面向自然语言理解的图像情感语义检索

随着多媒体技术的迅速发展,图像资源的管理和检索日益成为研究热点,目前的图像检索技术因忽略了情感因素而显得力不从心.通过对自然语言分词,应用OCC情感模型,实现了使用自然语言对图像库进行情感语义检索.以百度图片频道下载的800张自然风景图像数据建立图像库并进行测试,实验结果表明取得了良好的检索效果,可为更多类型的图像情感语义检索打好基础,具有一定的实用价值.     

基于TS特征选择的生理情感状态分类

针对生理信号的情感识别问题,本文提出了禁忌搜索(TS)和神经网络结合的情感状态分类方法。该方法用禁忌搜索算法选择情感生理信号特征,神经网络BP算法分类情感状态。仿真实验结果表明,BP分类器在TS选择的特征基础上达到很好的情感分类效果。     

基于模糊理论的场景图像情感语义标注方法研究

电子技术和成像技术的发展导致数字图像迅速增长,依靠先进的技术提取图像蕴含的情感语义并对其自动标注正是当前各行业急需解决的问题。为此提出了一种基于模糊理论的场景图像情感语义标注方法,通过计算模糊隶属度描述图像的情感程度,使用Adaboost算法和RBF神经网络实现,解决了图像自动标注中的语义模糊问题。使用百度图片频道上下载的869张场景图像进行训练和测试,实验通过与人工标注结果相比较,取得了良好的标注效果,可为更多类型的图像情感自动标注打好基础,具有一定的实用价值。     

基于全局语义学习的文本情感增强方法研究

为解决弱情感倾向语料影响文本情感分类的问题,提出基于全局语义学习的文本情感增强方法。首先设计语料划分方法,将语料划分为强情感倾向语料与弱情感倾向语料,然后,从文本处理全过程及整体语义学习的角度出发,构造均值抽取与最大值抽取的语义提取方式及文档信息向量,改进基于循环神经网络的变分自编码器的语义学习过程,并用于学习强情感倾向语料中文本的词语序列特征与语义特征。基于此,对弱情感倾向语料进行重构,实现情感增强目标,最后,将经过情感增强的语料替换掉原来的弱情感倾向语料,再进行情感分类模型的训练与测试。结果表明:提出的文本情感增强方法能够提升情感分类效果,并使得Bert分类器对IMDb影评数据集的情感分类精确率达到了93.03%。     

一个基于相关反馈的神经网络音乐情感分类器构建算法

目的构造音乐情感分类器,为计算机理解情感提供途径。方法首先分析现有音乐情感模型,然后提取音乐情感特征并采用神经网络构造音乐情感分类器,最后采用相关反馈对分类结果进行标注并进一步训练分类器,直至训练样本的错误分类率在一定误差范围内。结果对测试样本进行情感分类,达到了最高89%的分类准确率,实现了音乐情感分类器的构建和音乐片断的情感标注。结论研究成果是音乐情感检索的基础工作,也可用于其他音频的情感识别和分类。     

扩展语义相似情感词的文本情感分类方法

针对文本情感分类中情感语义特征利用不足、特征降维效果欠佳等影响分类效果的问题,提出了一种通过扩展语义相似的情感词以及引入词语间统计特征的高精度网络评论情感分类方法.该方法利用神经网络Skip-gram模型生成词嵌入,通过词嵌入相似性度量将语义相似的词语扩展为情感特征;再利用词语间的统计特征进行特征降维;通过多个弱分器加权构建Adaboost分类模型实现网络评论情感分类.基于酒店评论和手机评论公开测试集进行实验,结果表明其情感分类的正确率分别达到90.96%和93.67%.方法扩展语义相似情感词有利于丰富文本情感语义特征,引入词语间的统计特征有更好的特征降维效果,可以进一步提升文本情感分类的效果.      

