初中生如何学习单词和语法

中学生记忆英语单词和掌握语法是两大难关。词汇语法——就象交朋友一样,我们无法和陌生人称兄道弟,相处须一步步来,从相识到相知,成为朋友;但如果好朋友一直不联络,感情久而久之也会生疏和淡漠,外语也一样,即便基础打得好,如果好久不接触,还是会遗忘。许多初学者由于无法适应陌生的单词语法,一开始就输了心态。很多人完全靠记忆背单词,因脑力精力有限,方法机械,而对此深恶痛绝,何不尝试这么做呢？背词前多看几遍结构和对应的中英文含义,看到眼熟,再着手背单词的部分。     

基于知识表示学习的协同矩阵分解方法

针对协同过滤算法中用户反馈数据的稀疏性问题,提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示,并在此基础上联合地分解反馈矩阵和物品关联度矩阵,两种矩阵共享物品向量,利用物品的语义信息弥补反馈数据的缺失.实验结果表明,该方法显著地提升了矩阵分解模型的推荐效果,在一定程度上解决了协同过滤的冷启动问题.      

基于小波分析和EMD的手写体数字字符特征表示

针对经验模态分解(EMD)能有效地对信号结构作出精确分辨的特点,提出了一种基于小波变换和EMD的手写体数字字符特征表示方法.首先对原始数字字符进行G小波变换极大模预处理,得到能反应字符特征信息的光滑轮廓;然后对规范轮廓曲率序列作EMD分解,以获取浓缩曲率特征的主要信息;最后对此曲率特征数据进行聚类和识别.实验结果表明,与经典的字符特征提取算法相比,文中方法具有更好的聚类效果,提高了分类器的分类设计能力.     

基于小波分析和EMD的手写阿拉伯数字字符特征表示

经验模态分解(EMD)能有效地对信号结构做出精确的分辨, 利用这一特点本文提出了一种基于小波变换和EMD的票据手写体数字特征抽取方法。 通过对原始数字字符进行G小波变换极大模预处理,得到能反应字符特征信息的光滑轮廓, 进而对规范轮廓曲率序列作EMD分解,以获取浓缩曲率特征的主要信息,最后对此曲率特征数据进行聚类分析。 实验表明,与经典的字符特征提取算法相比,本文方法具有更好的聚类效果,提高了分类器的分类设计能力。     

字符级的维吾尔语形态协同分析方法

针对维吾尔语中构形词缀种类多、构形复杂以及发生音变现象等问题, 提出一种基于字符级的维吾尔语形态协同分析方法。该方法最大的特点是同时进行维吾尔语的形态切分、形态标注以及音变还原, 将词素边界、形态标记以及音变信息用一个复合标记描述, 采用字符序列的标注方法进行训练。实验结果显示, 形态切分、形态标注及音变还原的正确率分别达到96.39%, 92.78%和99.79%, 系统总体正确率达92.59%。     

基于单演特征和协同表示的人脸识别方法

基于协同表示的分类方法解决了稀疏表示分类方法太过强调l1模的问题被广泛应用于人脸识别中。为了进一步提高鲁棒性和识别率,提出了基于单演特征的协同表示分类方法,即MCRC。单演特征所提取的图像相位信息对光照的鲁棒性强并且其方向信息和幅值信息对姿态的鲁棒性也很高,相对于Gabor特征的多尺度和多方向,单演特征在特征变换的速度上也具有一定优势。在AR、LFW人脸数据库上的实验结果表明,该方法具有可行性和有效性。     

基于PCA_LDA和协同表示分类的人脸识别算法

人脸识别是近年来模式识别领域的热门课题,其中特征提取和分类器选择是人脸识别的关键步骤。主成分分析和线性判别分析是特征提取的主要方法之一,但主成分分析忽略了数据的类别信息,线性判别分析类内散度矩阵奇异,导致投影矩阵无法直接得出。为解决以上问题,本文提出基于PCA_LDA和协同表示人脸识别算法,该算法结合主成分分析和线性判别分析,将人脸的特征信息压缩到一个更小的子空间内,再采用协同表示分类算法对测试图像进行识别。在ORL人脸库、FERET人脸库和YALE人脸库上的大量实验证实,本文算法能精确地提取到高维图像信息的主要特征,在保留特征信息的同时,大大减小了计算的复杂度。而且相比其它几种典型算法,本文算法具有更高的识别率和更健壮的抗干扰性能。     

