二进制无记忆数字信道信息容量与误码率制约关系

从信息容量和误码率的经典定义出发,研究了二进制无记忆数字信道的信息容量与误码率之间的相互制约关系,结果表明信息容量与误码率在一般情形下不具有--对应关系.在非对称信道情形下,信息容量最大并不意味着其误码率最小,但信息容量会随着误码率的减小而增大;在对称信道情形下,不仅可以获得信息容量的最大值,而且可以获得最小误码率.     

融合粗糙数据推理的卷积记忆网络文本情感分析

为解决现有情感分类算法在特征提取中缺乏对语义关联规则的运用,以及在分词后产生大量与情感预测无关的词,导致挖掘出的特征不具代表性的问题。提出一种融合粗糙数据推理的卷积记忆网络情感分析模型。首先,通过上下文信息使用粗糙数据推理获得文本的情感词集Word2Vec词向量表示,并融合FastText词向量来改进特征向量嵌入层;其次,使用卷积神经网络(convolutional neural network, CNN)拼接双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)提取更深层次的情感特征;最后,加入Attention机制计算权重,筛选显著重要特征。在两个数据集上的实验结果显示,该模型的情感分类准确率与F₁值最高可达到84.66%和85.1%,较基线模型中的最高值分别高出2.04%和3.1%,有效提升了情感分类的预测能力。     

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(long-short term memory, LSTM)相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快地提取目标的特征,并且有效地去除复杂背景的干扰。实验结果表明：该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4帧/s。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。     

基于脑电信号分析的正确记忆与错误记忆的差异性

人们在生活中经常会产生漏报等错误记忆,区分出产生正确记忆与错误记忆的大脑运行认知机制,对提高人类正确记忆发生率、抑制错误记忆产生以及改善患者记忆障碍问题等具有重要的意义。基于脑电信号探索正确记忆与错误记忆的差异性,能更全面地理清人脑活动过程中正确记忆与错误记忆加工机制的异同。设计了基于Deese-Roediger-MC-Dermote(DRM)范式的改进的脑电实验,采集被试的脑电数据,探究正确记忆与错误记忆的差异性。采用时频域分析的方法分别对δ、θ、α、β、γ波进行了差异分析,对具有显著差异的频段采用皮尔逊相关方法分别构建脑功能网络,并对脑网络特征属性进行了对比分析。结果表明：大脑前顶区错误记忆θ、α₂波能量谱密度显著大于正确记忆(P<0.05)。对脑网络的分析结果显示,大脑前后额区、后顶区θ、α₂波脑功能网络连接正确记忆显著多于错误记忆;正确记忆θ、α₂波节点度均显著高于错误记忆,α₂波聚类系数正确记忆显著高于错误记忆;正确记忆与错误记忆θ、α₂波介数中心度均无显著差别...     

基于神经网络模型的影评情感分析研究

随着网络的不断发展,越来越多的人们在网络中发表自己的言论,这些带有情感性的文本能够反映出人们的意见信息,对这些文本进行情感分析研究是文本分类的一个重要任务.文中提出了一种加入注意力机制的联合神经网络(convolutional neural network+long shout-term memory,CNN+ LST...     

基于内联关系的方面级情感分析方法

方面级情感分析(aspect-based sentiment analysis,ABSA)旨在预测给定文本中特定目标的情感极性.研究表明,利用注意力机制对目标及其上下文进行建模,可以获得更有效的情感分类特征表达.然而,目前常用的方法是通过对特定目标使用平均向量来计算该目标上下文的注意权值,这类方法无法突出文本中个别单词对于整个句子的重要性.因此,提出了一种基于内联关系的方面级情感分析方法,该方法可以对目标和上下文进行建模,将关注点放在目标的关键词上,以学习更有效的上下文表示.首先使用门控循环单元(gated recurrent unit,GRU)对方面信息和句中单词进行融合分布式表达;然后将分布式表达输入到结合注意力机制的长短时记忆网络(long short-term memory network,LSTM),通过查询机制来增加内联关系的权重,最终得到方面级情感分类.该模型在公开数据集上进行的实验结果表明,该方法是有效的,精确度均超过基线模型.     

一类不确定中立时滞系统的时滞相关鲁棒镇定控制器设计

研究了一类线性参数不确定中立时滞系统的鲁棒镇定问题。首先对标称系统建立了一个时滞依赖型稳定准则;然后,基于LMI正定解的存在性,给出了此类中立系统通过无记忆状态反馈控制器鲁棒可镇定的充分条件及鲁棒控制器设计方案;最后的数值例子说明了所得结论是有效的。     

Wolfe-Powell下的记忆梯度算法

提出了一种记忆梯度法的主要参数dk的新形式,分析了该算法在Wolfe-Powell搜索下的全局收敛性,适合解决大型优化问题。     

基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和模糊熵（FE）改进长短时记忆网络（LSTM）的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.