基于线性降维技术和BP神经网络的热红外人脸图像识别

结合线性降维技术与BP神经网络对热红外人脸图像进行了识别研究.首先利用主成分分析和线性判别分析对热红外人脸图像进行图像降维及特征提取,然后将提取出的热红外人脸图像特征向量用于BP神经网络的训练,得到一个鲁棒性和容错性较强的分类器,用这个分类器对热红外人脸图像进行分类识别.实验结果表明,由于所提方法在提取便于分类的模式特征基础上,采用神经网络作为分类器代替特征向量间的欧氏距离判别,获得了较高的热红外人脸图像识别率.     

基于支持向量机语义分类的两种图像检索方法

为了更好的解决基于内容的图像检索问题,提出了2种基于语义的图像检索方法.第1种是基于支持向量机(SVM)语义分类的图像检索方法.该方法首先提取训练图像库的底层特征信息,然后利用SVM对所提取的特征进行训练,构造多分类器.在此基础上,利用分类器对测试图像自动分类,得到图像属于各个类别的概率,实现图像检索.第2种是利用图像自动标注方法进行检索.在基于语义的图像自动标注中,先对训练集进行人工标注,对测试图像利用SVM分类器进行分类,并找到与该图像最相似的N张构成图像集,对该图像集的标注进行统计,找到关键词,从而提供概念化的图像标注以用于检索.通过在标准图像检索库和自建图像库上的实验结果表明,以上2种基于语义的图像检索方法是高效的.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

基于朴素贝叶斯分类模型的车型识别方法

提出一种基于朴素贝叶斯分类模型的车辆分类方法,采用车辆的实际特征数据长度和宽度作为训练样本,离线训练朴素贝叶斯分类模型,同时利于CCD摄像机采集道路车辆图像,提取车辆轮廓曲线外接矩形的长度和宽度作为测试样本,通过离线训练获得的分类器,对车辆类型进行识别．仿真试验证明,朴素贝叶斯分类模型具有较高的分类性能,在同等训练和测试条件下,可以获得比BP神经网络分类器优越的分类效果．     

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。本文提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,该算法通过融合情感词典优化特征词的权重;其次,利用卷积神经网络(CNN)提取局部特征,利用双向长短时记忆网络(BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明,本文提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、LSTM、CNN和随机森林模型,本文方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明该方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。该方法具有一定的学术价值和应用前景。     

基于卷积神经网络和SVM的中国画情感分类

图像情感是指计算机识别数字图像所表达内容引起人的情感反应,根据不同的情感反应,可以对不同的图像进行分类.在信息量急剧增长的今天,图像情感分类有助于图像的标注和检索,蕴藏着很大的社会和商业价值.不同于西洋画的"以形写形",中国画有着自己明显的特征:传统的国画不讲焦点透视,不强调自然界对于物体的光色变化,不拘泥于物体外表的肖似,而多强调抒发作者的主观情趣.这比弥合一般的低层特征和人类情感高层语义之间的鸿沟的难度更大.基于卷积神经网络因为其具有结构简单、适应性强、训练参数少、连接点多等特点,可以直接输入原始图像,能够避免对图像进行复杂的前期预处理.相比传统图像特征提取方法,卷积神经网络具有明显的优势.本文的目的是利用卷积神经网络发掘低层特征和情感语义之间的联系,提取国画图像特征,对得到的特征进行PCA降维、归一化等操作后,利用支持向量机(SVM)分类器进行情感分类.     

一种基于Python的机器学习情感分析方法研究

探讨中文情感分析的问题,设计了一个基于Python的机器学习情感分析方法。该方法首先使用连续词袋(CBOW)模型来捕获单词的语义特征,并将单词转换为高维向量。然后,使用堆叠式双向长短记忆(SBLSTM)神经网络对单词向量进行特征提取。接下来应用二元分类器通过语义和上下文特征来进行情感预测分析。最后,采用从新浪微博收集的真实数据集进行实验。实验结果表明,本方法比现有的机器学习模型具有更好的性能。     

