共查询到20条相似文献，搜索用时 312 毫秒
1.
2.
《实验室研究与探索》2020,(6):117-122
针对人工智能相关专业深度机器学习理论与实践脱节的情况,结合市场对垃圾分拣的实际需求,设计了一款基于TensorFlow的垃圾视觉分拣机器人实验平台。实验平台硬件部分包括:NVIDIA Jetson TX2嵌入式机器学习平台、智能机械臂控制系统;软件部分基于TensorFlow深度学习框架,通过数据采集、数据标注、MobileNet SSD模型的迁移训练等若干步骤,实现了垃圾的视觉分拣。实验平台可满足深度学习、工业机器人、机器视觉等先进技术的实践教学要求,有助于提高学生的创新与实践能力。 相似文献
3.
情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络（CNN）和双向长短时记忆网络（BLSTM）进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。 相似文献
4.
基于机器学习的情感分类方法已经取得了较大进展,但在大量情感分类方法中,往往都是结合词嵌入和传统的机器学习方法,缺乏对文本主题以及时序关系等因素的有效利用。针对上述问题,提出了一种基于主题流与深度学习的情感分类算法,通过分析文本的主题分布,并引入时序关系,在此基础上利用适合的长短记忆神经网络的深度学习方法进行情感分类。实验证明,基于主题流与深度学习的情感分类算法性能较好。 相似文献
5.
随着互联网的迅猛发展,网上健康信息以几何速度增长,其中大量虚假健康信息给人们的生活带来了很大影响,但目前对虚假健康信息文本识别的研究非常缺乏,以往研究主要集中在识别微博上的谣言、伪造商品评论、垃圾邮件及虚假新闻等方面。鉴于此,采用基于词向量的深度神经网络模型和基于双向编码的语言表征模型,对互联网上流传广泛的健康信息文本进行自动分类,识别其中的虚假健康信息。实验中,深度网络模型比传统机器学习模型性能提高10%,融合Word2vec的深度神经网络模型比单独的CNN或Att-BiLSTM模型在分类性能上提高近7%。BERT模型表现最好,准确率高达88.1%。实验结果表明,深度学习可以有效识别虚假健康信息,并且通过大规模语料预训练获得的语言表征模型比基于词向量的深度神经网络模型性能更好。 相似文献
6.
对于网络运行过程中产生的海量日志信息,传统故障诊断方法很难进行实时而全面的日志分析。针对该问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的网络故障诊断模型,利用Skip-gram模型进行词向量训练,并将词向量作为卷积神经网络输入,最终通过Softmax回归进行分类。实验结果表明,该模型可以有效处理网络故障诊断任务,且优于传统机器学习方法,对于网络运行日志的故障诊断准确率可达73.2%以上。 相似文献
7.
情感分类是自然语言处理的一个重要分支,情感分类方法包括传统的基于情感词典的方法和基于机器学习的方法,以及最新的基于深度学习的方法。为了探索情感分类的实现方法和研究进展,对传统的情感分类方法和基于深度学习的情感分类方法进行对比,并对深度学习LSTM原理进行了简要描述,可以发现基于深度学习的情感分类方法在情感分类上具有更大优势。 相似文献
8.
为解决海量数据导致用户信息过载问题,通过分析人民网、新浪网等网站的新闻网页数据,将传统方法与深度学习方法相结合,提出基于特征融合、CNN和GRU的多文档摘要方法（M-C-G）。首先对30种不同主题的新闻网页进行数据清洗,使用word2vec工具训练词向量模型,根据多种特征计算得到初步摘要结果;然后把8.3万条搜狐新闻语料文本数据输入带有CNN和GRU的Seq2Seq模型上训练;最后把初步摘要结果输入模型进行测试,得到最终摘要结果。实验结果表明,在ROUGE评测体系中采用该方法比现有方法准确率至少提高约2%,可有效帮助用户寻找有价值的文本信息。 相似文献
9.
针对传统算法在变压器故障诊断领域存在参数难以选取、准确率低、易误判等缺点,提出一种基于改进深度信念网络（IDBN）的电力变压器故障诊断方法。在油中溶解气体分析(DGA)基础上,首先以IDBN无监督训练方式重构原始数据特征,然后以有监督方式学习特征与故障类型之间的映射关系,最后将测试数据应用于模型并进行实验。实验结果表明,该方法不仅具有较高精度,而且在准确率方面优于传统的人工神经网络和支持向量机方法。因此,将改进深度信念网络用于变压器故障诊断具有较高的应用价值。 相似文献
10.
