期刊导航
期刊开放获取
cqvip
退出
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
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
检索
高级检索
期刊导航
共找到
3
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于编解码深度神经网络的交通流预测模型
被引量:
3
1
作者
李山海
吴艳雄
+1 位作者
刘玉龙
张子晔
《电子技术与软件工程》
2021年第14期138-141,共4页
本文提出了一种基于编码器-解码器结构的深度神经网络模型。在经典的编解码模型基础上,基于长短时记忆网络模型并扩展时间注意力学习机制,以自动学习交通流相关序列数据中的隐含表示和非线性相关深度特征,实现端到端的变长交通流序列预...
本文提出了一种基于编码器-解码器结构的深度神经网络模型。在经典的编解码模型基础上,基于长短时记忆网络模型并扩展时间注意力学习机制,以自动学习交通流相关序列数据中的隐含表示和非线性相关深度特征,实现端到端的变长交通流序列预测,并扩展注意力机制以提升模型的预测性能。基于真实的交通流数据集进行了对比实验分析,实验结果表明所提出的交通流预测模型相比基准模型具有更优的预测准确率。
展开更多
关键词
交通流预测
编码器-解码器
时间注意力机制
深度
神经网络
下载PDF
职称材料
基于GA-BP神经网络的信息技术业上市公司的成长性预测
被引量:
1
2
作者
李山海
吴艳雄
+2 位作者
王蓓
徐岩
刘玉龙
《系统科学与数学》
CSCD
北大核心
2022年第4期854-866,共13页
文章针对民营企业中的信息技术业,建立包含盈利能力、营运能力、偿债能力、扩张能力、创新能力与公司规模6个方面的指标体系,采用整合改进遗传算法和神经网络的GA-BP算法,对企业的成长性建立模型进行预测与分析.进一步,为验证模型性能,...
文章针对民营企业中的信息技术业,建立包含盈利能力、营运能力、偿债能力、扩张能力、创新能力与公司规模6个方面的指标体系,采用整合改进遗传算法和神经网络的GA-BP算法,对企业的成长性建立模型进行预测与分析.进一步,为验证模型性能,从WIND金融数据库获取数据并进行预处理后,测试集上可决系数R^(2)为0.9990,性能优于其他五种机器学习算法.通过公司市值增长率进行相关系数分析,对建立的模型进行有效性检验,结果表明所选特征的有效性与合理性.最后通过随机森林进行封装特征重要性排序,对指标模型进行简化,选出的8个特征在测试集上改进GA-BP算法的R^(2)为0.8927,再次证明了最初指标选择的合理性.
展开更多
关键词
企业成长性
BP神经网络
遗传算法
随机森林
原文传递
非独立同分布文本情感表示学习方法
3
作者
李倩
郭红钰
+3 位作者
郑扬飞
刘玉龙
李山海
吴艳雄
《计算机工程与应用》
CSCD
北大核心
2022年第24期180-188,共9页
非独立同分布文本的情感分析往往极具挑战,因其是一类包含词句间耦合关系和同词(句)多义性特点的复杂文本。现有方法中,几乎没有可以全面捕获非独立同分布文本特性的方法用于情感分析。面向情感分析的非独立同分布文本表示学习方法对文...
非独立同分布文本的情感分析往往极具挑战,因其是一类包含词句间耦合关系和同词(句)多义性特点的复杂文本。现有方法中,几乎没有可以全面捕获非独立同分布文本特性的方法用于情感分析。面向情感分析的非独立同分布文本表示学习方法对文本中层次化存在的耦合关系和多义性问题进行建模,将这些决定着情感极性的非独立同分布特点嵌入到文本的向量表示中。非独立同分布文本表示学习方法通过一种带注意力机制的多尺度层次化深度神经网络实现。该神经网络利用多尺度卷积循环结构捕获文本中的耦合关系,利用注意力机制消除文本中的多义性。同时,该神经网络层次化地融合了由深度学习生成的隐式特征表示和由文本情感先验知识构造的显示特征表示,以防止数据过拟合问题并强化情感表示能力。充分的实验表明,非独立同分布文本表示学习方法可以显著增强文本情感分析的性能。
展开更多
关键词
非独立同分布文本
文本数据表示
情感分析
深度学习
下载PDF
职称材料
题名
基于编解码深度神经网络的交通流预测模型
被引量:
3
1
作者
李山海
吴艳雄
刘玉龙
张子晔
机构
中华全国工商业联合会
信息中心
中国电子科技集团公司第十五研究所
出处
《电子技术与软件工程》
2021年第14期138-141,共4页
基金
科技创新2030新一代人工智能重大项目:基于大数据智能的非公经济群体感知与服务辅助技术研究及应用(2020AAA0105100)。
文摘
