基于神经网络的个人信息自动化抽取方法

随着数据存储和数据处理技术的不断进步,个人信息广泛存在于各类文档之中,个人信息保护已成为目前科研界和工业界亟待解决的重要问题,而个人信息抽取是个人信息保护的前提和核心概念之一。针对内容复杂,格式多样,不确定性高的各类复杂文档进行个人信息抽取,本文提出了一种基于神经网络的个人信息自动化抽取的统一方法。该方法整合了流式文档和版式文档的信息抽取能力,同时结合了正则匹配和深度学习神经网络模型来输出个人信息抽取结果。此外,方法中的个人信息抽取模型通过改造输入数据的方式来融合文档的布局信息进行训练,并在训练过程中采取了迭代标注和扩展训练数据的方法,以此提高模型训练的效率和效果。     

基于XPath的新闻信息抽取系统设计与实现

随着互联网技术的迅猛发展,因特网成为目前新闻信息最丰富最主要的来源。本文在分析新闻网页的基础上,分析了目前现有的信息抽取技术和XML技术,提出了一个基于XML技术的Web新闻抽取系统。本文主要是充分运用XML中的XPath技术在数据定位方面的优势,并提出一种基于DOM树的XPath生成算法,使用XSLT语言用于描述抽取规则,并使用路径表达式XPath定位待抽取的信息点。     

基于跨语言信息投影的泰语新闻事件抽取

事件抽取是信息抽取研究领域中的一个关键问题。针对采用传统的自我训练方法进行泰语新闻事件抽取,具有错误从上向下传播导致事件抽取系统性能不高的问题,针对这一问题,文中提出一种新的引导框架来进行泰语新闻事件抽取,即跨语言信息投影。该方法将从中文事件抽取系统中获取的信息映射为泰语,并采用结合单语与跨语言半协同训练的方法进行泰语新闻事件抽取。最后通过实验验证了本文所提方法是可行的,并且显著地提高了泰语新闻事件抽取的性能。     

基于中医医案的信息抽取方法研究

本文针对中医医案的内容和结构特征,从段落、记录单元以及详细信息3个层面分步实现了医案文本的信息抽取,建立了层次化信息抽取模型,以供参考.     

基于知乎的热点话题信息抽取方法研究

互联网的高速发展,导致网上应受限制的数据信息与日俱增,这给数据工作者带来了巨大的挑战和压力。为了响应国家加大对于网络舆情的监督号召,文章通过分析研究热点话题的信息抽取方法,并将这些方法应用在知乎上,以知乎为基础分析热点话题的信息抽取,以此推广到其他的网站。为网络舆情的监督提供支持。     

基于蚁群算法的神经网络规则抽取

从神经网络的功能性观点出发,将蚁群算法用于神经网络的规则抽取,为每个隐单元和输出单元生成各自的规则,然后依照网络的传导方向聚合这些规则,从而为整个网络抽取出理解性好、简洁的符号规则.该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络.实验结果表明了该方法的实用性和可行性.     

基于图神经网络的交通流量预测方法研究

随着城市化进程的加速,智能交通系统的需求也日益增长,其中预测交通流量尤为关键。为了更准确地预测交通流量,文章提出一种新的方法。该方法首先利用图生成模块来生成一个图结构,然后结合时间卷积、图卷积和门控线性单元构建的时空块,深入捕获了交通流的时空特征。为了评估文章所提方法的准确性和实用性,文章选择PEMS数据集进行实验。实验结果证明了文章所提模型在性能上优于对比方法。     

网页信息抽取方法的研究

信息抽取技术属于人工智能的一个分支.使用信息抽取技术可以人性化地从网页中把人们需要的信息抽取出来.文中提出的信息抽取技术是基于DOM和网页模板的一种归纳网页模板的新方法,它能很好地对各种布局元素的网页进行模板归纳,同时给出核心算法的C++实现.     

基于级联模型的中文情感要素抽取

随着社交媒体的发展及成熟,每天在互联网环境中都会产生大量的用户评论信息。抽取评价短语、评价对象和观点持有者等情感要素,已经成为了中文观点挖掘和情感分析的重要先决任务。针对中文情感要素抽取任务,本文提出了一个统计和规则相结合的级联模型,主要贡献包括：（1）针对汽车领域评论信息,构建情感要素标注语料库和相关词典;（2）对于以往研究较少关注的中文评价短语,本文详细分析阐述其定义和分类;（3）结合统计和规则,分别针对评价短语和情感要素提出级联抽取策略。实验结果充分证明了该级联模型的有效性,相比较于其它基于规则的情感要素抽取算法有效提升了召回率,同时为后续社交媒体情感分析任务提供了有力的支持。     

基于图神经网络的电子设计自动化技术研究进展

在摩尔定律的推动下,工艺节点在不断演进,集成电路设计复杂度也在不断增加,电子设计自动化(EDA)技术面临着来自运行时间与计算资源等诸多方面的挑战。为了缓解这些挑战,机器学习方法已被纳入EDA工具的设计流程中。与此同时,鉴于电路网表作为图形数据的本质,图神经网络(GNN)在EDA流程中的应用正变得越来越普遍,为复杂问题的建模以及最优问题的求解带来了新思路。该文首先对GNN与EDA技术的概念内涵进行了简要的概述,详细地梳理了GNN在高层次综合(HLS)、逻辑综合、布图规划与布局、布线、反向工程、硬件木马检测以及测试点插入等不同EDA设计流程中的主要作用,以及当前基于GNN的EDA技术的一些重要探索。以希望为集成电路设计自动化以及相关领域的研究人员提供参考,为我国先进集成电路产业的发展提供技术支持。     

