基于混合深度模型的虚假信息早期检测

针对一种信息特征进行检测方法在信息传播早期阶段提取的特征信息往往不充分,导致传播早期阶段检测准确率较低的问题,提出一个新颖的混合深度模型EGSI,模型由EXTRACT、GRU、SCORE和INTERATE 4个模块组成。EXTRACT通过卷积神经网络提取信息的传播路径特征,GRU通过门控循环单元捕获信息的文本特征和反馈特征,SCORE基于用户行为挖掘用户特征,INRERATE整合以上特征并预测出信息事件类标。EGSI通过整合信息最基本的4种特征(文本、用户、反馈、传播路径),从而可以在信息传播的早期阶段充分提取可用特征信息,进而较准确地检测出虚假信息。真实数据集的试验结果表明,模型在信息传播60 min内的准确率达到95.9%。相比基准方法,EGSI模型在检测虚假信息的准确率和时效性之间取得了较好的平衡。     

基于Kinect深度信息的手势识别

设计了一种基于Kinect深度信息和双阈值分割的运动手势识别算法。结合OpenCV和OpenNI,在vs2010环境下实现了该算法。利用Kinect的深度摄像头获取深度图像;对该图像进行双阈值分割,获取手部图像;再对手部图像进行形态学处理,获取完整的手形;最后,利用OpenNI的手势生成器GestureGenerator对手势进行跟踪识别。利用深度图像进行手势识别,通过双阈值分割,不仅去除了背景干扰,也能去除一部分前景干扰。用不同颜色点、圆和线的形式表示各种手势,可以清晰地实时显示识别效果。     

基于深度信息的车辆识别和跟踪方法

根据激光雷达检测车辆目标的特点, 提出了一种基于距离的自适应聚类方法, 距离阈值可根据目标与本车的相对距离与方位自动调整, 提高了聚类的准确性.采用一种基于多特征融合的确定性多目标关联方法, 以目标的运动特征为代价方程的主要约束条件, 同时考虑了目标的外形特征, 可提高关联的准确性.针对现有的确定性目标关联方法只能对给定数目的目标进行跟踪的缺陷, 应用一种改进的目标关联方法和跟踪器管理策略, 根据实际道路情况动态地增加和删除跟踪器, 实现了对暂时遮挡或者漏检的目标保持跟踪的连贯性.通过实验验证了本文识别和跟踪方法的有效性.     

基于深度学习的多模态情感识别综述

简要介绍了文本、语音和人脸等3种单模态情感识别方法,总结了常用的多模态情感数据集。通过分析基于深度学习的多模态情感识别的研究现状,按照融合方式将基于深度学习的多模态情感识别分为基于早期融合、晚期融合、混合融合以及多核融合等4种情感识别方法,并进行了对比分析。最后,指出了情感识别技术研究进展存在的问题及未来发展趋势。     

基于传感器人体行为识别深度学习模型的研究

随着智能手机的发展和普及,通过手机传感器收集数据,进行人体行为识别已经成为研究的 热点．采用深度学习中卷积神经网络作为分类模型,并对卷积神经网络进行参数和模型的修改,并 加入Ｄｒｏｐｏｕｔ用于解决过拟合问题,用智能手机收集到的数据对模型进行训练,以对人体行为进行 识别．通过和其他的算法进行对比实验,深度学习模型的测试结果良好,在精确度上有了较大的提 升．为基于加速度的行为识别提出了新的方法和思路,为复杂行为研究提供基础．实验所使用的数 据都是来自实验室收集,当采用真实数据时,可能效果会受一定的影响．     

基于半监督学习算法的虚假评论识别研究

已有的虚假评论识别方法主要采用启发式策略或简单特征建模,针对这些方法的不足,提出使用机器学习方法识别虚假评论。首先整合计算语言学与心理语言学的知识对评论文本进行建模,使用全监督学习算法来评价不同特征建模的性能,选出最好的特征组合。为了提高识别性能,设计两种半监督学习算法充分利用大量的未标注文本。实验结果证实所提算法超过当前的基准。     