本文提出了一种基于编码器-解码器结构的深度神经网络模型。在经典的编解码模型基础上,基于长短时记忆网络模型并扩展时间注意力学习机制,以自动学习交通流相关序列数据中的隐含表示和非线性相关深度特征,实现端到端的变长交通流序列预测,并扩展注意力机制以提升模型的预测性能。基于真实的交通流数据集进行了对比实验分析,实验结果表明所提出的交通流预测模型相比基准模型具有更优的预测准确率。
关键词
交通流预测
编码器-解码器
时间注意力机制
深度
神经网络
分类号
U491.14 [交通运输工程—交通运输规划与管理]
TP183 [交通运输工程—道路与铁道工程]
下载PDF
职称材料
题名
基于GA-BP神经网络的信息技术业上市公司的成长性预测
被引量:
1
2
作者
李山海
吴艳雄
王蓓
徐岩
刘玉龙
机构
中华全国工商业联合会
信息中心
北京科技大学
信息
与计算科学系
中国电子科技集团公司第十五研究所
出处
《系统科学与数学》
CSCD
北大核心
2022年第4期854-866,共13页
基金
科技部科技创新2030-“新一代人工智能”重大项目(2020AAA0105103)
国家自然科学基金(12071024)资助课题。
文摘
文章针对民营企业中的信息技术业,建立包含盈利能力、营运能力、偿债能力、扩张能力、创新能力与公司规模6个方面的指标体系,采用整合改进遗传算法和神经网络的GA-BP算法,对企业的成长性建立模型进行预测与分析.进一步,为验证模型性能,从WIND金融数据库获取数据并进行预处理后,测试集上可决系数R^(2)为0.9990,性能优于其他五种机器学习算法.通过公司市值增长率进行相关系数分析,对建立的模型进行有效性检验,结果表明所选特征的有效性与合理性.最后通过随机森林进行封装特征重要性排序,对指标模型进行简化,选出的8个特征在测试集上改进GA-BP算法的R^(2)为0.8927,再次证明了最初指标选择的合理性.
关键词
企业成长性
BP神经网络
遗传算法
随机森林
Keywords
Enterprise growth
BP neural network
genetic algorithm
random forest
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
F49 [自动化与计算机技术—控制科学与工程]
F832.51 [经济管理—产业经济]
原文传递
题名
非独立同分布文本情感表示学习方法
3
作者
李倩
郭红钰
郑扬飞
刘玉龙
李山海
吴艳雄
机构
中国电子科技集团有限公司第十五研究所
中华全国工商业联合会
信息中心
出处
《计算机工程与应用》
CSCD
北大核心
2022年第24期180-188,共9页
基金
科技创新2030—“新一代人工智能”重大项目(2020AAA0105100)。
文摘
非独立同分布文本的情感分析往往极具挑战,因其是一类包含词句间耦合关系和同词(句)多义性特点的复杂文本。现有方法中,几乎没有可以全面捕获非独立同分布文本特性的方法用于情感分析。面向情感分析的非独立同分布文本表示学习方法对文本中层次化存在的耦合关系和多义性问题进行建模,将这些决定着情感极性的非独立同分布特点嵌入到文本的向量表示中。非独立同分布文本表示学习方法通过一种带注意力机制的多尺度层次化深度神经网络实现。该神经网络利用多尺度卷积循环结构捕获文本中的耦合关系,利用注意力机制消除文本中的多义性。同时,该神经网络层次化地融合了由深度学习生成的隐式特征表示和由文本情感先验知识构造的显示特征表示,以防止数据过拟合问题并强化情感表示能力。充分的实验表明,非独立同分布文本表示学习方法可以显著增强文本情感分析的性能。
关键词
非独立同分布文本
文本数据表示
情感分析
深度学习
Keywords
non-identical distributed(non-ⅡD)document
textual data representation
sentiment analysis
deep learning
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于编解码深度神经网络的交通流预测模型
李山海
吴艳雄
刘玉龙
张子晔
《电子技术与软件工程》
2021
3
下载PDF
职称材料
2
基于GA-BP神经网络的信息技术业上市公司的成长性预测
李山海
吴艳雄
王蓓
徐岩
刘玉龙
《系统科学与数学》
CSCD
北大核心
2022
1
原文传递
3
非独立同分布文本情感表示学习方法
李倩
郭红钰
郑扬飞
刘玉龙
李山海
吴艳雄
《计算机工程与应用》
CSCD
北大核心
2022
0
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部