期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
结合多特征嵌入和多网络融合的中文医疗命名实体识别 被引量：2
1
作者 雷松泽 刘博 +1 位作者 王瑜菲 单奥奎 《电子与信息学报》 EI CSCD 北大核心 2023年第8期3032-3039,共8页
在医疗领域中,实体识别能够从大规模电子病历文本中提取有价值信息,由于缺乏定位实体边界的特征以及存在语义信息提取不完整等问题,中文的命名实体识别(NER)实现更加困难。该文提出一种针对中文电子病历的结合多特征嵌入和多网络融合的... 在医疗领域中,实体识别能够从大规模电子病历文本中提取有价值信息,由于缺乏定位实体边界的特征以及存在语义信息提取不完整等问题,中文的命名实体识别(NER)实现更加困难。该文提出一种针对中文电子病历的结合多特征嵌入和多网络融合的模型(MFE-MNF)。该模型嵌入多粒度特征,即字符、单词、部首和外部知识,扩展字符的特征表示,明确实体边界。将特征向量分别输入到双向长短期记忆神经网络(BiLSTM)和该文构建的自适应图卷积网络等双通路中,全面深入地捕获上下文语义信息和全局语义信息,缓解语义信息提取不完整问题。在CCKS2019和CCKS2020数据集上进行实验验证,结果表明,相比于传统实体识别模型,该文模型能够准确且有效地提取实体。 展开更多
关键词 命名实体识别 多特征嵌入 多网络融合 自适应图卷积网络
下载PDF
基于双流自适应图卷积网络的管制员睡岗行为识别
2
作者 王超 王志锋 李雯清 《安全与环境学报》 CAS CSCD 北大核心 2024年第2期596-601,共6页
为识别空中交通管制员的睡岗行为,减少管制差错,保障航空器飞行安全,提出了一种基于双流自适应图卷积网络的管制员睡岗行为识别方法。该方法设计双流网络分别处理管制员骨架的一阶信息和二阶信息,实现对骨架数据的充分提取;通过自适应... 为识别空中交通管制员的睡岗行为,减少管制差错,保障航空器飞行安全,提出了一种基于双流自适应图卷积网络的管制员睡岗行为识别方法。该方法设计双流网络分别处理管制员骨架的一阶信息和二阶信息,实现对骨架数据的充分提取;通过自适应学习的骨骼拓扑连接矩阵,挖掘管制员不同关节之间的功能连接关系;同时在卷积层引入时空通道注意力机制,增强管制员睡岗行为识别模型在时间、空间、通道3个方向提取重要信息的能力。仿真结果表明,该方法能有效识别管制员3种睡岗行为,相较于传统的时空图卷积网络,识别准确率提高了3.08百分点,达到95.03%,可以提高民航运行安全管理水平。 展开更多
关键词 安全社会工程 睡岗行为 空中交通管制员 自适应图卷积网络 行为识别
下载PDF
一种用于交通预测的自适应时空图神经网络 被引量：1
3
作者 甘萍 林基明 +1 位作者 农丽萍 王俊义 《桂林电子科技大学学报》 2023年第1期7-13,共7页
针对以往复杂的神经网络构架在空间维度上所采用的预定义图结构未包含完整交通数据空间信息,且在时间维度上不能很好地捕获交通数据长期依赖关系的问题,提出一种新的时空图神经网络。通过自适应图卷积网络(AGCN)自动捕获节点的特定状态... 针对以往复杂的神经网络构架在空间维度上所采用的预定义图结构未包含完整交通数据空间信息,且在时间维度上不能很好地捕获交通数据长期依赖关系的问题,提出一种新的时空图神经网络。通过自适应图卷积网络(AGCN)自动捕获节点的特定状态以及自动推断不同节点之间的相互依赖关系,提取更完整的交通数据空间特征,再通过时空长短期记忆网络(ST-LSTM)中的时间记忆模块来提取交通数据的时间特征,捕获短中长期的时间依赖关系。在PeMSD4和PeMSD8数据集上进行了验证,实验结果表明,所提网络相比基线模型能够更好地提升交通预测性能。 展开更多
关键词 交通预测 自适应图卷积网络 时空相关性 时空图神经网络 长短期记忆网络
下载PDF
面向高速公路流量预测的自适应时空图卷积循环神经网络 被引量：1
4
作者 阮鸿柱 王金宝 杜梦辉 《软件工程》 2023年第9期33-37,共5页
为更全面地建模交通数据中的空间相关性,实现更准确地预测高速公路流量,提出一种自适应时空图卷积循环神经网络。利用扩散图卷积和自适应邻接矩阵整合成的自适应图卷积网络建模交通数据中的空间相关性,采用门控循环单元学习交通数据中... 为更全面地建模交通数据中的空间相关性,实现更准确地预测高速公路流量,提出一种自适应时空图卷积循环神经网络。利用扩散图卷积和自适应邻接矩阵整合成的自适应图卷积网络建模交通数据中的空间相关性,采用门控循环单元学习交通数据中的时间相关性,实现多时间步车流量预测。基于桂林市高速公路网真实交通数据集的实验结果表明,相比用于对比的最优方法,该方法的三个误差评价指标,即平均绝对误差、均方根误差、平均绝对百分比误差分别降低了约17.6%、18.6%和10.8%,优于用于对比的方法,该方法可以更准确地预测高速公路的流量。 展开更多
