基于改进DEC的评论文本聚类算法

针对原始深度嵌入聚类(DEC)算法中聚类层得出的初始聚类数目和聚类中心有很强的随机性,从而影响DEC算法效果的问题,提出一种基于改进DEC的评论文本聚类算法,对无类别标注的电商评论数据进行无监督聚类.首先获得融合句子嵌入向量和主题分布向量的BERT-LDA数据集向量化表示;然后改进DEC算法,通过自动编码器进行降维处理,在编码器后堆叠聚类层,其中聚类层的聚类数目基于主题连贯性选择,同时使用主题特征向量作为自定义聚类中心,再进行编码器和聚类层的联合训练以提高聚类的准确度;最后利用可视化工具直观展示聚类效果.为验证算法的有效性,将该算法与6个对比算法在无标注的产品评论数据集上进行无监督聚类训练,结果表明,该算法在轮廓系数和Calinski-Harabaz(CH)指标上取得了0.213 5和2 958.18的最佳效果,说明其可有效处理电商评论数据,反映用户对产品的关注情况.     

基于深度自动编码器的小麦种子聚类识别方法

为了实现利用人工智能或机器学习方法提高农业生产效率,针对农业数据分析中特征提取和类别识别的问题,构建了一个基于深度神经网络的自动编码器,该网络不仅能够分析农业数据的固有属性特征,还能自动学习潜在的高级特征.通过在自动编码器中引入了一个高斯核聚类模块,提出了一个新的损失函数反向调节整个网络训练,使其逐步实现聚类的结果,最...     

基于堆叠自动编码器的网络行为识别

网络行为识别一直是网络安全中的研究热点,随着网络中数据量的海量增大以及数据的非线性等问题的影响,对于网络行为识别的特征提取和识别技术提出更高的要求。文章提出了一种基于堆叠自动编码器的网络行为识别方法,该方法通过构建堆叠自动编码器和SOFTMAX分类器的深度学习框架,结合无监督的预训练和有监督的全局微调,优化堆叠自动编码器的特征提取性能,实现了网络行为特征的深度提取,从而对高校流量数据中上网行为进行分析识别。     

稀疏自动编码器在文本分类中的应用研究

传统的文本分类算法都是采用期望交叉熵、信息增益和互信息等统计方法,通过设置阈值获取特征集,如果训练集的数据量较大,则容易出现特征项不明确,特征信息丢失等缺陷,为解决上述问题,提出运用“深度学习”中的稀疏自动编码器算法自动提取文本特征,然后结合深度置信网络形成SD算法进行文本分类。实验表明,在训练集较少的情况下,SD算法的分类性能低于传统的支持向量机,但是在处理高维数据时,SD算法则比支持向量机具有较高的准确率和召回率。     

基于多尺度残差卷积自编码器的图像聚类方法

对于图像的聚类,现有方法在特征提取方面或难以选择合适的维度转换方法,或提取的特征对图像特征的表达较弱且不够丰富,对图像的聚类效果产生了较大影响,导致了聚类精度较低。为此,提出一种基于多尺度残差卷积自编码器的图像聚类方法,通过构建具有若干个含有残差连接的多尺度卷积模块,获得中间层的高维特征表达,并以此进行图像聚类。实验结果表明,在MNIST数据集上的聚类准确率为82.2%, ARI (Adjusted Rand Index)值为0.781 0, NMI (Normalized Mutual Information)值为0.853 2,模型达到了较好的聚类效果。     

基于自编码器的过完备多级表示深度子空间聚类

深度子空间聚类网络利用深度自表达性,借助具备全连接层的欠完备深度自编码器,有效地解决了无监督子空间聚类难题.然而,该方法使用输入数据的不完全表示,并且缺乏低级和高级信息的集成,从而损害其鲁棒性.为解决这一问题,提出了一种新的深度子空间聚类方法,该方法使用卷积自动编码器将输入图像转换为位于线性子空间联合上的新表示.在编码器层加入了过完备分支,使得网络能够捕捉到更精细的数据细节.此外,在编码器和相应的解码器层之间引入多个完全连接的线性层.这些互相连接的层协同作用,将低级和高级信息结合在一起,从而在编码器的不同层级上生成了多组自表达和信息表示.该过程有效地促进了特征学习过程.最后,引入了一个新的损失最小化问题,利用初始样本聚类有效地集成了多级表示,从而更准确地恢复了底层子空间结构.随后,采用迭代方案来最小化损失函数.在4个真实数据集上的实验结果表明,在大多数子空间聚类场景中,本文方法最优.     

