基于BiLSTM-Attention的电商评论情感分析

为了更加准确的对电商评论中的文本信息进行情感分析,提出了一种融合注意力机制与双向长短期神经网络(LSTM)的混合模型结构。首先,利用长短期记忆神经网络对于时序序列结构的分析,充分挖掘句子中的潜在信息,有效克服长期遗忘的问题,然后通过注意力机制的使用能够对句子中不同特征分配权重,对于句子中倾向于用户情感的特征信息进行关注,有效改善识别效率。通过在有标签的京东某手机评论数据集上的实验,表明该方法在该领域具有良好的性能。     

基于灰狼算法SVR的烧结矿FeO含量预测

烧结是高炉炼铁的重要环节之一,其中烧结矿FeO的含量对高炉的使用寿命,烧结的原料成本都有重要影响。为了提高烧结矿FeO预测的准确度,提出了一种基于灰狼算法支持向量机回归(GWO-SVR)的烧结矿FeO含量预测模型,利用原料使用数据对烧结矿中FeO含量进行预测,为烧结过程提供理论依据。将98个原料样本数据和烧结矿FeO含量数据进行预处理,选取79个样本作为训练集,19个样本作为测试集,分别建立烧结矿FeO支持向量回归模型(SVR),GA-SVR模型,PSO-SVR模型和GWO-SVR模型,采用决定系数(R2),均方误差(MSE)和绝对平均误差(MAPE)作为模型的对比标准。结果表明,GWO-SVR算法预测精度高、误差小,耗时较短,使用灰狼算法优化支持向量机回归对烧结矿FeO含量预测分析合理、高效。     

基于感兴趣区域的运动人体跟踪

为改善人体在跟踪过程中部分遮挡情况下的表现,提出了一种具有鲁棒性的联合跟踪方法.先利用显著图算法从人体区域中获取基于特征的感兴趣区域(ROI),然后用所提出方法对其进行跟踪.跟踪方法结合了差值平方和准则与基于颜色的均值漂移两种跟踪器的优点,使用卡尔曼滤波器进行状态估计,同时将由显著图算法产生的联合显著点作为局部多区域代替全局区域对人体感兴趣区域进行跟踪.试验结果表明,所提出的跟踪方法在人体部分被遮挡情况下的表现有了明显的改善,适合实时跟踪运动人体,具有很好的鲁棒性.