CN110110846A - 基于卷积神经网络的辅助驾驶人车交互方法 - Google Patents

基于卷积神经网络的辅助驾驶人车交互方法 Download PDF

Info

Publication number
CN110110846A
CN110110846A CN201910335267.9A CN201910335267A CN110110846A CN 110110846 A CN110110846 A CN 110110846A CN 201910335267 A CN201910335267 A CN 201910335267A CN 110110846 A CN110110846 A CN 110110846A
Authority
CN
China
Prior art keywords
input
neural networks
convolutional neural
tve
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910335267.9A
Other languages
English (en)
Inventor
赵芬
李鹏华
李嫄源
李银国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910335267.9A priority Critical patent/CN110110846A/zh
Publication of CN110110846A publication Critical patent/CN110110846A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于卷积神经网络的辅助驾驶人车交互方法，属于深度神经网络领域。该方法包括：S1：从输入的用户指令数据集中提取高频词；S2：利用独热向量模型将词表征为向量，得到矩阵作为输入；S3：训练TVE模块；S4：把标签数据整合进多粒度卷积神经网络；S5：滤波器对句子矩阵进行卷积计算；S6：得到不同程度的特征字典；S7：对特征字典进行最大值池化；S8：生成一串单变量的特征向量；S9：在softmax层，以生成特征向量作为输入，对句子矩阵做分类处理；S10：输入验证集，调整分类器参数；S11：输入测试集，测试模型的分类能力。本发明极大改善当前市场上的汽车功能和用户体验。

Description

基于卷积神经网络的辅助驾驶人车交互方法
技术领域
本发明属于深度神经网络领域，涉及一种基于卷积神经网络的辅助驾驶人车交互方法。
背景技术
随着计算机、通信、传感三大核心信息技术的高速发展，以人工智能为代表的新一代信息技术成为当今世界的中心科学技术，必将给未来的经济社会和国民生活产生很大的影响。与此同时，我国汽车工业发展也迈向“智能网联”成长时期。“智能化”进程将极大改善当前市场上的汽车功能和用户体验，并从人工智能角度提出对汽车功能设计的新观点，让用户能够享受高质量的乘车体验。基于深度神经网络(Deep Neural Network,DNN)的驾驶员辅助技术是实现人车交互最有前途的方法之一。同时，随着基于卷积神经网络(Convolutional Neural Networks,CNNs)方法的发展，基于CNNs的辅助驾驶系统已经取得了令人瞩目的成绩。然而，大多数现有的系统通常依赖手工标记的数据进行训练，而且其不能充分提取隐藏在文本中的信息。本发明提出了一种用于人车交互的半监督多粒度卷积神经网络(semi-supervised multi-granularity convolutional neural networks,SSMGCNNs)语义分析框架。本发明立足于融合人工智能在信号处理、模式识别、复杂系统中的先进成果，面向汽车的智能化典型应用场景，采用“云”到“端”的处理方式，利用听觉感知所记忆的信息，构建智能汽车语义表达，完成用户意图推理、资源信息交互、车机自主控制等功能，获得人与车沟通的“使能器”，解决人与机器协同强化的问题，为人机群组混合增强智能系统提供技术支持。
发明内容
有鉴于此，本发明的目的在于提供一种基于卷积神经网络(ConvolutionalNeural Networks,CNNs)的辅助驾驶人车交互方法，通过构建汽车多维度空间的统一语义表达，将人的作用与人的认知模式导入到车中构建更强的智能形态，提升机器理解并适应真实世界环境的能力。
为达到上述目的，本发明提供如下技术方案：