基于文本聚类和NLU的自动文摘研究

针对当前自动文摘方法的缺陷,提出了基于文本聚类和自然语言理解的自动文摘实现方法.将文本聚类引入自动文摘中,实现多文档的自动文摘.提出了基于标题和段首句的二次自动分词算法.实验结果表明,分词正确率和召回率均在95%以上.实现了面向塑料行业的基于文本聚类和自然语言理解的自动文摘系统,其多文档自动文摘的正确率和召回率都在75%以上.实验表明该方法可行,对自动文摘系统的设计具有借鉴意义和深入研究价值.     

基于聚类的建筑物直线特征提取算法

建筑物图像中提取直线是视觉导航、特征识别等很多应用中的关键步骤。针对建筑物图像。提出了一种新的基于聚类的直线提取算法。该算法在Canny边缘的基础上,使用一个聚类算法将边缘分类,减少了因噪声形成的小短线对直线检测的误检或漏检现象;对于每一个分类使用直线识别准则,进一步剔除图像聚类中的伪直线;最后使用改进的Hough变换（standardHoughtransform）将直线提取出来。克服了传统Hough变换执行速度慢的缺陷。实验结果表明,文章提出的算法具有较快的运算速度,较高的直线提取准确性．较低的漏检和误检情况。其性能优于传统的Hough．变换和相位编组法。     

基于自编码器及对比损失的图聚类方法

图聚类根据图数据的内在关系找到组或社区,是数据分析中一项重要的研究问题.近年来,基于自编码器的方法能够获得有效节点属性表示,但未融合结构信息.由于图神经网络的广泛应用,基于半监督图卷积网络和图自编码器的模型能够融合结构信息,与传统聚类方法相比取得了较好的效果,但标记数据和卷积操作代价昂贵.因此,本文提出了一种基于自编码器及对比损失的图聚类方法.首先该方法使用简单的多层感知器设计自编码器,预训练自编码器学习节点属性表示.其次结合影响对比损失学习图嵌入表示,融合丰富的图结构信息,然后同时迭代优化嵌入表示和自监督聚类任务.最后,使用多个引文网络数据集与基准模型进行对比实验.实验表明,聚类性能得到有效提升,并且参数敏感性分析和变体实验验证了影响对比损失和自监督聚类的有效性.     

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

基于深度学习和特征点数量的人数统计方法

为解决动态场景下不同密度人群的高精度人数统计问题,结合直接检测和回归方法的特点,构建了基于深度学习和特征点数量的人数统计方法。该方法引用基于深度学习的检测和语义分割的方法,检测出图片中人群位置,使用迪里赫雷特混合模型将检测结果聚类,采用基于特征点的方法统计人群数量。在低密度数据段采用低通滤波器的方法平滑平均数据,高密度数据段则设计了聚合三帧预计数结果与帧内检测框平均置信度的数据融合方法融合数据。实验证明,该方法在动态场景人群密度变化的情况下能更准确地统计人数。     

基于LSTM-DAE谱聚类的终端区飞行轨迹模式识别方法

为解决终端区飞行轨迹数据维度高、特征信息无法准确提取的问题,提出了一种基于LSTM-DAE谱聚类进行轨迹模式识别的方法。首先,采用LSTM-DAE网络将处理后的轨迹数据集进行降维和特征提取, 进而更加准确地捕捉轨迹的非线性特征;其次,借助提取到的轨迹特征,采用谱聚类完成模式划分;最后,以天津滨海机场进场飞行轨迹数据进行实例分析。实验表明:该方法能够将高维飞行轨迹提取后进行准确聚类,可划分出6个类别的轨迹簇,实现更高的聚类质量,该方法可为有效识别终端区飞行轨迹模式特征提供支持。     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

