排序方式: 共有10条查询结果,搜索用时 14 毫秒
1
1.
针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法.首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型.在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度. 相似文献
2.
网络图像语义自动标注是实现对互联网中海量图像管理和检索的有效途径,而自动有效地挖掘图像语义是实现自动语义标注的关键。网络图像的语义蕴含于图像自身,但更多的在于对图像语义起不同作用的各种描述文本,而且随着图像和描述知识的变化,描述文本所描述的图像语义也随之变化。提出了一种基于领域本体和不同描述文本语义权重的自适应学习的语义自动标注方法,该方法从图像的文本特征出发考查它们对图像语义的影响,先通过本体进行有效的语义快速发现与语义扩展,再利用一种加权回归模型对图像语义在其不同类型描述文本上的分布进行自适应的建模,进而实现对网络图像的语义标注。在真实的Wcb数据环境中进行的实验中,该方法的有效性得到了验证。 相似文献
3.
4.
5.
6.
语义标注是实现语义网的一个重要研究内容,目前已有很多标注方法取得了不错的效果。但这些方法几乎都没有注意到本体所描述的知识往往稀疏地分布在文档中,也未能有效地利用文档的组织结构信息,使得这些方法对质量较差的文档的标注不理想。为此提出了一种基于稀疏编码的本体语义自动标注方法((Semantic Annotation Method based on Sparse Coding, SAMSC),该方法先按本体知识描述从文档中识别出一定的语义作为初始值,再通过迭代解析文档段落结构和描述主题,完成本体知识与文档资源的相关系数矩阵计算,最后在全局文档空间中通过最小化损失函数来实现用本体对文档的语义标注。实验表明,该方法能有效地对互联网中大量良芬不齐的文档进行自动语义标注,对质量差的文档资源能取得让人接受的结果。 相似文献
7.
8.
网络上存在海量中文文本资源,其中许多具有稀疏性与不规范性,难于处理与挖掘.百度百科是一个丰富的与社会热点、网络流行紧密相关的动态中文知识库,基于百度百科本文提出一种网络文本语义主题抽取方法.首先利用百度百科的知识关系将文本映射到侯选语义主题空间中,根据训练数据进行分类,找出最大可能的分类,选出属于该分类的候选语义主题.最后提出根据语义离散度确定最终语义主题.在两个数据集上的实验结果表明,该方法不仅对网络不规范文本而且对于规则文本都具有较好的语义主题抽取性能. 相似文献
9.
本体(Ontology)作为语义WEB的核心已经被应用到社交,农业等多个领域.将本体开放给众多用户进行编辑的做法已经开始流行,但是在构建多用户本体系统时仍然存在一些问题.本体演化就是其中之一,在共同协作的本体环境中总是充斥着各种冲突,所以冲突检查是本体演化中重要的一个环节,本文将提出一个实用的基于启发式的方法来进行本体冲突检查,此方法是一个稳定的保证较高查全率和查准率的方法,并将给出演化中的冲突检查算法. 相似文献
10.
针对基于独立成分分析的工作模态参数识别方法可识别模态数较少的问题,提出一种基于稀疏成分分析的欠定工作模态参数识别方法.该方法从线性时不变小阻尼结构的模态振型、模态坐标的性质和稀疏成分分析的基本假设出发,找出模态振型与混合矩阵之间、模态坐标响应与稀疏成分之间的一一对应关系,将欠定工作模态参数识别问题转化为稀疏成分分析问题.首先,从基于传统盲源分离的工作模态参数识别中存在的问题和稀疏成分分析流程,建立了基于稀疏成分分析的工作模态参数识别框架和流程步骤;其次,针对欠定工作模态参数识别振型的解释和评价问题,提出欠定条件下识别振型的特点及评价方法;最后,讨论了可识别模态数、模态遗漏、虚假模态及方法的适用范围,并与独立成分分析方法进行了理论比较.通过5自由度仿真数据集下的工作模态参数识别,表明所提方法具有有效性和优越性. 相似文献
1