基于字符级联合网络特征融合的中文文本情感分析

针对传统卷积神经网络(CNN)同层神经元之间信息不能互传,无法充分利用同一层次上的特征信息,以及无法提取长距离上下文相关特征的问题.该文针对中文文本,提出字符级联合网络特征融合的模型进行情感分析,在字符级的基础上采用BiGRU和CNN-BiGRU并行的联合网络提取特征,利用CNN的强学习能力提取深层次特征,再利用双向门限循环神经网络(BiGRU)进行深度学习,加强模型对特征的学习能力.另一方面,利用BiGRU提取上下文相关的特征,丰富特征信息.最后在单方面上引入注意力机制进行特征权重分配,降低噪声干扰.在数据集上进行多组对比实验,该方法取得92.36%的F1值,结果表明本文提出的模型能有效的提高文本分类的准确率.     

基于区域显著性与稳定性的小目标检测方法

为解决彩色图像小目标检测中目标易丢失与虚警率高的问题,提出了一种基于区域显著性和稳定性标准增强的小目标检测方法（ RSSEM ）。首先,在区域稳定性特征提取阶段,针对滤波导致的边缘信息缺失问题,填充图像边界并采用多级阈值二值化图像,在聚类准则下二值图像进行区域聚类和二次后验,使本文方法对小目标有较高敏感度。其次,在区域显著性特征提取阶段,利用旋转对称高斯高通滤波对灰度图像进行滤波得到显著性特征图像。最后,融合稳定性特征与显著性特征,并对强噪声滤波后实现小目标检测。在RSS数据集上,与对照组相比,本文方法能显著降低小目标的丢失率和虚警率,比最先进的算法在精确度、召回率、F值上至少提高1%,表明RSSEM的有效性。     

基于目标形状卷积神经网络在舰船分类中的应用

针对传统卷积神经网络采用通用卷积核提取目标特征造成更高的时间和空间开销的问题,提出一种适应目标几何形状的卷积核结构以替代通用卷积核,可使单个卷积核充分提取目标特征,简化目标提取过程,减少冗余计算。实验以网上收集的舰船可见光图像数据集为研究对象,实验结果表明:本方法在舰船目标识别任务中达到了99.7%的分类准确率,与目前通用的分类模型进行对比要高出约1%,训练速度是通用模型中收敛速度最快的模型的3倍。     

智能科学与技术专业创新型工程科技人才培养体系建构

以国家对创新人才的需求为出发点,在对创新型工程科技人才的特征进行综合分析的基础上,结合典型地方工科学校武汉工程大学智能科学与技术专业的办学实际,提出创新型工程科技人才的专业培养目标,确定人才培养规格,制定人才培养方案。     

组合SVM分类器在行人检测中的研究

在基于HOG特征的SVM行人检测算法的基础上,提出了组合分类器的改进算法。该算法首先采用多尺度滑动窗口提取HOG特征,并对单个SVM分别进行训练,再将训练好的SVM分别采用串联、并联结构形成新分类器后对行人进行检测。为解决用多尺度滑动窗口提取特征时产生的目标候选区域重叠问题,采用非极大值抑制算法对重叠区域进行融合,进而得到准确候选区。实验表明,组合的SVM分类器可以有效降低误检率和漏检率。     

计算机实践教学中学生创新能力培养的探索与实践

依据创新型人才培养的实践教学体系建设原则,探讨了实践性教学体系的整体构架模式,并提出了在实验教学中要加强实践教学软环境建设,对实践教学的内容、方法、手段等方面进行改革的措施,以便更好地为培养创新型人才服务。     

“智能科学与技术”专业“数字图像处理”课程教学实践的探讨

本文针对"智能科学与技术"专业的特点和要求,提出"数字图像处理"课程的教学内容设计既要重视基础理论,又要兼顾专业特点,并将传统教学与现代教学方法和手段相结合,进而提出本课程的教学应该与学生科研创新能力的培养相结合,以达到促进学生学好本门课程,并为后续课程打好基础的目的。     

使用前沿技术激发人工智能课程的学习兴趣

人工智能课程主要教学内容是符号主义学派的成果,然而,由于符号主义学派研究成果在国内的应用不够广泛,学生对该门课程的价值缺少直观感受,进而出现学习兴趣不足的现象。针对此问题,文章提出利用符号主义学派的前沿技术——命题可满足技术与自动规划技术,帮助学生建立对人工智能课程内容的认可,激发其探索与应用符号主义人工智能学派成果的兴趣。     

数据处理中缺失数据填充方法的研究

针对数据处理中常见的缺失数据现象,研究了若干种数据填充方法.分别对拉格朗日插值法、回归分析法、灰色预测法和BP神经网络方法进行了缺失数据计算和算法对比研究.以武汉市2013年3-4月的PM2.5数据作为实验研究对象,用上述四种方法进行了缺失数据验证及估计.对比计算结果发现,对于此类数据,利用拉格朗日插值法进行缺失数据填充效果优于其他三种方法.