精细拓扑结构表示与深度特征融合在多目标图像检索中的应用

空间信息表示是增强图像特征表达性能的重要手段,通过空间关系建模与深度学习方法融合可有效提升深度特征的语义特性,从而提升图像检索性能.首先,针对复杂图像的空间关系表示提出了一种新的精细拓扑结构表示模型,该模型不仅具有完备的拓扑描述性能,还提供了两种拓扑不变量的推理算法,使得拓扑不变量可以由表示模型直接推导而不需要繁复的几何计算;其次,基于精细拓扑结构表示模型,提出了有效的拓扑结构相似性度量方法,为空间关系特征表达奠定了基础;最后,进一步结合卷积神经网络,提出融合复杂空间关系特征与深度特征的多目标图像检索方法.实验结果表明,所提出的拓扑结构表示模型在空间查询中具有良好的性能;所提出的图像检索框架取得优于现有方法的精度,并能够有效地结合手工特征与深度特征各自的优势,为提升深度学习方法的可解释性创造了有利条件.     

基于特征分块的赤足足迹人身识别算法

为了提高赤足足迹人身识别算法的准确率,提出了一种基于深度学习的足迹识别算法.足底各区域所受压力的不同导致了它们包含的信息量存在一定的差异性,为了获取更稳定、区分度更高的特征,该算法采用ResNet50作为基础网络,在特征层进行分块处理.构建了一个包含2 000人的赤足足迹库进行训练和一个包含3 000人的赤足足迹库进行测试,该算法利用500人1 000幅测试图在测试库上首位识别准确率达到了98.50％,优于常规的ResNet50网络.实验表明,基于特征分块的足迹识别算法在赤足足迹识别中获得了很好的识别效果.     

掌静脉识别研究综述

指纹和掌纹存在于皮肤表面,有容易被伪造、缺乏安全性等一些不可避免的缺点。掌静脉识别技术应运而生,它在身份识别、安检、门禁和医学研究等方面有非常好的发展前景。对掌静脉识别技术的国内外研究现状进行分析,梳理掌静脉识别的相关算法,得到目前掌静脉识别存在的难点,为今后掌静脉识别技术的发展与应用提供参考。     

基于类间损失和多视图融合的深度嵌入聚类

针对深度嵌入聚类方法仅考虑类内关系及多视图聚类存在特征表示不足等问题,提出一种基于类间损失和多视图特征融合的深度嵌入聚类方法,该方法在深度嵌入聚类的损失函数中引进一个新的正则项提高类判别性.先通过自动编码器提取多视图数据的特征表示,对不同视图的特征表示进行融合得到公共表示,基于此得到数据的软分配分布和辅助目标分布;再对公共表示和聚类分配进行联合优化得到最终的聚类结果.在多视图数据集上的实验结果表明,该方法能有效提高聚类性能.     

采用深度学习的异步电机故障诊断方法

为解决传统异步电机故障诊断方法因电机结构复杂、信号非平稳和机械大数据等因素引起的诊断困难问题,提出一种高效准确的异步电机故障诊断(SDAE)方法。该方法利用堆叠降噪自编码提取信号特征,结合Softmax分类器实现高效准确的电机故障诊断。首先,采集异步电机的整体电流和振动信号,将电流信号与傅里叶变换后的振动频域信号组合构成样本,并做归一化处理; 然后,构建堆叠降噪自编码网络,确定网络层数、各隐藏层节点数、学习率等参数; 最后,输入训练样本依次训练自编码和分类器,微调整个网络并用测试数据验证网络的优劣。试验结果表明,在合适的参数下采用SDAE方法的异步故障诊断准确率高达99.86%,比传统电机故障诊断方法提升至少6%。