关键词 智能交通 流量预测 自适应图卷积网络 时空相关性
下载PDF
基于OpenPose+3S-AGCN的行为识别研究
5
作者 王璇 王雄 +2 位作者 张向阳 杨一 贾浩强 《电子技术与软件工程》 2022年第2期177-180,共4页
本文针对当前行为识别方法存在提取视频行为特征时信息利用不全面的问题,提出了基于骨架数据、多流和自适应图卷积神经网络的行为识别方法。三流自适应图卷积神经网络(3S-AGCN)针对人体骨架这一自然表示为图的数据结构形式,分别提取骨... 本文针对当前行为识别方法存在提取视频行为特征时信息利用不全面的问题,提出了基于骨架数据、多流和自适应图卷积神经网络的行为识别方法。三流自适应图卷积神经网络(3S-AGCN)针对人体骨架这一自然表示为图的数据结构形式,分别提取骨架图的关节点坐标、骨骼属性以及运动信息,实现了对骨架数据特征的充分提取。模型框架同时还引入了多注意力机制,分别从时间、空间和通道三个方向加强对重要信息的特征的提取能力。同时引入OpenPose算法首先提取人体骨架数据图再输入模型进行训练和识别任务,提高了模型在复杂环境下进行行为识别任务的鲁棒性。基于NTURGBD公共数据集,与当前先进方法的横向比较实验,结果表明3S-AGCN模型在行为识别任务上具有更高的准确率,验证了模型的可行性。 展开更多
关键词 人体行为识别 自适应图卷积网络 多注意力机制 OpenPose
下载PDF
基于图卷积网络改进的人体动作识别模型 被引量：2
6
作者 陶峰 李燕苹 王瑞 《电子测量技术》 北大核心 2023年第8期59-64,共6页
针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点,设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进,实现精度的提升。双重注意力机制包含了空间注意力机制以及... 针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点,设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进,实现精度的提升。双重注意力机制包含了空间注意力机制以及通道注意力机制,其中空间注意力机制有选择性地聚集上下文,通道注意力机制分为两个并行的模块,第1部分提高了特征的可辨性,第2部分在捕获特征远程依赖的同时,保留了精准的位置信息。结果表明,以双流自适应图卷积动作识别网络2S-AGCN模型为基础网络,融入了双重注意力机制模块的模型在Kinetics数据集上的Top-1和Top-5分别提升了0.6%和1.3%,在NTURGB+D120数据集的CS和CV上的Top-1分别提升了1.2%和0.5%,在NTURGB+D数据集的CS和CV上的Top-1分别提了0.2%和0.1%。 展开更多
关键词 动作识别 双流自适应图卷积网络 双重注意力机制 深度学习
下载PDF
强背景噪声条件下自适应图卷积神经网络的航空发动机附件机匣故障诊断方法 被引量：25
7
作者 余晓霞 汤宝平 +1 位作者 魏静 邓蕾 《仪器仪表学报》 EI CAS CSCD 北大核心 2021年第8期78-86,共9页
针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷... 针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷积神经网络中构建自适应图卷积核,基于切比雪夫多项式设计了一种自适应图卷积操作,通过自适应图卷积核对图中节点与边进行特征提取,增强模型在强噪声条件下的泛化性。最后利用全连接层进行特征抽取,进而实现航空发动机附件机匣故障。应用案例表明所提自适应图卷积神经网络模型(AGCNet);在强背景噪声条件下对航空发动机附件机匣故障平均诊断精度为86.42%,均高于LeNet、ResNet以及GCNet模型。能够有效识别故障,可应用于航空发动机附件机匣故障诊断。 展开更多
关键词 航空发动机附件机匣 自适应图卷积神经网络 强背景噪声 故障诊断
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部