本发明提出了一种用于人车交互的半监督多粒度卷积神经网络(semi-supervised multi-granularity convolutional neural networks,SSMGCNNs)语义分析框架，该框架由两部分组成：双视图嵌入(two-view-embedding，TVE)模块和多粒度卷积神经网络(multi-granularity convolutional neural networks,MGCNNs)模块。TVE模块从未标记的用户指令数据集中学习到文本区域表示，然后将学习到的二维向量集成到MGCNNs中，使学习到的二维向量表示作为监督MGCNNs卷积层的部分输入，解决了数据标注的问题。MGCNNs可以通过同一卷积层中不同大小的多个卷积核充分提取隐藏在文本中的特征信息。
一种基于卷积神经网络的辅助驾驶人车交互方法，包括以下步骤：
S1：从输入的用户指令数据集中提取高频词；由于对输入文本数据的保存会造成大量的资源消耗，所以没有必要使用所有的用户指令数据作为训练集。为了获得更好的语义分析性能，从输入的用户指令数据集中提取高频词作为模型的训练集。
S2：利用独热向量模型将词表征为向量，得到矩阵作为输入；
S3：训练双视图嵌入TVE模块：通过TVE学习模型预训练过程，从无标签数据中学习到标签数据，降低在数据标注上的人力开销；利用独热向量模型对数据预处理，将获得的小文本区域向量提交给TVE模块进行训练，通过对小文本区域向量进行学习，利用其自身的特征信息和上下文信息获得数据标注。
S4：把从TVE学习模型学习到的标签数据整合进多粒度卷积神经网络，作为多粒度卷积神经网络的部分输入；针对文本特征信息抽取不充分问题，提出多粒度卷积神经网络模型，增加文本特征的可分性；通过对卷积神经网络内部结构的调整，采用多个尺寸不同的卷积核在同一卷积层上进行特征抽取，由此获得不同维度的文本特征，并进行拼接重组，增加隐含在文本中的特征信息，提高文本特征的可分性；
S5：滤波器对句子矩阵进行卷积计算；
S6：得到不同程度的特征字典；
S7：对特征字典进行最大值池化；利用最大值池化方法，对特征字典进行最大值池化操作。
S8：生成一串单变量的特征向量；
S9：在softmax层，以步骤S8中生成的特征向量作为输入，对句子矩阵做分类处理；
S10：输入验证集，调整分类器参数；
S11：输入测试集，测试模型的分类能力。
进一步，所述步骤S3中，TVE学习模块的定义如下：若存在函数g1，满足：P(X2X1)＝g1(f1(X1),X2),(X1,X2)∈χ1×χ2，则函数f1被定义为χ1关于χ2的二维向量表示，，其中P(X2X1)表示在小文本区域X1存在的情况下能够预测出其上下文文本区域X2的概率，g1()表示TVE学习模块中高层的函数，X1表示TVE学习模块输入的小文本区域，X2表示TVE学习模块输出的文本区域(即是模型预测出的文本区域)。
给定文档x，对于第i个文本区域，TVE学习模型的卷积层输出为：σ表示预先定义的非线性激活函数，表示第i个输入区域，权重矩阵W(u)和偏向向量b(u)通过训练被学习，被相同层的计算单元所共享，减少了系统参数；高层使用卷积层的输出ui(x)当作其特征输入来完成分类预测任务。
进一步，步骤S4中，多粒度卷积神经网络的训练过程具体为：首先，将句子中的每一个词表示为词向量的形式，句子P＝ρ1,ρ2,…,ρn，其中ρi表示句中第i个词的m维词向量表示，n表示句中所含有的词量；多个特征映射图构成隐藏层，而每一个映射图都由多个神经元γi构成；神经元hi的计算公式为：hi＝t(pooling(σ(ωiP))+bt)，其中σ,t是激活函数，ωi是滤波器的权值参数，bt是偏差参数，pooling是池化操作；
每种大小的卷积核实行卷积操作生成一组特征映射图，将所有尺寸大小的卷积核实行卷积操作并池化后的特征映射图重新组合再通过一个全连接层，并将输出当作SoftMax的输入，SoftMax层分类概率计算公式为：Pqi＝σ(WmHm+bm)，其中σ是激活函数sigmoid，Hm是多种大小的卷积核进行卷积操作并进行池化后的神经元的输出，Wm是SoftMax层的权值参数，bm是SoftMax层的偏置参数。
进一步，所述步骤S5具体包括：利用不同区域尺寸的卷积核对句子矩阵做卷积运算，且每种区域尺寸有多个卷积核。
本发明的有益效果在于：本发明将半监督多粒度卷积神经网络语义分析框架应用于人车交互应用，该应用利用听觉感知所记忆的信息，构建智能汽车语义表达，实现汽车的智能导航、智能娱乐、信息交互等功能，让用户享受高质量的乘车体验。本发明实现了汽车的智能导航、智能娱乐、资源信息交互等功能，极大改善当前市场上的汽车功能和用户体验。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明采用的半监督多粒度卷积神经网络的语义分析的辅助驾驶人车交互技术构建的流程图；
