动态自适应特征权重的多类文本分类算法研究*

文本分类是研究文本数据挖掘、信息检索的重要手段,文本特征项权重值的计算是文本分类算法的关键。针对经典的特征权重计算方法TF-IDF中存在的不足,提出了一种动态自适应特征权重计算方法(DATW)。该算法不仅考虑了特征项在文本中出现的频率及该特征项所属文本在训练集中的数量,而且通过考查特征项的分散度和特征向量梯度差以自适应动态文本的分类。实验结果表明,采用DATW方法计算特征权重可以有效提高文本分类的性能。     

基于DRAM牺牲Cache的异构内存页迁移机制

当海量数据请求访问异构内存系统时,异构内存页在动态随机存储器(dynamic random access memory,DRAM)和非易失性存储器(non-volatile memory,NVM)之间进行频繁的往返迁移.然而,应用于传统内存页的迁移策略难以适应内存页"冷""热"度的快速动态变化,这使得从DRAM迁移至N...     

SpMT WaveCache:开发数据流计算机中的推测多线程

推测多线程技术(Speculative Multithreading,SpMT)是通过推测地执行多个线程来开发线程级并行性,提高超标量处理器性能.通过增加额外的硬件单元,比如线程同步单元(Thread Synchronization Unit,TSU)、线程上下文表(Thread Context Table,TCT)和线程内存历史表(Thread Memory History,TMH),扩展了事务性内存系统,提高了基于波标量指令集系统结构(WaveScalar ISA)实现的WaveCache模拟器的性能.同时,还提出了一种新的两级线程级事务提交机制.最后,采用了6个来自SPEC、Media和Mibench测试程序集的真实测试程序.评估了推测多线程WaveCache(SpMT WaveCaehe)的性能.实验表明,SpMT WaveCache比超标量系统结构提高了2～3倍的性能,是一种有效的开发动态数据流计算机性能的方法.     

面向CT图像小目标病灶区域的智能化检测算法研究

由于计算机断层扫描(Computed Tomography, CT)医学图像的大部分病灶区域面积较小,传统目标检测模型容易造成小目标病灶区的漏检和误检.针对此问题,本文提出了一种具有注意力机制的特征金字塔网络(Attention Feature Pyramid Network, AFPN),将特征提取网络的输出结果依次输入到通道注意力模块和空间注意力模块中,并与原来的特征层融合,从而在通道层次和特征点层次上对小目标病灶区分别进行特征增强,减少对病灶区的漏检.同时,本文提出了包含信心分数乘积项的损失函数,可以提高被识别错误的样本损失权重,减少对病灶区的误检.实验结果表明,本文模型在小目标病灶区的平均检测精度比3DCE(3D Context Enhanced region-based CNN)模型提高了5.2%,比MSB(Multi-Scale Booster)模型的检测精度提高了4.4%.     

一种面向流处理器的条件随机场并行计算方法

条件随机场(Conditional Random Fields,CRF)是一种用于结构化数据标注的机器学习方法,可以应用于序列标注任务.样本训练中随着样本标签数量的增加,训练过程的计算时间呈非线性增长.利用GPU流处理器的多核计算单元和多级存储结构,在OPECNCL编程模型下采用并行计算方法提高样本训练的计算效率.实验结果表明,采用并行计算的性能相对于面向单核CPU环境下的单线程计算能获得16倍的计算加速比.     

一种新的基于J2EE技术的软件自动化测试系统的研究与实现

软件自动化测试正成为计算机应用研究的热点,ATS自动化测试系统采用了J2EE设计技术的一种新思路,能够保证测试系统跨平台和分布式控制,是一种具有开放性和灵活性的自动化测试解决方案.首先简要介绍了J2EE设计的理论和在此理论基础上设计的ATS的强大功能,然后详细阐述了ATS的设计架构,最后实现并分析了ATS的基本应用.     

试论“高级计算机系统结构”双语课程建设经验

在引进国外计算机系统结构经典教材的基础上,结合当前计算机系统结构的研究热点和研究重点,采用双语教学方法组织课堂教学、研究生分组讨论和课程报告,从优化课程设置、更新教学内容、强化师资队伍、建设助教制度、促进国际交流五个方面进行课程建设,激发了学生的学习动力,开拓了创新思路,获得了较好的教学效果。     

稀疏数据下结合词向量的短文本分类模型研究

针对短文本缺乏足够共现信息所产生的词与词之间弱连接,且难以获取主题词的情况,导致面向短文本分类工作需要人工标注大量的训练样本,以及产生特征稀疏和维度爆炸的问题,提出了一种基于注意力机制和标签图的单词共生短文本分类模型(WGA-BERT)。首先利用预先训练好的BERT模型计算上下文感知的文本表示,并使用WNTM对每个单词的潜在单词组分布进行建模,以获取主题扩展特征向量;其次提出了一种标签图构造方法捕获主题词的结构和相关性;最后,提出了一种注意力机制建立主题词之间,以及主题词和文本之间的联系,解决了数据稀疏性和主题文本异构性的问题。实验结果表明,WGA-BERT模型对于新闻评论类的短文本分类,比传统的机器学习模型在分类精度上平均提高了3%。     

基于图像边缘形态学分析的轴承质检方法

提出一种在工业零件质量检测环境中判断轴承质量的图像识别方法,使用滤波、图像增强和分割等工序对图像进行预处理。给出相对方向编码的概念,对二值图像的边缘进行平滑处理。提出一种新的边缘形态学分析的方法对二值化图像边界形态进行量化分析,并运用神经元网络分类器对图像进行分类。实验结果表明,该方法能达到较好的识别效果。     

基于注意力机制的文本情感倾向性研究

社交媒体上短文本情感倾向性分析作为情感分析的一个重要分支,受到越来越多研究人员的关注。为了改善短文本特定目标情感分类准确率,提出了词性注意力机制和LSTM相结合的网络模型PAT-LSTM。将文本和特定目标映射为一定阈值范围内的向量,同时用词性标注处理句子中的每个词,文本向量、词性标注向量和特定目标向量作为模型的输入。PAT-LSTM可以充分挖掘句子中的情感目标词和情感极性词之间的关系,不需要对句子进行句法分析,且不依赖情感词典等外部知识。在SemEval2014-Task4数据集上的实验结果表明,在基于注意力机制的情感分类问题上,PAT-LSTM比其他模型具有更高的准确率。