文本分类中基于单词表示的全局向量模型和隐含狄利克雷分布的文本表示改进方法

针对文本分类中文本数据表示存在稀疏性、维度灾难、语义丢失的问题,提出一种基于单词表示的全局向量(global vectors for word representation, GloVe)模型和隐含狄利克雷分布(latent Dirichlet allocation, LDA)主题模型的文本表示改进方法。利用GloVe模型结合局部信息和全局词语共现的统计信息训练得到文本的稠密词向量,基于LDA主题模型生成文本隐含主题和相应的概率分布,构建文本向量以及基于概率信息的主题向量,并计算两者之间的相似性作为分类器的输入。实验结果表明,相比其他几种文本表示方法,改进方法在精确率、召回率和F_1值上均有所提高,基于GloVe和LDA的文本表示改进方法能有效提升文本分类器的性能。     

结合表示学习和迁移学习的跨领域情感分类

针对现有跨领域情感分类方法中文本表示特征忽略了重要单词与句子的情感信息, 且在迁移过程中存在负面迁移的问题, 提出一种将文本表示学习与迁移学习算法相结合的跨领域情感分类方法。首先, 利用低维稠密的词向量对文本进行初始化, 通过分层注意力网络, 对文本中重要单词与句子的情感信息进行建模, 从而学习源领域与目标领域的文档级分布式表示。随后, 采用类噪声估计方法, 对源领域中的迁移数据进行检测, 剔除负面迁移样例, 挑选高质量样例来扩充目标领域的训练集。最后, 训练支持向量机对目标领域文本进行情感分类。在大规模公开数据集上进行的两个实验结果表明, 与基准方法相比, 所提方法的均方根误差分别降低1.5%和1.0%, 说明该方法可以有效地提高跨领域情感分类性能。     

如何学习和记忆《大学英语》课后单词

《大学英语》课后单词的学习方法即:查词典,分析词的结构,完成有关练习,用联想法等方法记忆单词。     

基于核协同表示的步态识别

为了提高跨视角下的步态识别率,分析识别率低的原因,原因之一归咎于通常采用线性降维的方法进一步提取步态特征,而实际上,特征数据之间可能存在着非线性的关系,故采用核主成分分析法对特征数据进行非线性降维处理,设计了一种核协同表示的步态识别方法。该方法获取步态能量图,采用核主成分分析法对步态能量图数据进行非线性降维处理并提取步态特征,并用协同表示的方法进行分类。实验结果表明:在90°视角下,采用多项式核函数的识别效果明显优于采用高斯径向基核函数的识别效果;该方法在跨视角下取得了显著的识别效果,与其他算法相比,识别率提高了10%以上;该方法的识别速度约是协同表示的识别速度的1~2倍。     

药物表示学习研究进展

药物开发过程存在资本密度高、风险大、周期长的特点,需要投入大量的资金、人力与物力。传统的机器学习方法虽然可以在一定程度上辅助药物开发,但需要分子描述符作为特征输入,而不同的分子描述符的选择对机器学习模型的性能影响较大,因此传统的机器学习方法大多需要进行繁复、耗时的特征工程。近年新兴的深度学习方法,能够从药物的原始结构中直接提取特征,从而绕开特征工程,缩短开发周期。该文将现有的药物表示学习方法划分为2类:基于简化分子线性输入规范(SMILES)表达式的药物表示学习和基于分子图的药物表示学习,报告了这两类药物表示学习方法的最新研究进展,阐述了各种方法的创新点与局限性。最后,指出了当前药物表示学习研究中存在的重大挑战,并讨论了可能的解决方案。     

变空间协同表示判别分析的特征提取算法

稀疏保持投影(Sparsity Preserving Projection,SPP)是一种无监督的方法,不需要标签信息,但SPP求稀疏系数的过程计算量相对较大;此外,大多数稀疏表示的投影算法并不能很好地反映映射空间数据间的关系.为了能更好地反映映射空间数据间的关系,提出了变空间协同表示判别分析的特征提取算法.首先将原始数据映射到PCA空间去除冗余信息;其次利用L2范数求解稀疏权重,利用所提的监督目标函数计算映射矩阵;然后在求得的映射空间中更新稀疏权重;最后求出权重更新后的映射矩阵.在FERET库、AR库和ORL库的测试结果验证了本算法的有效性.     