基于攻击图的网络安全分析方法研究

病毒漏洞的大量出现,给网络安全带来了一定的威胁,尤其是DDoS攻击给网络安全敲响了警钟。在安全网络研究方面,攻击图是很好的一种研究方法,它能够给出清晰的结构图,使网络安全人员找到可能的攻击路径,从而重点防范,以减少网络安全事故的发生。论文介绍了这种基于攻击图的网络安全分析方法,最后给出一个系统原型。     

一种基于图神经网络的SDN路由性能预测模型

软件定义网络作为未来网络架构的发展方向,通过分离数据平面与控制平面高效设定路由方案.而在路由方案的优化过程中,准确预估给定路由方案下的网络性能是其关键.本文基于图神经网络建模网络中物理链路与路由方案路径的关系,在给定的路由方案与网络流量下对网络中的各项端到端性能指标(如延迟、抖动)进行准确预估,以辅助优化路由方案.本文...     

基于时空混合图卷积网络的机器人定位误差预测及补偿方法

工业机器人作为智能制造的重要载体,在大范围复杂任务中具有巨大潜力。但是,定位精度低且难以控制的问题阻碍了机器人在高精度任务的进一步推广。为了提升机器人作业精度,该文提出一种基于时空混合图卷积网络的机器人定位误差预测及补偿方法。首先通过设计图关系编码模块、时空混合特征解码模块,构建基于图卷积网络的机器人位姿误差预测模型;然后,针对传统迭代补偿方法中机器人逆解次数多导致效率低的问题,该文将定位误差补偿问题转化为优化问题,并利用遗传算法同时对位置和姿态进行误差补偿;最后,通过拉丁超立方抽样方法获得训练集,实现机器人定位误差预测模型的训练,并通过实验验证了定位误差预测的准确性以及补偿的效果。     

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。     

基于贝叶斯神经网络的垃圾邮件过滤方法

垃圾邮件过滤是当前互联网应用中急需解决的一个重要课题，日益受到人们的关注。本文提出了一种基于贝叶斯神经网络BNN(Bayesian Neural Network)的垃圾邮件过滤方法，利用贝叶斯推理和神经网络相结合的贝叶斯神经网络算法对用户给定的正常／垃圾邮件集合进行训练，得到邮件过滤模型。并且提出了一种有效的特征选择方法，采用信息增益准则，有效降低了特征维数。经过实验测试，本文提出的方法可以实现对垃圾邮件的有效过滤。     

一种基于傅里叶基神经网络的频谱分析方法

该文提出了一种用递推最小二乘法训练傅里叶基神经网络权值的频谱分析方法。其主要思想是采用递推最小二乘法训练傅里叶基神经网络权值,根据权值获得信号的幅度谱和相位谱。该方法不涉及复数的乘法运算和加法运算,便于软件和硬件实现,特别适合于DSP软硬件实现。仿真结果表明,该方法不仅计算精度高,计算速度快,而且具有噪声滤波功能,是一种有效的频谱分析方法。     

一种基于时频分析的神经网络检测方法

本文就典型的匹配滤波器在对非平稳噪声中的信号检测中所遇到的问题,根据时频分析的特点、以神经网络为工具,讨论了一种基于时频分析的神经网络检测方法.文中给出了基于此方法的检测器结构,并根据文中介绍的训练算法,对此检测器做了训练和性能仿真研究工作,并与常用的匹配滤波器进行了性能比较.仿真结果表明,本文所提出的检测方法避免了输入信号非平稳时,匹配滤波器呈时变结构给滤波器设计所带来的困难,解决了非平稳噪声中的信号检测问题.     

基于门控残差卷积编解码网络的单通道语音增强方法

针对卷积编解码网络（CED, Convolution encoder-and-decoder）对语音时序相关信息捕获困难的问题,本文提出了一种基于门控残差卷积编解码网络的语音增强方法。该方法在卷积编解码网络的基础上引入了门控机制、膨胀卷积与残差连接:门控机制能够很好地处理序列前后相关信息;膨胀卷积使得卷积过程获得更大的感受野,提取更加丰富的全局信息;残差连接能够防止梯度消失与梯度爆炸,提升网络精度。此外,采用频域损失函数与时域评价指标联合优化的策略对网络进行训练,以进一步提升网络增强效果。实验表明,在匹配噪声和不匹配噪声下,相比于基线CED与其他对比方法,本文方法取得了更高的PESQ、STOI与SI-SDR,对语音的清浊音都有较好恢复效果,且具有较强的泛化能力。      

基于耦合的混沌神经网络建模方法

混沌状态下神经网络行为的研究是神经网络理论的一个新内容，由于它可能揭示脑活动的深层机制而广受重视，但是混沌网络信息处理能力进行大量和深入研究却遇到许多障碍，其问题之一是难以为网络系统选择适当的非线性参数。本文提出一种建立混沌神经网络模型的简单耦合方法，解决了选择参数的困难，计算机模拟结果表明，用该模型研究混沌状态下网络动态行为是有效的。