信用构件的刻面分类及检索方法研究

本文引入软件复用来实现信用评估系统的构件化开发,通过对信用评估系统及评估建模方法的分析,提出信用评估构件库的刻面分类,结合具有良好扩展性的术语空间层次编码,对构件检索技术进行了讨论,将查询条件和构件描述的匹配转化为字符串集之间的匹配,采用向量空间模型的相似度量来提高构件的查全率。     

基于卷积神经网络的建筑构件图像识别

对于现存的大量既有建筑,利用三维激光扫描所得到的点云数据生成BIM模型,需要将点云数据转换成建筑RGB-D图像,并对图像进行分类处理.传统图像识别技术无论是识别准确度还是面对复杂场景的模型泛化能力等,都难以满足现在的需求.文中基于深度学习算法,针对室内建筑门窗构件图像的分类问题,提出了一种运用卷积神经网络模型进行建筑构...     

基于刻面分类模式的构件库检索方法

可复用软件构件的检索是构件库和软件复用领域研究的一个重要课题。基于刻面分类模式的检索方式拥有准确、高效的优势,因而得到了广泛应用。论文介绍了刻面分类模式的相关概念以及刻面树的创建方式,分析了基于刻面分类模式对软件构件库进行检索的规则,该规则将用户选择的刻面和术语通过合理的并和交运算组合生成数据库查询条件来完成检索。最后根据规则提出了相应算法以及刻面分类模式检索在实际构件库系统中的实现方法。     

基于刻面分类模式的构件库检索方法

可复用软件构件的检索是构件库和软件复用领域研究的一个重要课题。基于刻面分类模式的检索方式拥有准确、高效的优势,因而得到了广泛应用。论文介绍了刻面分类模式的相关概念以及刻面树的创建方式,分析了基于刻面分类模式对软件构件库进行检索的规则,该规则将用户选择的刻面和术语通过合理的并和交运算组合生成数据库查询条件来完成检索。最后根据规则提出了相应算法以及刻面分类模式检索在实际构件库系统中的实现方法。     

刻面分类构件的匹配模型

随着软件复用实践的深入和软件构件库规模的扩大,对软件构件的表示与检索的研究正得到越来越多的重视.针对基于刻面描述的软件构件,结合模式分析中的树匹配思想,并根据构件刻面描述的特点,提出了一个包含3个层次,5种匹配类型的刻面匹配模型.给出了该匹配模型的泛型算法并对具化情况下的算法实现与时间复杂度进行了讨论.同时,通过理论和实践的结果证明了该匹配模型在构件检索上的可行性与有效性.     

基于卷积神经网络的中文微博情感分类

微博是互联网舆论演化的重要平台,对微博进行情感分析,有助于及时掌握社会热点和舆论动态。由于微博数据内容简短、特征稀疏、富含新词等特征,微博情感分类依然是一个较难的任务。传统的文本情感分类方法主要基于情感词典或者机器学习等,但这些方法存在数据稀疏的问题,而且忽略了词的语义、语序等信息。为了解决上述问题,提出一种基于卷积神经网络的中文微博情感分类模型CNNSC,实验表明相比目前的主流方法,CNNSC的准确率提高了3.4%。     

基于SOM聚类的软构件分类方法

软构件刻面分类法是一种被各大软构件库系统广泛采用的分类方法,但是传统的刻面分类法需要人工建立和维护庞大的术语空间,增大了软构件建库和入库的工作量.利用基于SOM神经网络的聚类技术可实现无需建立术语空间的软构件自动分类,同时针对软构件的特点和SOM聚类的需要预先确定拓扑结构和聚类结果与输入样本的次序有关等缺点,对SOM聚类的训练过程进行改进以满足软构件聚类的要求.     

基于轻量化卷积神经网络的服装分类方法

考虑到电商平台的日益发展,使用人工分类的方式对服装进行分类无法满足目前的需求.本文从实际的应用场景出发,针对于服装图像进行分类时会受到背景因素干扰、服装图像关键部位信息以及算法模型运行的的硬件要求三个方面,分别进行改进设计.提出：1）消除背景的干扰;2）图像局部信息的利用;3）模型的轻量化处理.最终得到了在满足准确性的前提下,可以在普通低配置PC端进行运行的算法模型,提升了工作效率,同时节省了成本.     

基于集成卷积神经网络的人脸年龄分类算法研究

人脸年龄估计由于在人机交互和安全控制等领域有潜在应用,因此得到了广泛关注。文中主要进行人脸年龄分组的研究,针对人脸年龄分类问题提出了一种基于集成卷积神经网络的年龄分类算法。首先,训练两个以人脸图像为输入的卷积神经网络,当用卷积神经网络直接提取人脸图像的特征时,主要对 深度的全局特征 进行提取。为了补充人脸图像的局部特征,尤其是纹理信息,将提取的LBP(Local Binary Pattern)特征作为另一个网络的输入。最后,为了结合人脸的全局特征和局部特征,将这3个网络进行集成。该算法在广泛使用的年龄分类数据集Group上取得了不错的效果。     

