不完全信息下制造企业低碳生产行为表现评价方法

针对制造企业低碳生产行为表现评价中面临信息不完全、不精确等情况,提出一种不完全信息下基于证据理论与向量相似度的低碳生产行为表现排序方法.在构建制造企业低碳生产行为表现评价指标体系基础上,以评价等级为识别框架,运用证据理论分析算法对评价信息进行融合,并将分析结果转化为区间数,通过构造向量相似度方法对区间数进行排序,得到评价结果.最后通过算例说明了该方法的可行性,以及不完全信息处理的有效性.     

针对不平衡数据集的入侵检测算法

采用少类样本合成过采样技术(SMOTE)与二叉树多类支持向量机(BTSVM)相结合的入侵检测算法来解决实际应用中经常遇到的类别不平衡的分类问题.该方法首先对不平衡类别的训练集使用BTSVM分类,然后对求出各分类器中的支持向量使用SMOTE方法进行向上采样,最后用不平衡类别的测试集在新的分类模型中进行测试.实验结果表明本算法能够有效地提高不平衡数据集的分类性能.     

一种加权词向量的混合网络文本情感分析方法

针对文本中关键信息被忽略以及分类准确率不高的问题,提出一种加权word2vec的卷积神经网络(CNN)与ATT-BiGRU混合神经网络情感分析模型.由于word2vec生成的词向量无法突出文本关键词的作用,因此引入词频-逆文档频率(TF-IDF)算法计算词汇权重值.然后,将加权运算后的词向量输入CNN与ATT-BiGRU混合模型提取隐含特征.该模型通过卷积神经网络(CNN)和基于注意力机制的双向门限循环单元(ATT-BiGRU)分别提取文本特征,以此来提高文本的表示能力.多组实验对比结果表明,与其他算法相比较,该模型的分类准确率最高且耗费时间代价小.     

跨度语义增强的命名实体识别方法

针对命名实体识别方法存在字与字之间语义信息丢失、模型召回率不佳等问题,提出了一种跨度语义信息增强的命名实体识别方法。首先,使用ALBERT预训练语言模型提取文本中包含上下文信息的字符向量,并使用GloVe模型生成字符向量;其次,将两种向量进行拼接作为模型输入向量,对输入向量进行枚举拼接形成跨度信息矩阵;然后,使用多维循环神经网络和注意力网络对跨度信息矩阵进行运算,增强跨度之间的语义联系;最后,将跨度信息增强后的矩阵进行跨度分类以识别命名实体。实验表明：与传统的跨度方法相比该方法能够有效增强跨度之间的语义依赖特征,从而提升命名实体识别的召回率;该方法在ACE2005英文数据集上比传统的方法召回率提高了0.42%,并且取得了最高的F₁值。     

基于粗糙集的模式匹配方法

模式匹配在信息集成和数据挖掘领域有着广泛应用,提出了一种基于粗糙集和神经网络的模式匹配方法,利用粗糙集的属性约简机理,对模式属性进行约简,然后通过BP神经网络分类以达到匹配目的.该方法大大的降低了神经网络输入向量维数.实验结果表明该方法能够有效地提高匹配效率和准确率.     

基于迭代式RELIEF和相关向量机的黄瓜图像识别方法

针对目前采摘机器人在图像处理实时性以及识别准确率方面的要求,提出一种基于迭代式RELIEF(I-RELIEF)的相关向量机的算法.该算法首先通过将获取到的样本像素信息输入到I-RELIEF的模块中,计算出样本信息中各特征在分类过程中的权值,即各特征对类别的影响程度;然后将带权值的样本信息输入到相关向量机的算法模块中进行训练后得到像素分类器;最后用得到的分类器去预测未知像素来对像素进行分类,实现对黄瓜果实图像的分割.实验结果表明,这种图像像素分类器对于温室条件下的黄瓜像素的识别率达到80%以上,误识率不到27%,两者的比值达到3.0以上.     

一种高准确率的垃圾邮件识别方法

引入柯尔莫格洛夫复杂性理论来描述邮件的特征,采用信息距离理论衡量邮件的相似程度,采用支持向量机(SVM)算法对邮件进行分类,提出了一种高准确率的垃圾邮件识别方法.相对于传统的垃圾邮件识别方法,该方法不需要对垃圾邮件进行邮件分割,省略邮件头分析和正文分析,可以准确地刻画垃圾邮件的主要特征,具有运算简单高效的特点.测试结果表明:该方法对文本邮件的分类准确率高达99％以上,有效提高了垃圾邮件识别的准确率.     

基于信息增益的中文网页SVM分类研究

针对中文网页文本分类中特征降维方法和传统信息增益方法的缺陷和不足做出优化改进,旨在有效提高文本分类效率和精度.首先,采取词性过滤和同义词归并处理对特征项进行初次特征降维,然后提出改进的信息增益方法对特征项进行特征加权运算,最后采用支持向量机(SVM)分类算法对中文网页进行文本分类.理论分析和实验结果都表明本方法比传统方法具有更好的性能和分类效果.     

图文决策融合的多模态电商垃圾评价检测

现有的电商垃圾评价检测方法大多基于对评价文本信息进行分析,难以有效检测带有图片的多模态垃圾评价,为充分利用评价的图片和文本内容,提出了基于Transformer双向编码表示(bidirectional encoder representa-tions from transformer,BERT)和宽残差网络(wide residual networks,WRN)的图文融合决策检测方法.该方法利用评价文本对经过预训练的BERT模型进行微调训练,经过表示学习分类得到文本评价类别向量,使用宽残差网络对评价图片进行特征提取和分类并输出图片类别向量,将得到的对应评价图文类别向量共同输入启发式决策融合分类器,对多模态评价整体进行预测分类.使用真实电商评价数据集进行实验表明,相比面向评价文本的分类方法,图文融合决策检测方法对多模态评价分类的精准率提高4.44％,召回率提高2.12％,Micro-F1提高3.67％,结果证实该方法能够对多模态垃圾评价进行有效检测.     

基于案例推理和SVM-KNN的电能质量扰动分类方法

针对电能质量扰动信号的准确分类识别问题,提出一种基于案例推理(CBR)和支持向量机(SVM)的电能质量扰动分类方法.首先通过原子分解法对电能质量扰动信号进行分解,提取特征向量,并以此建立电能质量扰动信号案例库;在进行分类时借助SVM-KNN算法对案例库进行检索,找出最相似源案例;通过修改或重用最相似案例的结果来确定扰动信号分类结果.算例表明该方法构造的分类器结合了案例推理和支持向量机在模式分类中各自的优点,结构简单,训练样本少,识别准确率高,分类速度快,能够有效地识别常见的6种电能质量扰动.