一种基于DSmT推理的物品融合识别算法

针对目前提升深度模型分类表现方法存在的硬件性能不足、结构创新不易、训练样本有限等问题,提出一种基于DSmT(Dezert-Smarandache)推理的物品融合识别算法。对于待识别目标,应用数据融合思想将来自不同深度学习模型提供的识别信息进行融合处理。利用已有的预训练深度学习模型,根据分类识别任务进行特定的微调;针对DSmT理论中构造信度赋值困难的问题,使用深度学习网络对图像的判别输出进行证据源信度赋值;在决策级层运用DSmT组合理论对信度赋值融合处理,进而实现物品的准确识别。在不改变网络模型结构与同一数据集的情况下,将提出的方法与单一网络模型和平均值处理方法进行对比测试试验。试验结果表明,该方法可以有效地提高物品图像的识别率。     

基于随机共振与深度残差网络的调制识别分析

针对利用传统手段提取数字特征对低信噪比下调制信号识别困难的问题,通过双稳态系统随机共振对带噪调制信号实施信号增强;同时利用深度残差网络对随机共振后的信号进行识别,解决信号经随机共振后数字特征不易提取的问题。提出一种基于双稳态随机共振系统与深度残差网络的信号识别方法,相较于直接通过深度残差网络识别,对于Es/N0<13 dB的信号识别率平均提升4.63%。实验表明该种信号增强手段能够有效应用于基于深度学习的调制识别问题。     

虚假模态参数识别试验研究

为有效识别试验模态分析过程中的虚假模态和轴对称结构中的密集模态,对铝合金薄壳截锥壳卫星适配器样机的动态特性进行试验研究. 采用电磁激振器进行激励和压电加速度传感器采集响应,获得结构整体频响函数. 采用多项式方法拟合试验曲线,识别结构的模态参数. 系统比较单输入单输出、单输入多输出、多输入多输出等方法对频响函数曲线中密集模态参数识别的影响,并对比分析试验结果与有限元仿真结果,进一步识别试验测试曲线中的虚假模态参数. 试验结果表明:多输入多输出法更有利于分离轴对称结构的密集模态,试验获得铝合金截锥壳卫星适配器的前10阶固有模态;激振器安装不当导致频响函数曲线中存在虚假模态;对轻质结构进行试验模态分析时,需要考虑激振器的附加质量和附加刚度影响.     

基于词条向量和情感分析的新闻广告匹配模型

在新闻网页上配置广告的算法通常以信息关联度为基础,没有考虑新闻和广告之间的情感差异,容易导致错误匹配.针对目前广告匹配算法的缺陷,在关键词生成、情感分析技术的基础上,引入情感差异分析,建立了一种新的支持在线新闻与广告内容、情感相匹配的模型.该模型对在线新闻网站和广告投放商实际应用具有重要的意义.     

基于THUCTC的金融语料情感分析模型优化

近几年,情感分析技术引起人们的兴趣,在金融应用上,可以作为投资者投资前的参考.但是现有方法存在应用过于专一、数据偏差、结果过于笼统和不够精确的问题.因此本文优化一个通用的中文文本分类器,用于对在线评论数据和股票新闻数据进行情感分析.收集整理了2万条数据作为语料库,每条数据分别由3个人进行独立标注.之后对THUCTC进行优化,具体从3个方面对中文文本分类器进行优化,首先是词语切分,使用词干词典方法结合不同的分词法,实验比较后得到二分法为最好的结果;其次,为分类器选择最好的内核,发现Liblinear内核对即时性要求较高的投资人更好,另一方面Libsvm在提高准确率方面更有优势;最后在金融导向的情绪字典方面,它由Chi-square和TF-IDF方法构建,可用在普通文本分类器上.通过这种方式,本文的结果可以被推广且不会失去准确性.     

基于GA-CNN-LSTM模型的文本情感分析方法研究

为了克服传统神经网络不能学习文本长期信息的缺点和神经网络中梯度下降法容易陷入的局部最优问题,提出基于遗传算法(GA)、卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的文本情感分析模型GA-CNN-LSTM.具体来说,该模型首先利用卷积神经网络从全局信息中提取序列特征,之后使用长短期记忆神经网络分析句子的句法和语义结构,最后运用遗传算法从全局进行寻优,有效避免梯度下降法陷入的局部最优问题.在IMDB数据集上进行实验,结果表明,该模型相比于其他现有的网络模型,取得了更好的分类效果,精度比传统的长短期记忆神经网络提高了 1.8百分点,准确率达到了 0.906.     

