取耕地资源空间分布的精度均高于GLC2000、UMD、IGBP和中科院1∶100万土地利用数据4种分类产品。研究表明,基于时间序列谐波分析法对NDVI数据重建,利用不同类型植被NDVI曲线在一年内振幅、相位特征的差异,采用神经网络分类的方法,可以精确地提取耕地资源信息,及时为农业和土地管理部门管理决策提供科学依据。 相似文献
10.
基于光谱与纹理特征融合的滩涂信息提取方法 总被引:2,自引:0,他引:2
滩涂在光学遥感影像中具有光谱信息综合的特点,单纯基于光谱特征的滩涂信息提取方法精度不高.本文在海岸带地物分类过程中,引入了纹理特征分析,发展了一种基于光谱和纹理特征融合的滩涂信息提取方法.该方法首先利用神经网络分别实现基于像元光谱特征和基于图像纹理特征的海岸带地物分类;在两种分类结果的基础上,建立融合模型,完成决策级的信息融合,从而得到最终的滩涂信息提取结果.试验结果表明,在海岸带地物分类过程中引入纹理特征分析是有效的,决策级的光谱与纹理信息融合可以使滩涂信息提取的精度达到92.3%.另外,神经网络方法用于海岸带地物分类亦是可行的. 相似文献