提出一种具有特征级别的领域特征集合的情感资源挖掘方法,将基于HowNet词典的分类法构建的情感特征与基于机器学习的特征分类方法中的无内容特征以及领域特征相融合,并将该集合放入支持向量机中进行情感分类实验,实验结果表明,使用抽取模式以及多特征融合的分类方法,可增强中文情感分类效果,验证两种分类方法综合研究的正确性与有效性,弥补目前特征级别的中文情感分类研究的不足。

【目的】为更精确地识别网民态度,监测网络舆情,提出一种基于SVM多特征融合的情感5级分类方法。【方法】从词性特征、情感特征、句式特征、语义特征4个方面,提取动词、名词、情感词、否定词等14个特征,运用SVM方法对微博情感进行5级分类。【结果】实验结果表明,该方法对情感5级分类的准确率为82.40%,召回率为81.91%,F值为82.10%。【局限】训练语料的规模有待进一步提高。【结论】该方法在情感5级分类方面取得较好的效果。

文章通过分析传统关键词提取方法的特点和存在的问题,提出基于多特征融合的中文文本关键词提取方法。该方法通过融合中文文本词语的频率、关联度、词性以及位置多种特征,有效避免了传统关键词提取方法产生的偏差。实验结果表明,该方法在不同测试集上与传统方法相比关键词提取的平均召回率均得到明显提升。

命名实体链接是利用知识库进行命名实体消歧,将文本中的实体指称映射至知识库中正确义项的一种方法。现有的命名实体链接研究与实践多利用维基百科实现西文实体的消歧,缺乏对中文命名实体消歧的研究。本文以百度百科作为基础知识库,提出了一种中文命名实体链接方法,该方法融合了单实体消歧和多实体消歧特征,并根据不同文本长度选用不同的特征组合,同时,在传统一阶段式消歧的基础上添加了第二阶段消歧以改善消歧结果。在真实中文语料上的实验表明,多特征叠加和两段式消歧可较大程度地提升消歧准确率。对比实验显示,本文提出的命名实体链接方法的总体性能优于当前主流同类系统的水平。

文章通过分析传统关键词提取方法的特点及不足,提出了融合多元特征的中文网页关键词提取方法。该方法既综合了中文网页文档词语的词频、词性、词长以及词位置等特征,又考虑了文档中出现的同义词、组合词现象的关键词评分,有效提高了传统关键词提取算法的精度。实验结果表明该算法优于传统方法,在网络情报监测中具有较大应用价值。

【目的】科研合作关系是一种重要的社会网络。为了促进科研合作,提高科研生产率,对金融领域的科研合作推荐模型进行研究。【方法】建立金融领域个人、机构和区域三个层面的科研合作网络,提出一种新的融合基于邻居节点和基于路径的网络特征的科研合作推荐模型,并从个人、机构和区域三个层面进行实证检验。【结果】通过对2000年到2014年刊载的68 905篇金融领域的文章进行分析并构建科研合作网络,在个人、机构和区域三个层面上,基于特征融合的链接预测方法的AUC值分别为84.25%、87.34%和91.84%,均高于基于邻居

近年来，科学文献呈现增速迅猛、内容复杂、主题细化等特点，给文献分类任务带来了挑战。在此背景下，推动文献自动分类技术的发展，实现科学文献在《中国图书馆分类法》上的正确分类对于信息资源的智能化管理和科学研究的效率化检索具有重要意义。本文提出了多重特征关联和图注意力网络融合的层次分类（hierarchical text classification networks based on multiple feature correlation and graph attention network,HTCN-MCGAT）模型。该模型由三个模块组成。首先是文献表示与增强模块。为适配文献分类任务，采用表示和增强两阶段流程，重新设计BERT (bidirectional encoder representation from transformers)预训练模型的微调阶段，使其能够从文献摘要、标题和关键词的内部字符关联以及外部文档关联两个级别实现当前文献的增强表示。其次是标签关联建模模块。使用图注意力网络实现标签语义和层次结构的关系建模。最后是层次交互分类模块。先构建文献和标签的层次融合注意力机制，实现特征空间的文献语义信息与符号空间的层次标签信息的特征关联；再基于多任务学习视角，通过全局和局部信息融合的层次分类网络实现文献分类。本文以中文医学文献作为研究对象，设计系列实验，相较于逐层和平面多分类方法，HTCN-MCGAT模型在F1-score上提高了4.34%～13.21%。此外，还通过样例分析综合验证了本文模型的有效性。本文从特征关联丰富化和层次关系建模两方面对文献分类模型展开优化，在文献分类任务中发挥了较好的应用价值，未来可以推广至更多具有层次结构的分类任务领域。

