-
题名基于神经网络的大数据分析方法
被引量：5
- 1
-
-
作者
殷芙萍
江秋语
-
机构
上海理工大学管理学院
四川大学计算机学院
-
出处
《软件导刊》
2020年第9期39-42,共4页
-
文摘
基于不同视角和情境特征的大数据定义诠释了大数据的5V特性,在扩展大数据价值空间与应用模式的同时催生了以"数据驱动+模型驱动"范式转变为代表的核心问题。为解决大数据分析核心问题,引入神经网络,采用性能优越的卷积神经网络设计对比实验,运用两个公开数据集对其进行训练,并在输出层分别使用L2-SVM和Softmax激活函数。在手写数字识别和彩色图像识别中,L2-SVM的识别错误率分别为0.87%和11.9%。实验结果表明,基于L2-SVM的神经网络大数据分析方法可以获得更高的识别精度。
-
关键词
大数据分析
神经网络
l2-svm
Softmax
-
Keywords
big data analysis
neural network
l2-svm
Softmax
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名L2-SVM下的短文本情感分类动态CNN模型
被引量：3
- 2
-
-
作者
鲁新新
柴岩
-
机构
辽宁工程技术大学
-
出处
《计算机应用与软件》
北大核心
2018年第1期298-303,共6页
-
文摘
为了解决情感分类文本稀疏、传统方法过分依赖情感词典和人工设定特征工程等问题,提出一种基于L2-SVM和动态卷积神经网络的LDCNN模型。该模型采用不同于经典CNN模型的L2-SVM目标函数,解决了参数优化过程梯度弥散现象。通过真实网络评论数据集与经典方法的定量对比,实现了LDCNN模型准确率的大幅提升,并通过调整惩罚系数获得了最佳模型性能。
-
关键词
短文本
情感分类
文本稀疏
l2-svm
动态卷积神经网络
-
Keywords
Short-text Sentiment classification Text sparse Squared hinge loss svm Dynamic convolution neural network
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于深度学习耦合稀疏语义度量的商标检索算法
- 3
-
-
作者
梁平
柴建伟
裴圣华
-
机构
廊坊燕京职业技术学院
吉安职业技术学院
-
出处
《包装工程》
CAS
北大核心
2019年第3期237-245,共9页
-
基金
河北省高等学校科学技术研究项目(Z2015085)
江西省教育厅自然科学研究项目(GJJ171375)
-
文摘
目的针对当前商标图像检索中的语义鸿沟问题,提出一种深度学习耦合稀疏语义度量的商标图像检索方案,有效抑制噪声干扰,降低冗余特征维数。方法首先,根据由卷积与池化组成的无监督学习机制,对输入商标图像进行多层特征提取,输出一维特征向量。随后,通过L2-支持向量机(L2-SVM)进行分类,利用特征向量进行训练,获得多级联特征。然后,根据商标图像的多级联特征和用户标签信息的异构数据结构,设计一种稀疏语义度量方法进行相似检索,减少语义鸿沟。此外,引入一种混合范数作为相似度量的稀疏约束,以抑制原始输入空间中的冗余特征维数和噪声,优化检索结果。结果实验表明,与当前流行的商标检索方案相比,所提算法具有更高的检索精度,其输出的结果中仅有1幅无关图像。结论该方案具有较高的检索精度和较强的鲁棒性,在商标检测、商标保护等方面中具有良好的应用价值。
-
关键词
商标检索
语义鸿沟
深度学习
稀疏语义度量
l2支持向量机
混合范数
-
Keywords
trademark retrieval
semantic gap
deep learning
sparse semantic measure
l2-svm
mixed norm
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于特征提取的面向边缘数据中心的窃电监测
被引量：47
- 4
-
-
作者
张宇帆
艾芊
李昭昱
肖斐
饶渝泽
-
机构
电力传输与功率变换控制教育部重点实验室(上海交通大学)
北京交通大学电气工程学院
国网湖北省电力有限公司电力科学研究院
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2020年第9期128-134,共7页
-
基金
国家自然科学基金委员会-国家电网公司智能电网联合基金资助项目(U1866206)。
-
文摘
随着电网信息物理系统的发展,一部分数据处理功能逐渐下沉到靠近终端用户的边缘层。为了给后续分析提供可靠的数据源,及时发现异常用电行为,窃电监测是边缘数据中心重要功能之一。文中提出一种针对边缘数据中心的窃电监测方法,该方法利用深度卷积生成对抗网络(DCGAN)鉴别器提取得到的特征,在边缘数据中心对二范数线性支持向量机(L2SVM)进行训练。实验结果证实,DCGAN具有较好的收敛性能,鉴别器提取得到的正常与窃电行为用电特征具有明显划分,且比基于主成分分析(PCA)特征提取方法更加有效,此外,与基于径向基核函数的支持向量机(SVM)反窃电方法相比,所提方法准确度更好且计算复杂度低,适合边缘数据中心部署。
-
关键词
信息物理系统
边缘数据中心
深度卷积生成对抗网络(DCGAN)
特征提取
二范数线性支持向量机(l2svm)
-
Keywords
cyber-physical system
edge data center
deep convolutional generative adversarial network(DCGAN)
feature extraction
l2-regularized linear support vector machine(l2svm)
-
分类号
TM73
[电气工程—电力系统及自动化]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