基于卷积神经网络的遥感图像分类研究

遥感图像分类是模式识别技术在遥感领域的具体应用,针对遥感图像处理中的分类问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的遥感图像分类方法,并针对单源特征无法提供有效信息的问题,设计了一种多源多特征融合的方法,将遥感图像的光谱特征、纹理特征、空间结构特征等按空间维度以向量或矩阵的形式进行有效融合,以此训练CNN模型。实验表明,多源多特征相融合能够加快模型收敛速度,有效提高遥感图像的分类精度;与其他分类方法相比,CNN能够取得更高的分类精度,获得更优的分类效果。     

基于一维卷积神经网络的网络流量分类方法

针对传统机器学习算法对于流量分类的瓶颈问题,提出基于一维卷积神经网络模型的应用程序流量分类算法。将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。设计了一种新的一维卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中特征选择问题。通过网络公开数据集进行模型测试,相比于传统的一维卷积神经网络模型,所设计的神经网络模型的分类准确率提升了16.4%,总分类时间节省了71.48%。另外在类精度、召回率以及[F1]分数方面都有较好的提升。     

基于卷积神经网络的织物表面缺陷分类方法

针对织物缺陷检测时疵点种类繁多且传统人工检测方法漏检率高的问题,提出了一种基于卷积神经网络的织物表面缺陷分类方法。因卷积神经网络（CNN）训练时参数多、样本量大,且极易陷入过拟合,利用微调卷积神经网络模型Alexnet对织物疵点图像进行特征提取,初始化采用原网络的参数而非随机初始化参数;再针对特定目标下的训练样本对网络参数进行微调;最后利用softmax回归算法进行预测分类。分别用三种方法和两种织物进行测试,结果表明：针对特定目标微调后的Alexnet网络,在两类织物测试中均能达到95%以上的分类准确率。     

最近邻注意力和卷积神经网络的文本分类模型

随着自然语言处理(NLP)的不断发展,深度学习被逐渐运用于文本分类中.然而大多数算法都未有效利用训练文本的实例信息,导致文本特征提取不全面.为了有效利用对象的实例信息,本文提出最近邻注意力和卷积神经网络的文本分类模型(CNN-AKNN).通过引入基于加权卡方距离的最近邻改进算法训练文本,构建文本对象的注意力,然后将注意力机制与卷积神经网络相结合实现全局特征与局部特征的提取,最后通过softmax函数进行文本分类.本文采用搜狗新闻语料库、中山大学语料库以及英文新闻语料库AG_news进行大量实验,结果表明本文所使用的改进算法相较于基准算法效果更优,更有利于提取模型的隐含特征.     

基于卷积神经网络的图像分类算法

针对传统图像分类方法分类精度不高的问题,文章采用了两层卷积和池化的卷积神经网络(Convolutional Neural Network, CNN)算法来对图像进行分类。从不同方面将CNN与支持向量机(Support Vector Machines, SVM)、反向传播算法(Back Propagation, BP)进行图像分类的准确率对比,实验结果表明,CNN算法图像分类的准确率高于其它两种算法。     

改进卷积神经网络在分类与推荐中的实例应用

在网络购物不断发展的背景下,基于服装图片的服装的分类识别和搭配推荐具有给予消费者搭配建议并帮助商家促进销售的重要意义。深度学习作为机器学习领域的最新研究成果,建模与表征能力强大,在图像处理领域取得了突破成果。改进卷积神经网络通过加入批量归一化、改进卷积层结构、添加冗余分类器改进了原始GoogleNet卷积神经网络,提高了分类精确度和速度。对搭配库训练集进行图片增广,扩增数据集使其更加丰富全面,并提高精确度。运用改进卷积神经网络对增广后的数据集进行服装精细分类,得到图片的服装类别风格以及功能信息。使用感知哈希算法寻找套装图片库中的相似单品及其搭配,并根据精细分类得到的图片性别、风格、功能信息,最终综合给出服装搭配推荐,具有重要的现实研究意义     

基于卷积神经网络的黄瓜病害识别研究

针对在黄瓜种植过程中,不能及时观察出病害种类以及不合理地使用药物防治而导致减产或死亡的问题,提出了基于卷积神经网络的黄瓜病害识别方法。通过使用手机拍照的方法采集带有病害特征的样本图片,进行图像增强处理,制作了黄瓜叶面病害数据集,并研究AlexNet、VGG-16和ResNet50三种不同深度网络模型的病害识别效果,通过设计不同方案进行模型训练,找出训练效果最优的网络模型并进行病害图片检测。结果表明,系统能够满足预期的黄瓜病害识别要求,具有较高的识别准确率。     

Breast Mammogram Analysis and Classification Using Deep Convolution Neural Network

One of the fast-growing disease affecting women’s health seriously is breast cancer. It is highly essential to identify and detect breast cancer in the earlier stage. This paper used a novel advanced methodology than machine learning algorithms such as Deep learning algorithms to classify breast cancer accurately. Deep learning algorithms are fully automatic in learning, extracting, and classifying the features and are highly suitable for any image, from natural to medical images. Existing methods focused on using various conventional and machine learning methods for processing natural and medical images. It is inadequate for the image where the coarse structure matters most. Most of the input images are downscaled, where it is impossible to fetch all the hidden details to reach accuracy in classification. Whereas deep learning algorithms are high efficiency, fully automatic, have more learning capability using more hidden layers, fetch as much as possible hidden information from the input images, and provide an accurate prediction. Hence this paper uses AlexNet from a deep convolution neural network for classifying breast cancer in mammogram images. The performance of the proposed convolution network structure is evaluated by comparing it with the existing algorithms.