为探究不同认知负荷下的人脑活动，设计了三种实验范式（N-Back、心算和Sternberg），采集被试者在三类认知负荷下的脑电图（electroencephalogram， EEG）信号，并对EEG信号进行预处理、特征提取和特征分类。模型设计中，通过相位锁相值（phase locking value， PLV）计算了EEG的功能连接特征，将PLV功能连接矩阵作为脑功能网络的边；以微分熵特征（differential entropy， DE）作为网络的节点信息，实现了EEG频域与空间域特征的融合，利用图注意力神经网络（graph attention networks， GAT）完成了跨任务的认知负荷分类。实验结果表明，提出的模型在跨任务三分类认知负荷识别中取得了57.12%的平均分类准确率；其中，被试依赖三分类平均准确率可达74.47%。同时，基于复杂网络理论，从全局和局部两个层次分析了不同负荷状态下大脑网络结构的变化。结果表明：一方面，随着认知负荷程度增加，theta与alpha频段的全局聚类系数逐渐减小，delta与theta频段的全局效率则有所提高；另一方面，theta频段下的额叶、顶叶与颞叶脑区电极的局部效率呈上升趋势。网络全局与局部的度量变化表明随着人脑认知负荷程度的提高，功能脑网络的拓扑结构在发生改变。

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每

多模态数据融合是针对单模态数据信息表达不充分而形成的一种数据处理方法，有利于更深层地挖掘和利用数据。然而，现存的多模态数据融合方法缺乏多模态数据之间复杂相关性的表示和处理。在数据相关性建模方面，超图能够很好地表示复杂数据之间的高阶关系，但容易覆盖底层特征。因此，该文提出一种基于超图卷积并结合底层特征学习的多模态融合方法。该方法首先根据多模态数据构造多模态超图，利用超图卷积获得节点高层特征表示，然后自适应学习节点底层特征权重，保留底层信息，最后将高层信息和底层信息融合，进行节点分类。通过物体识别实验，验证了底层特征的重要性。同时，在结构体健康监测的实际场景中，该方法能够很好地融合震电磁三场数据进行损伤等级判定。

传统语音情感识别主要基于单一情感数据库进行训练与测试.而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低.为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法.通过采用回归方法来学习特征的子空间表示;同时,引入l_(2,1)-范数用于特征的选择和最大均值差异(maximum mean discrepan-cy,MMD)来减少不同情感数据库间的特征差异,进行联合优化求解从而提取较为鲁棒的情感特征表示.在EMO-DB和eNTERFACE这2个公开情感数据库上进行实验评价,结果表明:

[目的/意义]关键词提取在自然语言处理领域有着广泛的应用,如何快速准确地实现关键词的提取已经成为文本处理的关键问题。目前关键词提取方法非常多,但准确率仍有待提升。为此,提出一种结合单一文档内部结构信息、词语对于单文档和文档集整体的重要性的关键词抽取方法。[方法/过程]首先,根据词语的平均信息熵特征计算词语对文档集整体的重要性,利用词语的词性、位置特征计算词语对单文档中的重要性。然后,通过神经网络训练的方式优化三个特征的权重分配实现特征的融合。最后,利用三个特征计算得到词语的综合权值来改进TextRank模

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

准确高效的获取土地利用信息，对于合理利用和开发土地资源具有十分重要的意义。在快速城镇化地区，土地利用活动频繁且密集，土地利用格局演变十分剧烈，增加了城市土地利用精准分类的不确定性；且受环境气候和云雨天气影响增加了有效光学影像获取的难度。为提高城市土地分类精度，该文选取武汉市中心城区为研究案例，以Ｓｅｎｔｉｎｅｌ－１Ａ和ｌＡｎｄＳＡｔ８ Ｏｌｉ影像为数据源，采用ＧｒＡｍ－Ｓｃｈｍｉｄｔ变换方法进行影像融合，选取最大似然、支持向量机、ｃＡｒｔ决策树、ＢＰ神经网络等４种分类方法对融合的影像进行分类，提取了研究区土地利用信息，并对其进行分析。进一步，通过与光学影像的分类结果对比，探究了Ｓｅｎｔｉｎｅｌ．．．

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。