我要投稿 查看投稿进度
学术期刊
在线客服
客服电话：400-188-5008
客服邮箱：service@ccnpub.com
投诉举报：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享

请选择 目标期刊

基于主成分分析的本科生能力评价方法研究 下载：58 浏览：458

孙庚1,2 冯艳红1,2 于红1,2 崔春雷1,2 《软件工程研究》 2019年8期

摘要:
针对目前本科生综合素质评价体系并不能真实反映学生的能力这一问题,提出一种基于主成分分析的本科生能力评价方法。分析了能力评价体系的指标;编写皮尔逊相关系数软件,证明各个指标之间存在相关关系。利用主成分分析的方法将各指标按照不同能力类别进行划分,编写主成分分析软件,最终得出五类能力指标。利用这五类能力指标对学生的能力进行评价,得到的评价结果与学生的就业质量进行比对,得出结论,能力评价结果排名靠前的学生都是就业质量非常高的学生,并非传统的评价方法中排名靠前的学生,表明本文提出的能力评价方法更真实地反映了学生的能力。

基于改进BiRTE的渔业健康养殖标准复杂关系抽取 下载：28 浏览：250

宋奇书1,2,3,4 于红1,2,3,4 乔诗晗1,2,3,4 罗璇1,2,3,4 李光宇1,2,3,4 邵立铭1,2,3,4 张思佳1,2,3,4 《中国水产学报》 2024年1期

摘要:
为解决渔业健康养殖标准文本关系抽取领域特定性强、语意复杂导致关系抽取准确率不高等问题，提出了基于改进BiRTE的渔业健康养殖标准复杂关系抽取方法，针对实体和语义关联建模，将RoBERTa作为编码器，采用全词掩码和动态掩码的方式增强词向量特征表示，并在此基础上融合了自注意力机制(Self-Attention, SelfATT)将实体特征与关系特征结合聚焦，加强实体抽取与关系预测的联系，从而提升渔业标准文本抽取的准确性。结果表明：本文提出的基于改进BiRTE的渔业健康养殖标准复杂关系抽取模型(RoBERTa-BiRTE-SelfATT)对渔业标准复杂关系抽取的准确率、召回率和F1值分别为95.9%、95.4%、95.7%,较BiRTE模型分别提升了4.2%、3.1%、3.8%。研究表明，本文提出的渔业健康养殖标准复杂关系抽取模型RoBERTa-BiRTE-SelfATT可以有效解决渔业标准文本关系抽取中专有名词识别不准确、语意复杂导致实体关系难以抽取的问题，是一种有效的渔业标准复杂关系抽取方法。

基于通道非降维与空间协调注意力的改进YOLOv8养殖鱼群检测 下载：48 浏览：284

涂万1,2 于红1,2 张鹏1,2 韦思学1,2 张鑫1,2 杨宗轶1,2 吴俊峰1,2 林远山1,2 胡泽元1,2 《中国水产学报》 2023年4期

摘要:
为解决真实养殖环境中因鱼群模糊、遮挡造成的鱼类目标检测困难等问题，采用基于通道非降维与空间协调注意力ECAM(efficient coordination attention module)的改进YOLOv8养殖鱼群检测方法YOLOv8-Head-ECAM以提高检测精度。首先在FPN(feature pyramid network)中增加大尺寸检测头，更好地捕捉水下鱼类个体的细节信息，以加强对鱼群特征的提取能力，然后使用ECAM注意力机制减少模糊背景的干扰，聚焦鱼类个体的关键特征，以加强对模糊鱼群的识别能力，并设计了消融试验和模型对比试验以验证算法的有效性。结果表明：相比于YOLOv8,YOLOv8-Head-ECAM模型的准确率、召回率和平均精度均值分别提高了2.3%、1.7%和1.6%;与目前检测准确率较高的养殖鱼群检测模型KAYOLO、DCM-ATM-YOLOv5、SK-YOLOv5和ESB-YOLO相比，平均精度均值分别提高了0.7%、1.0%、2.4%和2.0%。研究表明，本文中提出的YOLOv8-Head-ECAM模型能够较好地适应水下鱼群模糊、遮挡的情况，提高了鱼群检测的有效性。

融合SKNet与YOLOv5深度学习的养殖鱼群检测 下载：54 浏览：322

赵梦1,2 于红1,2 李海清1,2 胥婧雯1,2 程思奇1,2 谷立帅1,2 张鹏1,2 韦思学1,2 郑国伟1,2 《中国水产学报》 2022年3期

摘要:
为解决真实养殖环境下，水下成像模糊、失真等导致鱼群检测准确率低的问题，提出一种融合视觉注意力机制SKNet (selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理，得到清晰的鱼群图像，然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络，加强对模糊鱼体的识别能力，并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验，以验证SK-YOLOv5的有效性。结果表明：在鱼群检测任务上，SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比，SK-YOLOv5取得了较好的检测效果，与XFishHmMp模型相比，识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比，识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明，融合SKNet与YOLOv5的养殖鱼群检测方法，有效地解决了水下模糊图像鱼群检测准确率低的问题，提升了养殖鱼群检测和识别的整体效果。

基于BERT+BiLSTM+CRF深度学习模型和多元组合数据增广的渔业标准命名实体识别 下载：37 浏览：356

杨鹤1 于红1,2 刘巨升1 杨惠宁1 孙哲涛1 程名1 任媛1 张思佳1,2 《中国水产学报》 2021年5期

摘要:
为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination, MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement algorithm based on domain dictionary, DDR)、基于槽点保护的随机删除算法(random deletion algorithm based on slot protection, SPD)和基于槽点保护的随机插入算法(random insertion algorithm based on slot protection, SPI)进行语料库的数据增广,首先构建"水产品名称"同类词词典和领域同义词词典,通过两个词典分别对"水产品名称"类实体和随机词进行同类词替换和同义词替换,生成新的句子,以增加目标实体数量和句子的多样性,然后在基于槽点保护的情况下对原句子分别进行随机删除和随机插入操作,在保留实体及上下文特征的情况下进一步丰富语料的多样性,提高模型的泛化能力。结果表明,采用基于融合注意力机制的BERT+BiLSTM+CRF网络模型和多元组合数据增广方法进行渔业标准命名实体识别,准确率、召回率、F1值分别达到了91.73%、88.64%、90.16%,具有较好的效果。研究表明,基于多元组合数据增广的渔业标准命名实体识别方法有效解决了部分实体样本稀疏问题,提升了渔业标准命名实体识别的整体效果。
[1/1]
|<
<
1
>
>|
在线客服：：点击联系客服
联系电话：：400-188-5008
客服邮箱：：service@ccnpub.com
投诉举报：：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享