《鸡西大学学报》2019,(8)
为了提高机器学习算法对手写字文本识别能力,克服个体手写字风格多变的干扰,设计了一种基于贝叶斯与生成式对抗网络的手写字文本识别算法。首先,建立10000个汉字的手写字数组头,每个汉字数组头后面依附100种手写体,构建起1000000帧汉字文本图像帧,作为后续学习训练的训练集数据输入。然后,利用贝叶斯线性模型,结合线性回归和先验分布,基于手写字图像样本数据库,进行有监督的机器学习训练,得到机器学习算子,完成针对手写字的粗识别。随后,根据生成式对抗网络原理,创建生成模型和判别模型,设计自适应潜在损失函数和迭代终止函数,解决深度学习普遍存在的过拟合问题,完成生成式对抗网络算子,完成针对手写字的深度识别。最后基于QTcreator开发的集成平台来实现所提算法的功能,其中,机器学习算子由OpenCV视觉函数实现,深度学习算子由TensorFlow框架实现。实验数据显示,相较于传统手写字识别算法而言,所提算法具有更高的手写字识别能力。 相似文献
11.
利用爬虫技术从中国种业大数据平台获取小麦特征信息数据集,采用手工结合计算机程序的方式处理数据.对处理后的数据使用传统机器学习中的支持向量机、朴素贝叶斯和深度学习中的BP神经网络方法,分别构建小麦抗寒性模型.实验结果表明,与传统机器学习的模型相比,BP神经网络在小麦抗寒性分类效果预测上表现的效果优、预测准确率高. 相似文献
12.
13.
图像风格迁移技术是指给定内容图和风格图,利用机器学习算法将内容图渲染成具有艺术风格的画作。针对传统图像风格迁移算法无法兼顾速度与生成图像质量等问题,基于 AdaIN 算法,提出 AdaIN 改进算法。在原始 AdaIN 网络中加入内容图像的深度信息计算模块,提取内容图像的深度图,通过将迁移图像数据与深度图归一化处理后的数据按元素相乘的方法,突出内容图的深度信息,使得输出的风格迁移图像各深度下具有不同的风格化程度。实验表明,相较于 Gatys 等种传统风格迁移算法,AdaIN 改进算法在运行时间上可降低约 11%;不需要针对每种风格单独训练网络,避免了模型重复训练;内容图像深度信息得以保存,提高了图像渲染质量。 相似文献
14.
15.
传统语音情感识别算法模型结构较为简单,需要足够量级的训练数据才能使其具有一定的实用性.然而,在实际应用中可供训练的数据集较少.为解决上述问题,提出了一种语音情感深度迁移识别算法.通过属性分析表构建、特征提取、相关性计算等操作确定源域数据集,并在此基础上训练迁移学习并构建预训练模型,最终构成语音情感分类模型.实验结果表明... 相似文献
16.
医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。 相似文献
17.
《鸡西大学学报》2019,(9)
为了提高机器学习算法对实际场景中车牌识别能力,克服天气、车牌种类对识别的干扰,以实际场景拍摄的车牌为识别对象,设计并开发了一种基于大数据标签与机器学习的车牌识别系统。首先,在不同启用场景、不同天气下采集两万帧车牌,涵盖各省市汽车,作为大数据标签和学习基础,建立车牌图像和车牌文字字段的训练集数据库;然后,利用图像降噪、自动阈值分割、形态学处理以及边缘检测,完成车牌定位与分割;随后,通过建立支持向量机与随机森林分类器,对训练集样本进行模型学习,完成机器学习算子,完成针对车牌的最终识别;最后基于Windows系统、C++语言与OpenCV开源学习框架,编码实现算法和系统。经过与对照组的对标测试,所提算法具有更高的车牌识别能力。 相似文献
18.
基于韵律变换的情感说话人识别 总被引：1，自引：0，他引：1
为了解决由情感变化引起的说话人识别性能下降问题,提出了一种新的情感说话人识别系统．首先,通过引入情感识别作为前端处理模块,对中性语音和情感语音进行分类．然后,对情感语音进行韵律修正,分别采用高斯归一化、高斯混合模型（GMM）和支持向量回归（SVR）等方法建立情感语音和中性语音的基频映射规则,并根据平均线性变化率对时长进行了修正．最后,对韵律修正后的情感语音进行识别．实验结果表明,提出的情感说话人识别系统可以有效地提高情感说话人识别的性能,识别率相比传统方法有了显著的提高．并且通过基频和时长修正的情感语音更接近于中性语音． 相似文献
19.
20.
《实验室研究与探索》2017,(12):125-128
近年来,伴随着深度学习方法在人工智能领域中的广泛应用,在校级高性能计算平台上也产生了越来越多人工智能领域应用的计算需求。上海交通大学的超级计算机π充分利用GPU加速卡的硬件资源,率先在校级高性能计算平台上部署了多款主流深度学习软件框架,如TensorFlow等,向校内用户提供面向深度学习应用的计算服务。将阐述在传统高性能计算平台上部署深度学习软件框架的探索与实践,并通过对图像识别领域Inception模型的训练实验,验证目前校级高性能计算平台对深度学习应用的支持效果。实验结果显示,交大π超算的模型训练性能与目前最新NVIDIA Minsky GPU工作站上的性能相当,可以充分支撑校内深度学习相关应用。 相似文献