图2为本发明所提出的半监督多粒度卷积神经网络的系统功能结构图；
图3为本发明所述的双视图嵌入模型示意图；
图4为本发明所述的多粒度卷积神经网络模型示意图；
图5为本发明深度学习下的人车交互应用框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
图1为本发明采用半监督多粒度卷积神经网络的语义分析的辅助驾驶人车交互技术构建的流程图。一种深度神经网络模型下的数据分类方式，采用半监督多粒度模型对文本进行语义分析，完成分类任务，使网络的自然语言理解功能不仅具备理解字面意思的能力，还具备逻辑推理，理解深层意思的能力。本发明实现汽车的智能导航、智能娱乐、智能资源信息交互等功能，极大改善当前市场上的汽车功能和用户体验，并从人工智能角度提出对汽车设计的新观点，让用户能够享受高质量的汽车功能和乘车体验。下面结合附图给出一个利用半监督多粒度卷积神经网络对辅助驾驶中的人车交互实施例以对本发明作进一步的阐述。
如图1所示，本发明各部分具体实施细节如下：
(1)从输入的文本数据中提取高频单词。由于对输入文本数据的保存会造成大量的资源消耗，所以没有必要使用所有的文本数据作为训练集。为了获得更好的文本分类性能，从输入的文本数据中提取高频单词作为模型的训练集。
(2)通过独热(one-hot)模型对文本数据处理，将词表征为向量作为模型的输入。
(3)训练TVE模块：通过TVE学习模型预训练过程，从无标签数据学习到标签数据，解决数据标注问题。
(4)获取的标签数据整合进多粒度卷积神经网络：把从TVE学习模型学习到的标签数据整合进多粒度卷积神经网络，作为多粒度卷积神经网络的部分输入。数学表达式为：σ(W·ri(x)+V·ui(x)+b)，取代σ(W·ri(x)+b)。这里，ri(x)是多粒度卷积神经网络的第i个区域的输入，ui(x)是TVE学习模型的第i个区域的输出，W,V为权重参数矩阵，b为偏差值。
(5)滤波器对句子矩阵进行卷积计算：可同时利用不同区域尺寸的卷积核对句子矩阵做卷积运算，且每种区域尺寸可以有多个卷积核。
(6)得到不同程度的特征字典。
(7)对特征词典进行池化操作。池化的操作有最大值和均值。本发明对特征字典实行最大值池化。
(8)生成一串单变量的特征向量。
(9)在softmax层，以这个特征向量当作输入数据，实现分类功能。
(10)输入验证集，调整分类器参数。
(11)输入测试集，测试模型的分类能力。
图2为本发明所述半监督多粒度卷积神经网络(semi-supervised multi-granularity convolutional neural networks,SSMGCNNs)的系统功能结构图。采用卷积神经网络的人车交互应用主要由文本数据预处理模型、TVE模块和语义分析模型三部分组成。其中数据预处理部分采用独热模型实现对文本数据的预处理，将小文本区域表征为向量，得到矩阵作为模型的输入，直接学习小文本区域的向量表示而不是单个词的向量表示。独热向量模型预处理获得的小文本区域向量提交给TVE模块进行训练，通过对小文本区域向量进行学习，利用其自身的特征信息和上下文信息获得数据标注。语义分析模块把从TVE模块学习到的标签数据整合进多粒度卷积神经网络，当作多粒度卷积神经网络输入层的部分输入。通过对卷积神经网络内部结构的调整，采用多个尺寸不同的卷积核在同一卷积层上进行特征抽取，由此获得不同维度的文本特征，并进行拼接重组，增加隐含在文本中的特征信息，提高文本特征的可分性。多粒度卷积神经网络直接应用于高维文本区域，而不是使用低维词向量，这导致直接学习小文本区域的向量表示以用于文本语义分析，完成文本分类任务。
图3为本发明所述TVE模块示意图。TVE模块的定义如下：若是存在函数g1，满足：P(X2X1)＝g1(f1(X1),X2),(X1,X2)∈χ1×χ2，那么，函数f1被定义为χ1关于χ2的二维向量表示。给定文档x，对于第i个文本区域，TVE学习模型的卷积层输出为：σ是预先定义的非线性激活函数，是第i个输入区域，权重矩阵W(u)和偏向向量b(u)通过训练被学习，被相同层的计算单元所共享，减少了系统参数。高层使用卷积层的输出ui(x)当作其特征输入来完成分类预测任务。
