-
公开(公告)号：CN114897078B
公开(公告)日：2024-11-08
申请号：CN202210544327.X
申请日：2022-05-19
Applicant: 辽宁大学
IPC: G06F18/22 , G06F18/25 , G06F18/2132 , G06F18/2415 , G06F40/284 , G06F40/30 , G06F16/35 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/082
Abstract: 基于深度学习和主题模型的短文本相似度计算方法，属于文本相似度匹配技术领域，要解决的问题是如何通过深度学习网络和LDA主题模型准确实现短文本相似度计算。首先使用BERT对输入模型的多段文本分别进行分词及向量转换，然后将分词后的词向量分别输入到深度学习模型和LDA主题模型。在深度学习模型内部，先利用双向LSTM网络提取单词的上下文信息；再利用1D卷积神经网络将上下文信息与词嵌入信息进行信息融合；最后使用全局最大池化提取关键信息。在LDA主题模型内部，采用吉布斯抽样进行主题提取，提取每段文本的感情色彩。根据两个模型提取到的特征，通过混合型文本语义相似度计算方法计算获得两段文本之间的相似度。
-
公开(公告)号：CN114897078A
公开(公告)日：2022-08-12
申请号：CN202210544327.X
申请日：2022-05-19
Applicant: 辽宁大学
Abstract: 基于深度学习和主题模型的短文本相似度计算方法，属于文本相似度匹配技术领域，要解决的问题是如何通过深度学习网络和LDA主题模型准确实现短文本相似度计算。首先使用BERT对输入模型的多段文本分别进行分词及向量转换，然后将分词后的词向量分别输入到深度学习模型和LDA主题模型。在深度学习模型内部，先利用双向LSTM网络提取单词的上下文信息；再利用1D卷积神经网络将上下文信息与词嵌入信息进行信息融合；最后使用全局最大池化提取关键信息。在LDA主题模型内部，采用吉布斯抽样进行主题提取，提取每段文本的感情色彩。根据两个模型提取到的特征，通过混合型文本语义相似度计算方法计算获得两段文本之间的相似度。
-
公开(公告)号：CN102843493B
公开(公告)日：2015-02-25
申请号：CN201210246848.3
申请日：2012-07-17
Applicant: 辽宁大学
Abstract: 一种基于局部平衡三叉树理论的快速图像置乱方法，其置乱方法为：将原始图像的第一个元素作为三叉树的根结点，第一个元素紧邻的三个元素作为根结点的左、中、右子结点；中结点紧邻的三个元素作为该结点的左中右三个子结点，左结点紧邻的一个元素作为该结点的子结点，右结点紧邻的一个元素作为该结点的子结点；以此类推，整个图像矩阵作为局部平衡三叉树；遍历过程：遍历根结点，按照树的层次进行遍历，每一层按照中左右结点顺序遍历。遍历的元素存储在一维数组中，将一维数组转换成原始图像大小，完成正置乱图像。该方法能快速达到理想置乱效果，且置乱稳定，置乱恢复的图像无损失；并且有较强的抵抗剪切、压缩、滤波和噪声攻击的能力。
-
公开(公告)号：CN103985081A
公开(公告)日：2014-08-13
申请号：CN201410231666.8
申请日：2014-05-27
Applicant: 辽宁大学
IPC: G06T1/00
Abstract: 本发明公开了一种基于提升小波变换的数字图像多重置乱方法，属于数字图像处理领域和信息安全领域。包括图像正置乱和逆置乱两部分内容。该算法利用指定的提升小波函数，以及图像分块、随机整数矩阵扰动、低频分量与高频对角分量互换位置等多重密钥方法对图像进行置乱。实验数据表明，该算法安全性和通用性较强，具有算法简单和置乱速度快的特点，只需较少次数的置乱即可获得良好的图像置乱度和置乱效果，且逆置乱恢复图像无损。
-
公开(公告)号：CN111125349A
公开(公告)日：2020-05-08
申请号：CN201911301631.6
申请日：2019-12-17
Applicant: 辽宁大学
IPC: G06F16/34 , G06F40/284 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/06
Abstract: 一种基于词频和语义的图模型文本摘要生成方法。其步骤如下：1)将文本中的句子进行分词，并进行词性标注。2)对词项进行过滤，只保留特定词性的词项。3)利用Word2Vec模型和BM25算法训练词向量，形成特征词向量集，进而表示句子，构建句子-词文本矩阵。4)通过文本矩阵，构建文本无向图模型。5)利用TextRank算法进行句子结点权值的迭代计算，直至收敛，选取TOP-K句子生成文本摘要。6)实验结果表明，相比传统鉴于文本单一词频特征和基于文本语义特征的文本自动摘要方法，本文方法在最佳调节因子组合下，取得了更高的Rouge值，证明本文方法有效整合了文本词频和语义特征，进而通过基于上下文信息的TextRank算法提高了摘要生成的准确率。
