基于非参数统计分类模型的交通标志识别方法研究

交通标志识别是智能汽车或移动机器人自动导航的重要组成部分,由于现实环境中的交通标志存在着光照变化、褪色污损、扭曲变形等问题,使得同一类交通标志的模式分布呈现非高斯形态。为此,我们构造了一种非参数统计分类模型来识别交通标志。它对具有高度离散的模式识别问题有较好的适应性。实验表明这种分类模型用来识别特征高度离散的交通标志是有效的。     

基于非参数统计分类模型的交通标志识别方法研究

交通标志识别是智能汽车或移动机器人自动导航的重要组成部分,由于现实环境中的交通标志存在着光照变化、褪色污损、扭曲变形等问题,使得同一类交通标志的模式分布呈现非高斯形态.为此,我们构造了一种非参数统计分类模型来识别交通标志.它对具有高度离散的模式识别问题有较好的适应性.实验表明这种分类模型用来识别特征高度离散的交通标志是有效的.     

基于深度学习的剩余油形态分类

剩余油的形态分布情况对油田的深度开发有着重大意义. 针对剩余油数据量较少和传统的形态参数分类能力有限等问题, 提取一种基于深度学习的剩余油形态分类方法. 该方法在数据预处理部分, 利用生成对抗网络ACGAN的多类别数据生成特性对剩余油图像进行数据增强; 采用VGG19模型作为主干网络提取传统形态参数无法描述的深层特征, 同时引入SENet注意力机制, 改善模型特征表达能力, 使得最终的分类结果更加精确. 为验证本研究方法的有效性, 将本文方法与传统形态参数和其他深度学习模型的分类方法进行对比, 并通过主观视觉和客观指标进行评估, 结果表明本文方法分类更为精确.     

词语识别认知过程中的脑功能网络研究

词语识别是心理语言学研究领域的一个重要方面,基于脑功能网络连接模式的研究有助于对其神经机制的揭示。本文基于开源词语识别fMRI实验数据,首先利用人脑解剖学模板AAL分别构建真词试验时和辅音字符串试验时的脑功能网络,然后采用图论分析中的度中心性对AAL中的90个脑区进行活跃度度量,最后使用T检验对两种试验条件下各脑区的活跃度进行了统计对比。实验结果显示,真词试验时脑功能网络中分布在距状裂周围皮层、舌回、枕上回、枕中回、枕下回、顶上回的9个脑区的度中心性显著高于辅音字符串试验时的情况。实验结果表明,人脑在识别具有语义信息的词语时,大脑皮层的各个区域更加趋于协作,显著活跃的脑区能够作为词语识别进一步研究的生物标记。     

中文时间表达式及类型识别

目前,时间信息识别在信息抽取、问答系统、摘要生成、话题跟踪和检测等领域中有着广泛应用,同时也是自然语言处理的重要研究任务之一.针对TempEval-2会议评测任务中的时间表达式识别和类型识别任务:1)句内时间表达式识别,2)时间表达式类型识别,分别提出了基于词性构建时间单元规则库的识别方法以及基于最大熵的类型识别方法.实验对象为中文,结果显示时间表达式识别的准确率为85.16％,时间表达式类型识别的准确率为93.02％.     

基于流量特征的用户互联网访问类型识别

近年来,对互联网用户在网络上的行为分析研究吸引了广泛的兴趣,分析的结果对网络运营商和普通用户都有重要的意义。研究用户在网络上的访问行为的类型识别问题,分析了一个由22万个网络数据包组成的数据集,从中提取统计特征,设计用户网络访问的类型识别算法,实验结果显示本文算法具有相当高的识别准确率。     

汉语介词短语自动识别研究综述

作为一种重要的短语类型,介词短语在汉语中分布广泛,正确识别汉语介词短语对自然语言处理领域的很多任务和应用都有重要的作用和意义。该文对近些年与识别汉语介词短语有关的研究做了梳理,从研究对象、实验评价标准和具体研究方法等几个方面比较详细地介绍了相关工作,最后归纳了汉语介词短语识别研究中表现出来的一些特点,并对未来研究的发展提出了几点建议。     

统计和规则相结合的中文姓名识别方法研究

无论在自然语言处理还是在机器翻译中，中文自动分词都是一个重要的环节。歧义字段切分中的未登录词是中文自动分词中较难处理的部分，其中的中文姓名的识别对中文自动分词的研究具有重要的意义。本文针对基于统计的和基于规则的中文姓名识别方法的不足，使用统计和规则相结合的方法来识别中文姓名。利用统计方法对中文姓名进行初步识别，采用规则方法对统计识别的中文姓名进行校正，进一步提高中文姓名识别的精度。     

汉语冒号标注与自动识别方法研究

随着对篇章分析研究的逐步加深,标点符号研究成为了篇章分析与消歧的一个重要切入点。有效识别标点符号在句子中的作用,将有助于句法分析、篇章分析以及其他自然语言处理技术的发展。该文主要任务是实现汉语冒号的人工标注与自动识别,其中自动识别采取了规则法和基于统计的最大熵法。基于规则的方法比较简单且易于实现,最大熵方法把规则融入到统计之中,在实验结果中具有更好的识别效果。     

基于KNN的剩余油形态识别

对从实验中采集到的剩余油图像进行分析研究,可以为油藏后期开采提供理论依据。通过收集确定类型的剩余油特征数据作为样本集向量空间,对待分类剩余油特征数据进行归一化处理,之后求取欧氏距离。使用KNN(K近邻)分类方法近邻投票确定剩余油类别,可以较为快速准确地得到分类结果。