基于神经网络模型的文本分类研究综述

文本分类是自然语言处理与理解当中重要的一个研究内容,在文本信息处理过程中有关键作用.目前深度学习已经在图像识别、机器翻译等领域取得了突破性的进展,而且它也被证明在自然语言处理任务中拥有着提取句子或文本更高层次表示的能力,也备受自然语言处理研究人员的关注.文章以基于深度学习的文本分类技术为研究背景,介绍了几种基于深度学习神经网络模型的文本分类方法,并对其进行分析.     

基于FGNN算法的sEMG肌肉疲劳分类方法

为了有防止果蝇优化算法的局部最优约束,提高肌肉疲劳分类的准确率,本研究提出了一种基于肌电信号的肌肉疲劳分类方法：果蝇-遗传优化算法,实现了肌肉疲劳的准确检测和分类。在改进的果蝇优化算法基础上把遗传算法的交叉变异和果蝇优化算法混合,并与神经网络结合对肌肉疲劳进行识别。相较于果蝇优化算法,改进后的算法有更强的跳出局部最优的能力。与神经网络结合后对于疲劳状态识别具有更好的效果。本研究提出的肌肉疲劳分类方法,可以防止运动员过度疲劳引起的肌肉损伤,实现准确的肌肉疲劳检测和分类。一共招募了10名健康的年轻参与者(6名男性和4名女性)进行疲劳测试。首先根据主观评测法对疲劳等级进行划分。然后,将采集到的肌电信号数据进行预处理、提取特征后作为神经网络,遗传算法-神经网络, 果蝇优化算法-神经网络, 果蝇-遗传算法-神经网络的输入。经比较果蝇-遗传优化算法-神经网络的准确率为94.3%,优于其他方法     

CycleGAN-SN：结合谱归一化和CycleGAN的图像风格化算法

为解决CycleGAN算法图像风格化质量不高、网络稳定性不强的问题,提出了CycleGANSN算法。在CycleGAN算法判别网络的每一个卷积层后添加谱归一化层,通过幂迭代法估算卷积层参数矩阵的谱范数,采用随机梯度下降法更新卷积层参数。由于参数在每一次更新中的变化量很小,只需迭代一次即可快速估算出矩阵的最大奇异值。根据得到的最大奇异值,对卷积层参数进行归一化处理,使得整个判别网络满足1-Lipschitz连续。在4个常用风格图像数据集上进行实验,并与CycleGAN算法进行对比,结果表明:所提算法能够在保留原有图像细节的基础上,生成色彩鲜艳、纹理清晰、风格渲染充分的风格化图像;在训练过程中的损失函数振荡幅度小,能够使用更大的学习率进行训练,稳定性较强;能够有效减少网络收敛所需的步数,收敛速度较快;在测试阶段一次性风格化751幅图像时,时间最多仅增加0.63s,几乎没有额外的时间消耗。     

母乳成分对婴幼儿健康影响的研究进展

母乳(人乳)是人类母亲用于哺喂婴儿的乳腺分泌液,它既是婴儿出生后能量和营养的来源,更是母体为新生婴儿提供的全方面延伸保护。母乳作为一种自然演化的产物,其成分复杂,构成物质种类繁多,包括支持婴儿物质代谢的营养物质和帮助婴儿功能发育的生物活性物质。这些母乳成分在含量、亚组分构成及化学和生物学状态等方面,能完美地吻合婴儿解剖、生理、生化特征和能量、营养、免疫功能、微生态发展等需求,是婴儿存活和健康成长必需的生物学体系。母乳成分是奠定母乳喂养健康优越性的基础之一。正是由于母乳成分与婴儿需求之间的天然一致性,使母乳喂养对促进婴儿早期健康生长发育和降低成年期慢性病风险具有重要作用。母乳喂养可确保喂养婴儿获得健康的体格生长状态,有利于其脑神经生长和认知功能发育,有利于免疫系统平衡发展,提高抵抗力,降低感染性疾病风险,同时对过敏性疾病具有防护效应。在远期健康效应方面,母乳喂养可降低喂养婴儿的儿童期和成年期肥胖风险,可明显降低成年期代谢综合征(高血压、血脂异常和胰岛素抵抗等)的风险。对母乳成分的持续研究,不仅有助于了解婴儿的营养需要,也是推进婴儿配方食品技术进步不可缺少的重要科学支撑。