局部系数增强判别协同表示分类法

协同表示分类法(CRC)是一种基于表示理论的简单分类方法,它和它的许多扩展模型具有良好的分类性能.概率协同表示分类法(ProCRC)、判别稀疏表示分类法(DSRC)和判别协同表示分类法(DCRC)通过定义不同的判别信息项改进CRC.借鉴ProCRC、DSRC和DCRC,定义判别信息项增强表示系数的判别能力,基于近邻系数的相似性,定义局部系数强化项,增强近邻样本的协同表示能力,提出了局部系数增强判别协同表示分类法(LDCRC).在6个数据集上的实验表明LDCRC是有效的.     

基于稀疏表示和字典学习的QR码图像去噪

目的针对噪声对QR码图像识别干扰,提出一种基于稀疏表示和字典学习的自适应去噪算法。方法采用稀疏表示和字典学习的方法。结果得到高效描述图像内容的字典,能更有效地滤除图像中的噪声,保留原图像的有用信息。结论利于QR码的准确、快速识别,可大大提高识别率。     

基于深度学习和稀疏表示的害虫识别算法

对农作物害虫种类和数量进行有效的预测是农作物病虫害防治的关键环节,因此基于捕获害虫的样本图片对农作物害虫进行准确的种类识别可以为病虫害的防治提供一定的先验知识.由于农作物害虫种类和形态的多样性及不同种类害虫颜色和纹理的相似性,增加了害虫分类识别的难度.为提高害虫图像识别的准确率,提出了一种基于深度学习和稀疏表示相融合的方法来进行害虫的检测分类识别,进而实现对农作物病虫害的有效防治.该算法首先利用高效的深度学习caffe框架来构建提取害虫特征的网络模型,然后利用该网络模型来提取训练害虫样本的特征向量,从而建立不同种类害虫的超完备字典,最后采用稀疏表示算法来对测试样本进行分类识别.实验部分对10种常见害虫进行了检测识别,实验结果表明新提出的算法有很好的检测分类效果.     

字符的轮廓信息处理和特征提取

提出了基于BAG结构的轮廓提取算法,并在此基础上又提出了提取字符形状特征（改进方向码）的方法。     

信息网络表示学习方法综述

网络表示学习方法将信息网络表示为低维稠密携带网络节点特征信息的实数向量,应用于下游机器学习任务的输入,随着机器学习与深度学习的发展,网络表示学习拥有强大的建模能力且应用广泛。对网络表示学习方法、应用进行了归纳总结。首先,对当前国内外网络表示学习方法进行梳理归类,分为传统方法、基于网络结构的嵌入、融入属性信息的嵌入,以及基于谱域的图卷积、基于空间的图卷积和图attention网络,按类别对各类模型详细阐述,对比模型之间的适用性和方法特点;其次,介绍了网络表示学习的相关应用,包括推荐系统领域、生物医药领域等,整理常用的数据集、开源实现的表示学习模型和强大的图深度学习库供研究者参考调用;最后,对网络表示学习的发展趋势进行了总结与展望。未来可在深层的图神经网络学习、动态和异构网络的表示、网络模型的泛化能力等方面继续开展研究。     

适应协同设计的产品模型的表示方法

为适应协同设计环境对产品造型技术的要求,采用基于标识的实体模型和特征模型相结合的方法来进行产品模型的表示.提出了基于特征的拓扑元素的标识方法并建立了相应的标识机制,把拓扑元素的标识与特征联系起来.标识及标识机制的引入使产品模型中的特征语义元素和实体几何拓扑元素既相互独立又彼此联系,有效地维护了协同设计过程中模型修改前后拓扑结构的对应关系,从而实现了在保证协同设计过程中协同模型一致性的前提下,对产品模型的特征编辑.