基于极性强度度量中文情感文摘中的情感信息

情感文摘旨在提取出文本中具有明显倾向性的情感信息,同时尽可能使得句子与句子之间的衔接连贯通顺.由于极性强度不一样,评论者表达观点的情感强弱就不一样,导致情感信息也不一样.提出了一种新的方法来度量情感文摘中的情感信息量,引入了极性强度概念,并利用点交互信息的原理,综合考虑其与评论者、评价对象、评价短语三者之间的关系.实验结果表明,新方法与未考虑极性强度的方法相比,评价指标ROUGE-2提升了2.21%,ROUGE-SU4提升了2.01%,ROUGE-SU9提升了2.45%     

QPSK调制下最大平均互信息量化在LDPC译码中的应用

对低密度奇偶校验(low-density parity-check, LDPC)码在四进制相移键控(quaternary phase shift keying, QPSK)调制下的译码算法进行了深入研究,分析和推导了最大平均互信息量化的具体方法。在QPSK调制下,通过此方法量化初始消息,最终使每次迭代的变量消息和校验消息都是整数,实现了基于整数运算的最小和译码算法。仿真结果表明,其性能与基于高精度浮点数的和积译码算法大约相差0.39 dB,同时该算法中所有变量都用固定长度的整数表示,便于硬件实现,在其译码性能比和积译码性能下降不大的情况下,大大缩短了译码时间。     

基于互信息的分布式贝叶斯压缩感知

压缩感知理论应用于分布式认知网络中时,由于每个认知用户所处的信道环境差别很大,因此频谱感知的精度相差很大.为了提高感知的精度,提出了一种结合了分布式网络中的数据融合方法和压缩感知理论中的高效的数据处理方式的方法.首先,单个认知用户单独地运用压缩采样(CS)进行频谱的粗略感知,然后通过互信息的计算可以得到两两认知用户之间感知信息的差异,而差异大的两个认知用户之间会产生关联.认知用户的感知信息会按照这种关联进行共享.信息共享后,在每个认知用户端,基于贝叶斯推理的压缩感知恢复会重新进行来更新之前的感知结果.仿真结果表明,在感知精度与感知速率方面,算法性能均有改善.     

一种新的词语相似度计算方法

提出了一种新的词语相似度计算方法。该方法利用词语关联分布规范化因子,对互信息中目标词和基词的关联度度量方法进行了修正,通过计算目标词和基词的关联度,构造目标词的属性向量,由目标词的属性向量,利用夹角余弦法计算出目标词语相似度。实验结果验证了该方法的有效性。     

利用高频词和互信息面向特定领域提取多字词表达

在阐述了多字词表达定义的基础上,对面向特定领域的多字词表达提取的技术路线进行了详细说明.以大规模的真实文本为研究对象,利用领域高频词和互信息统计量提取多字词表达,确定了多字词表达的最大提取长度,并通过停用词表法对候选多字词表达进行噪声处理.实验结果表明:笔者提出的方法在处理对象规模、效率等方面均有所提高.     

基于递归模糊神经网络的多时延基因调控网络构建方法

为了处理连续的时序基因表达数据,提出了一个基于递归模糊神经网络的多时延基因调控网络构建算法.该算法能直接用于分析连续的时序基因表达数据,避免离散化数据造成的信息损失.使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率和精确度.酵母菌细胞周期表达数据的实验结果表明该算法能正确选择潜在的调控基因,更加精确地构建基因调控网络.     

文本特征选择方法的改进算法

传统的互信息特征选择方法受边缘概率的影响较大, 可能产生稀有词的概率评估分高于常用词的评估分, 从而导致倾向于选择低频词条的现象。为此,在分析了几种传统的特征提取方法基础上, 通过引入分散度及平均词频两个参数, 将互信息方法与特征的词频相关联, 从而使互信息的分类更加准确。实验结果表明, 该方法使分类效果更好。     

JPEG压缩下图像量化水印的鲁棒性估计

当嵌有水印的图像经受压缩时,水印检测可能出现错误。与通过各种仿真测试不同,提出以互信息为代价函数评测图像量化水印联合图像专家组（joint photographic experts group, JPEG）规范压缩下的鲁棒性,该方法以线性高斯模型近似JPEG压缩过程,推导了JPEG下的度量鲁棒性的互信息函数计算式,并仿真计算不同压缩因子对应的鲁棒性。实验中以分块离散余弦变换（discrete cosine transform, DCT)中频系数为量化载体进行水印嵌入和检测,结果表明当压缩因子变化时,互信息函数与实验误码率之间是匹配的,应用该方法可以评估和预测图像量化水印算法在JPEG压缩下的鲁棒性。     

一种含参数的概率密度核估计的独立分量分析算法

分析了盲源分离算法中互信息准则与概率密度核函数的关系,利用广义高斯模型,提出了一种基于含参数的核概率密度估计的独立分量分析算法。该算法利用观测样本求峰度,通过分段函数给出相应高斯指数值,并刺用样本数据进一步修正源信号的概率密度函数。实现对分离信号评价函数的精确估计。在此评价函数基础上,采用互信息最小化准则,推导出分离矩阵的迭代更新规则。所提算法在一定程度上解决了ICA算法中信号评价函数估计的难题,且能对任意源混合信号进行有效盲分离,仿真实验验证了算法的性能。     

基于蚁群算法和互信息进行非线性盲源信号分离

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,而求解其全局最优解非常困难的问题,这里提出一种基于蚁群算法进行非线性盲源信号分离的方法.该方法用高阶奇数多项式拟合非线性混合函数,以分离信号的互信息作为代价函数.并对非线性混合信号进行了仿真研究.由此方法得到的分离信号和源信号的相似系数都在98%以上,仿真实验结果表明该方法能够对非线性盲源信号进行很好地分离.