基于CNN-BiLSTM网络引入注意力模型的文本情感分析

为了解决单一卷积神经网络（CNN）缺乏利用文本上下文信息的能力和简单循环神经网络（RNN）无法解决长时依赖的问题,提出CNN-BiLSTM网络引入注意力模型的文本情感分析方法。首先利用CNN的特征强学习能力提取局部特征,再利用双向长短时记忆网络（BiLSTM）提取上下文相关特征的能力进行深度学习,最后,增加注意力层获取重要特征,使模型提取到有效的特征。在IMDB数据集上Accuracy值和均方根误差（RMSE）值分别达到90.34%和0.296 7,在Twitter数据集上Accuracy值和RMSE值分别达到76.90%、0.417 4,且模型时间代价小。结果表明,本文提出的模型有效提升了文本分类的准确率。     

融合情感特征的虚假评论检测方法

虚假评论的检测与治理,对净化网络环境具有重要的意义。针对现有的虚假评论检测方法收敛速度慢、准确率低的问题,提出一种融合评论情感特征的虚假评论检测方法。首先,基于预先构建的情感词典,设计情感特征抽取方法抽取情感特征;其次,引入 Transformer模型对融合情感特征后的嵌入表示提取特征向量;最后,将特征向量送入全连接层并利用 softmax函数实现真实评论与虚假评论分类。采用 Amazon数据集,设计实验验证了基于情感词典所提情感特征的有效性,在融合情感特征后准确率提升了1.19百分点;同时与深度学习ISTM方法相比,该方法检测准确率提高0.59百分点。     

赝品消费的社会学分析

作为一名后现代社会学家,布希亚让我们看见这个社会中消费的一面、时尚的一面的所拥有的巨大力量,他揭露了消费社会、生活世界所具有的符号化以及主体客体化、客体主体化的特征,反思了社会学理论在赝品消费这一现象中的指导意义.     

基于BiRNN的维吾尔语情感韵律短语注意力模型

当前维吾尔语情感语音合成采用韵律边界预测方法来实现情感语音转换。通过该方法合成出来的语音,虽然可表现出相应的情感,然而其情感表现力不够理想。针对此问题,该文提出一种基于BiRNN的维吾尔语情感韵律短语注意力模型。在情感韵律转换前使用该模型进行情感分类,并将其分类结果作为韵律边界预测的输入,改进了情感韵律转换方法。使用改进的词性特征向量和韵律短语向量作为词向量的补充,从而有效提升维吾尔文文本情感分类的准确率。实验结果表明,该模型由两个单词构成的韵律短语作为特征时,准确率在维吾尔五分类情感数据集上达到了很好的分类效果。     

基于双注意力卷积神经网络模型的情感分析研究

卷积神经网络（Convolutional Neural Networks,CNN）无法判别输入文本中特征词与情感的相关性.因此提出一种双注意力机制的卷积神经网络模型（Double Attention Convolutional Neural Networks,DACNN）,将词特征与词性特征有效融合后得到本文的特征表示,确定情感倾向.本文提出局部注意力的卷积神经网络模型,改进卷积神经网络的特征提取能力,采用双通道的局部注意力卷积神经网络提取文本的词特征和词性特征.然后使用全局注意力为特征分配不同的权重,有选择地进行特征融合,最后得到文本的特征表示.将该模型在MR和SST-1数据集上进行验证,较普通卷积神经网络和传统机器学习方法,在准确率上分别取得0.7%和1%的提升.     

基于WCDPM模型的细粒度物体识别

针对可变形部件模型(deformable parts model,DPM)同等对待各部件,无法体现不同部件对识别过程的贡献度差异的不足,提出一种权重系数可变形模型(weighted coefficient deformable parts model,WCDPM),对DPM中的各部件赋予权重,强调区分度较高的部件在识别过程的作用,弱化区分度低的部件对识别的影响,提高细粒度识别精度.同时给出了模型的训练过程和权重系数的学习方法.在Airplan OID和Oxford-IIIT Pet两个数据集上进行实验,验证了该方法的有效性.     

基于统计模型的步态识别

提出一种简单有效的步态识别算法.对于每个步态序列,首先,通过背景减差检测运动目标的轮廓;再计算轮廓质心与边缘的距离,并对其进行归一化;用PCA方法获取归一化距离信号的特征空间;使用时空相关进行相似性度量;最后通过最近邻法进行分类识别,在自己建立的样本数据库中取得了满意的效果.