摘要：针对骨架步态识别任务中步态信息时空关联性弱和易受复杂背景干扰的问题,该文提出一种基于深度卷积神经网络和动态门记忆学习(DCNN-DGML)的骨架步态识别算法。首先根据步态运动规律建立端到端的步态识别模型;其次为了实现多层特征语义信息的融合,该模型中设计了多层特征融合机制改进GoogleNet;同时,在LSTM的基础上设计了一种动态门记忆学习结构来记录时序信息,以提升特征的鲁棒性。为了评估提出的DCNNDGML步态识别系统,在自建数据库上进行了实验研究,识别精度达到97%,结果明显优于传统步态识别方法。

摘要：短文本分类是互联网文本数据处理领域的一项关键任务。计算机视觉和语音识别领域中的深度学习研究表明,神经网络模型中更深层次的学习能够更有效地表达数据特征。受此启发,本文设计了一种将CNN和RNN模型与注意机制相结合的方法,根据文本的关键信息提取出更复杂有效的特征。为了评估方法对深度短文本分类的有效性,进行了综合实验比较和分析。

摘要：本文提出了一种基于深度学习的网络舆情情感监测系统设计方法,通过爬虫技术获取网络上对于某一话题或事件的评论文本,再通过长短期记忆网络和卷积神经网络组成的深度学习模型对文本进行情感分析,并通过数据可视化技术进行显示。该系统可以实时,准确地抓取目标事件的评论文本,并准确地分析出评论的情感倾向,达到舆情的监控与引导作用。

摘要：DNS服务已经深入互联网的各个角落。最初,DNS数据包被设计成未加密的形式传输于互联网上,然而这种设计并不安全,攻击者可以截获并分析DNS数据包来损害互联网用户的安全和隐私。在解决这些问题的同时,Google和CloudFlare等大型供应商采取了将DNS查找进行加密的方案,如DNS over Https(DoH)和DNS over TLS(DoT)。因此,研究在利用DNS over Https(DoH)加密技术后,供应商能否保护用户免受基于流量分析的监控和审查。首先利用LSTM技术和DoH流量的数据包大小创建分类器,其次在开放环境和封闭环境下分别测试分类器,最后通过分析DoH业务讨论如何选择性地阻止DoH攻击。

摘要：通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升2.86%;通过差分算法改进网络,序列间差分特征融合模型识别率达到83.81%,维度差分特征融合模型识别率达到87.62%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。

摘要：目前采用单一预测模型对于复杂的非线性时间序列具有预测精度较低,且不能很好地捕捉时间序列的复合特征的问题,因此本文提出一种基于BP神经网络组合的长短期记忆网络-Prophet(LSTM-Prophet)时间序列预测模型。模型将长短期记忆网络及Prophet这2种预测模型得到的预测值通过BP神经网络进行非线性组合,得出最终的预测值。随后设计实现本文模型与3个单项模型的对比实验,使用3个不同领域的数据集验证本文模型的准确性和有效性。实验结果表明提出的预测模型具有较高的预测精度、较好的通用性和应用前景。

摘要：文本主题分类是自然语言处理中的重要任务之一,也是深度学习方法的重要应用领域。目前用于文本分类的深度学习方法多利用词-句-文本的层次结构来挖掘文本的语义及句法结构信息,以构建网络模型。然而,文本的语义和句法结构信息不仅仅包含于文本的层次结构中,限制了深度网络模型的文本主题分类能力。针对上述问题,论文提出一种融合摘要与主体特征的混合神经网络文本主题分类方法:首先分别抽取文本中的摘要和主体部分,之后根据神经网络的特性,使用卷积神经网络学习文本摘要中的关键局部特征,同时使用长短期记忆网络学习文本主体中句内及句间的上下文时序特征,最后设计融合文本摘要和主体特征的级联神经网络提升模型对文本主题的理解能力。实验结果表明,论文提出的方法能有效提升文本主题分类精度。

摘要：随着互联网的发展,网上购物成为主流消费方式,随之产生了大量的商品文本数据,需要对商品进行准确而高效的分类。利用机器学习进行文本分类需要进行复杂的人工设计特征和提取特征过程。随着深度学习领域的发展,基于深度学习的文本分类技术效果显著。设计了一个基于长短期记忆网络(LSTM)的中文文本多分类器。首先对数据进行预处理,利用Tokenizer分词技术将文本处理为计算机可理解的词向量传入LSTM网络,并加入Dropout算法以防止过拟合得出最终的分类模型。将该模型与逻辑回归、多项式朴素贝叶斯、线性支持向量机、随机森林模型进行对比发现,基于LSTM的中文文本多分类方法具有较好的效果。

摘要：近年来,注意力机制已经广泛应用于计算机视觉领域,图像描述常用的编码器-解码器框架也不例外.然而,当前的解码框架并未较清楚地分析图像特征与长短期记忆神经网络(LSTM)隐藏状态之间的相关性,这也是引起累积误差的原因之一.基于该问题,本文提出一个类时序注意力网络(Similar Temporal Attention Network,STAN),该网络扩展了传统的注意力机制,目的是加强注意力结果与隐藏状态在不同时刻的相关性.STAN首先对当前时刻的隐藏状态和特征向量施加注意力,然后通过注意力融合槽(AFS)将两个相邻LSTM片段的注意力结果引入到下一时刻的网络循环中,以增强注意力结果与隐藏状态之间的相关性.同时,本文设计一个隐藏状态开关(HSS)来指导单词的生成,将其与AFS结合起来可以在一定程度上解决累积误差的问题.在官方数据集Microsoft COCO上的大量实验和各种评估机制的结果表明,本文提出的模型与基线模型相比,具有明显的优越性,取得了更有竞争力的结果.

摘要：运用一种非接触式模式识别技术,分析了不同情绪与眼动模式的内在关联性。首先,基于眼部关键点和眼动统计特征设计了眼动情感识别模型;然后,构建了一个包含20例被试者的眼动情感数据库;最后,分别在该数据库和公开数据库上用该模型进行了眼动情感识别试验,识别准确率分别为68.27%和63.01%。试验结果表明眼动特征包含对不同情绪的有效表示,验证了该模型的有效性。