-
Patent Agency Ranking
公开(公告)号：CN102843493A
公开(公告)日：2012-12-26
申请号：CN201210246848.3
申请日：2012-07-17
Applicant: 辽宁大学
Abstract: 一种基于局部平衡三叉树理论的快速图像置乱方法，其置乱方法为：将原始图像的第一个元素作为三叉树的根结点，第一个元素紧邻的三个元素作为根结点的左、中、右子结点；中结点紧邻的三个元素作为该结点的左中右三个子结点，左结点紧邻的一个元素作为该结点的子结点，右结点紧邻的一个元素作为该结点的子结点；以此类推，整个图像矩阵作为局部平衡三叉树；遍历过程：遍历根结点，按照树的层次进行遍历，每一层按照中左右结点顺序遍历。遍历的元素存储在一维数组中，将一维数组转换成原始图像大小，完成正置乱图像。该方法能快速达到理想置乱效果，且置乱稳定，置乱恢复的图像无损失；并且有较强的抵抗剪切、压缩、滤波和噪声攻击的能力。
-
公开(公告)号：CN115730606A
公开(公告)日：2023-03-03
申请号：CN202211565870.4
申请日：2022-12-07
Applicant: 辽宁大学
IPC: G06F40/30 , G06F40/205 , G06F40/284 , G06N3/048
Abstract: 一种基于BERT模型和注意力集中网络的细粒度情感分析方法，通过结合BERT模型与注意力机制，构造了一种进行细粒度情感分析任务的模型。首先将待分析的句子及其方面词拼接为输入文本，使用BERT模型对输入文本进行语义信息整合，然后通过注意力机制构造一个注意力集中网络层，进行更深层次的信息提取，最后使用一个全连接层获取最终的情感分析预测结果。本方法实现了一种注意力集中网络，将句子与方面词的文本信息交互，然后使得注意力集中于句中对应方面的语义信息，并通过将其与BERT结合，使得模型有能力提取出细粒度情感分析任务文本中较深层次的语义，相较于各基线模型，成功地提高了细粒度情感分析结果的准确度和F1值指标。
-
公开(公告)号：CN110119778A
公开(公告)日：2019-08-13
申请号：CN201910388452.4
申请日：2019-05-10
Applicant: 辽宁大学
Abstract: 本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型，使用智能寻优方法找到最优的中心向量，从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题，采用改进鸡群结合混沌搜索策略优化初始种群，同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子，从而尽可能解决陷入局部最优的问题。
-
公开(公告)号：CN103985081B
公开(公告)日：2017-07-28
申请号：CN201410231666.8
申请日：2014-05-27
Applicant: 辽宁大学
IPC: G06T1/00
Abstract: 本发明公开了一种基于提升小波变换的数字图像多重置乱方法，属于数字图像处理领域和信息安全领域。包括图像正置乱和逆置乱两部分内容。该算法利用指定的提升小波函数，以及图像分块、随机整数矩阵扰动、低频分量与高频对角分量互换位置等多重密钥方法对图像进行置乱。实验数据表明，该算法安全性和通用性较强，具有算法简单和置乱速度快的特点，只需较少次数的置乱即可获得良好的图像置乱度和置乱效果，且逆置乱恢复图像无损。
-
公开(公告)号：CN104731772B
公开(公告)日：2017-05-24
申请号：CN201510179688.9
申请日：2015-04-14
Applicant: 辽宁大学
Abstract: 基于改进特征评估函数的贝叶斯垃圾邮件过滤方法，步骤如下：1)对训练邮件集进行预处理分为邮件头部和正文部分；2)分别在两个特征集T1，T2中删除介词、代词、副词、助词，连接词以及词频低于给定的阈值p的词语；3)分别在特征项集合T1’，T2’中运用改进的特征评估函数计算出互信息值MI(tk)’；4)在训练集内，对MI(tk)’其按从大到小的顺序进行排序，选择前n个值对应的特征项用于训练集的表示；5)分类阶段运用贝叶斯分类器对待测试的样本进行垃圾邮件过滤。本发明能够高效准确的对邮件进行分类，并且过滤掉垃圾邮件。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
