一种自适应图像增强和AlexNet的水书古文字识别算法

针对水族古文字受字形变化、年代噪声影响,无法实现高质量数字化提取,且缺乏利用深度学习技术实现对水书古文字的自动化识别问题,提出了一种自适应图像增强和AlexNet的水书文字识别算法,通过优化模型识别复杂环境下文字的关键特征,实现水书古文字智能识别以及同汉字的自动翻译。首先,采集具有代表性的水书古文字并进行数据标注处理,通过图像变换算法扩充数据集;其次,计算各种场景的图像噪声阈值,构建自适应图像增强的去噪算法;最后,构建AlexNet神经网络模型实现水书古文字的自动识别。实验结果表明,提出的算法能有效识别复杂环境下的水族古文字,其精确率、召回率和F₁值分别为0.975 5、0.974 3和0.974 3,能为少数民族文字识别、古籍文字自动提取及少数民族古文字与汉字的自动翻译提供有效支撑,具有一定的学术价值和应用前景。     

大数据视域下余华文学作品文本挖掘研究

利用大数据和人工智能方法精准识别海量学术成果的主流学术关键,挖掘作品内涵知识及分析文学主题关联尤为重要,本文针对余华文学作品的研究文献开展主题特征、行文脉络研究,在数字人文视域下为把握作者创作倾向和特点提供依据。结合数据挖掘和主题演化的方法对中国知网余华文学作品相关文献进行分析,确认余华文学作品研究核心团体。再对余华文学文献进行文本挖掘,发掘出余华文学研究热点及关联。本文挖掘出了余华作品的核心主题、现实意义和艺术价值,为以其小说为素材的影视改编、艺术创作尽可能还原主题起到积极作用,可提供有效参考和借鉴。     

融合多头注意力机制和BiLSTM的电商评论情感分析研究

针对电商评论数据缺乏深层次的情感分析和语义知识关联,不利于系统挖掘潜在的消费情感和客户满意度信息问题,以京东电商评论数据为例,提出一种融合多头注意力机制和双向长短时记忆网络模型(bi-directional long short-term memory,BiLSTM)的电商评论情感分析模型。首先,通过词嵌入将文本数据转化为句向量;其次,构建融合多头注意力机制的BiLSTM模型,利用BiLSTM捕获长距离依赖关系,利用Transformer突出全局关键特征;最后,构建分类器实现电商评论的情感分析。实验结果表明,文章提出方法优于现有的机器学习和深度学习方法,其F₁值为0.927 6。同时,通过详细的对比实验证明了该方法能实现评论文本情感特征的细粒度提取,并能在少样本标注的情况下取得更好的准确率,具有良好的鲁棒性和准确性。     

一种改进IE-AlexNet的少数民族文字图像识别方法

提出一种融合自适应图像增强的IE-AlexNet少数民族文字图像识别方法。以阿拉伯文字为例,计算各场景的图像噪声阈值,利用六种方法实现图像增强,然后构建一种改进AlexNet的神经网络模型,实现阿拉伯文字识别。实验结果表明,所提方法能有效检测复杂环境下的少数民族文字,其F1值为0.9559,准确率为0.9553,均优于其他模型。同时,对比实验突显图像增强的有效性,具有一定应用价值。