集成局部和全局关键特征的文本情感分类方法

融合卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)的情感分析模型(CNN_BiLSTM)是一个流行的模型,其学习文本的局部特征和全局特征实现情感分类,但是忽略了特征对分类结果的重要程度,且没充分利用词语间的特征,导致分类准确率不高.提出一种集成基于多卷积核的卷积神经网络和注意力双向长短期记忆网络特征的文本情感分类方法(MCNN_Att-BiLSTM),其集成局部和全局的重要特征作为文本语义特征,该特征进而用于训练文本情感分类器XGBoost(eXtreme gradient Boosting).该方法基于注意力机制的BiLSTM提取对分类影响大的全局关键特征,基于多卷积核的CNN获得更全面的词语间特征,为集成分类器准备了有效分类的特征.实验结果表明,该模型具有更好的情感分类准确率,与CNN_BiLSTM模型相比,在IMDB数据集上准确率提升了1.75%,在txt-sentoken数据集上准确率提升了1.67%,在谭松波-酒店评论数据集上准确率提升了3.81%.     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法.最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率.     

改进型遗传神经网络在模式分类中的应用

为研究图像和语音的模式分类,提出一种采用可变长度串遗传算法(VGA)的进化神经网络.该算法可以全局搜索优化神经网络的结构,找到神经网络接近最优的连接权,再通过反向传播算法(BP),在该优化结构中找到最优连接权.对语音数据和SPOT图像数据的验证结果表明,在模式分类中,采用该算法的分类器(VGA-BP)的分类性能较贝叶斯(Bayes)分类器、最近邻规则(k-NN)分类器具有更高的分类精度.     

二进制粒神经网络及其在分类中的应用

为了提高分类器的正确识别率并降低特征选择的时间复杂度, 提出二进制粒神经网络框架.在该框架下,提出一种二进制粒神经网络分类算法.该算法通过二进制粒矩阵将特征空间进行最优约简,并利用基于BP的学习算法实现分类;将该算法在UCI数据集上进行测试,并与BP神经网络分类算法进行比较.仿真实验表明,二进制粒神经网络分类算法比BP神经网络分类算法分类正确率更高,泛化能力更强,是一种有效可行的分类算法.     

基于局部特征和全局特征融合的微博情感分析

目前的神经网络一般只将词粒度层面的词向量作为输入,忽略了语义层面的全局语义特征.针对此问题,提出了一种基于局部特征和全局特征融合的情感分类方法,以解决评论特征稀疏和主题聚焦性差的问题.对于局部特征,选择基于情感词典和BiLSTM神经网络模型提取基于词向量的文本特征.对于文本集的全局主题特征,采用神经主题模型提取文本主题特征,并将其作为全局特征来表示短文本信息.最终将基于局部加权词向量的文本特征和基于神经主题模型的文本主题特征进行拼接,并通过Softmax层输出,完成文本情感分类.结果表明：融合全局主题语义和局部加权词向量可以更加丰富神经网络的特征,从而有效地提高情感分类的准确率.     

基于开放环境下行为学实验的图像情感语义数据分析

网络技术的发展和图像获取设备的普及导致数字图像迅速增长,依靠先进的技术获取并分析图像蕴含的情感语义正是当前各行业急需解决的问题,过去封闭的行为学实验环境限制了图像情感语义数据的获取.基于开放环境制作了一个行为学实验平台,选取大学生作为被试获取图像情感语义数据,使用主成分分析法分析获取的数据.实验结果表明,开放环境下的行为学实验获取的数据非常有效,经过分析,可表达图像三分之二的情感语义信息,可为今后实现有效的图像情感语义分类和检索打好基础,具有一定的实用性.     

基于三元词组模式的微博情感分类方法

针对微博的倾向性分析问题,提出了一种基于三元词组模式的情感分类方法。该方法通过构造情感词典及微博的三元词组模式,对未标注语料自动进行情感评分并标注情感极性,然后使用自动标注的语料训练得到情感分类器。在测试集上的实验结果表明,使用无人工参与标注的训练语料达到了79.26%的测试正确率。