TVE学习模型主要实现以下三个目标：(1)从每个尺寸为p的小文本区域预测邻近区域(目标区域)，而且，它能够获取数据之间的所包含的内部信息；(2)它能够为每个尺寸为p的文本区域分配一个标签(例如，积极的/消极的)，而不是为整篇文档实现最终的分类任务；(3)通过训练，卷积层直接学习小文本区域的向量表示。也就是说，直接应用到高维文本区域，而不是单个词向量，对文本数据内部特征进行更本质的刻画，获取预测的特征信息。TVE模型不同于卷积神经网络模型，TVE学习模型的输入是无标签数据，且每个小区域都与自己的目标输出相关联。
图4为本发明多粒度卷积神经网络模型示意图。模型显示有A、B、C三种区域尺寸的卷积核，卷积核尺寸大小不一样，则上下文提取特征的窗口大小也不一样，不同尺寸大小的卷积核都能提取到一种特征形式的文本表达，即隐藏层的输出为hA,hB,hC，将三个单元组连接：h＝(hAhBhC)，以表示文本数据。多粒度卷积神经网络的训练过程如下所述：首先，将句子中的每一个词表示为词向量的形式，句子P＝ρ1,ρ2,…,ρn，其中ρi是句中第i个词的m维词向量表示，n表示句中所含有的词量。多个特征映射图构成隐藏层，而每一个映射图都由许多神经元γi构成。神经元hi的计算公式为：hi＝t(pooling(σ(ωiP))+bt)，其中σ,t是激活函数，ωi是滤波器的权值参数，bt是偏差参数，pooling是池化操作。每种大小的卷积核实行卷积操作生成一组特征映射图，将所有尺寸大小的卷积核实行卷积操作并池化后的特征映射图重新组合再通过一个全连接层，并将输出当作SoftMax的输入，SoftMax层分类概率计算公式为：Pqi＝σ(WmHm+bm)，其中σ是激活函数sigmoid，Hm是多种大小的卷积核进行卷积操作并进行池化后的神经元的输出，Wm是SoftMax层的权值参数，bm是SoftMax层的偏置参数。
图5为本发明深度学习下的人车交互应用框图。对基于自然语言处理的人车交互应用的关键问题建模分为三个部分：(1)数据预处理模型：通过独热(one-hot)向量模型对文本数据处理，将词表征为向量当作网络输入。(2)TVE模块：通过TVE模型从无标签数据学习到标签数据，作为多粒度卷积神经网络的部分输入。(3)监督学习模型：建立多粒度卷积神经网络模型，对汽车操作命令实现单标签分类，完成语义分析功能。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于卷积神经网络的辅助驾驶人车交互方法，其特征在于，该方法具体包括以下步骤：
S1：从输入的用户指令数据集中提取高频词；
S2：利用独热(one-hot)向量模型将词表征为向量，得到矩阵作为输入；
S3：训练双视图嵌入(two-view-embedding，TVE)模块：通过TVE学习模型预训练过程，从无标签数据中学习到标签数据，降低在数据标注上的人力开销；
S4：把从TVE学习模型学习到的标签数据整合进多粒度卷积神经网络，作为多粒度卷积神经网络的部分输入；通过对卷积神经网络内部结构的调整，采用多个尺寸不同的卷积核在同一卷积层上进行特征抽取，由此获得不同维度的文本特征，并进行拼接重组，
S5：滤波器对句子矩阵进行卷积计算；
S6：得到不同程度的特征字典；
S7：对特征字典进行最大值池化；
S8：生成一串单变量的特征向量；
S9：在softmax层，以步骤S8中生成的特征向量作为输入，对句子矩阵做分类处理；
S10：输入验证集，调整分类器参数；
S11：输入测试集，测试模型的分类能力。
2.根据权利要求1所述的基于卷积神经网络的辅助驾驶人车交互方法，其特征在于，所述步骤S3中，TVE学习模块的定义如下：若存在函数g1，满足：
P(X2|X1)＝g1(f1(X1),X2),(X1,X2)∈χ1×χ2，则函数f1被定义为集合χ1关于集合χ2的二维向量表示，，其中P(X2|X1)表示在小文本区域X1存在的情况下能够预测出其上下文文本区域X2的概率，g1()表示TVE学习模块中高层的函数，X1表示TVE学习模块输入的小文本区域，X2表示TVE学习模块输出的文本区域；
给定文档x，对于第i个文本区域，TVE学习模型的卷积层输出为：
ui(x)＝σ(u)(W(u)·ri (u)(x)+b(u))，σ表示预先定义的非线性激活函数，ri (u)(x)表示第i个输入区域，权重矩阵W(u)和偏向向量b(u)通过训练被学习，被相同层的计算单元所共享，减少了系统参数；高层使用卷积层的输出ui(x)当作其特征输入来完成分类预测任务。
3.根据权利要求1所述的基于卷积神经网络的辅助驾驶人车交互方法，其特征在于，步骤S4中，多粒度卷积神经网络的训练过程具体为：首先，将句子中的每一个词表示为词向量的形式，句子P＝ρ1,ρ2,…,ρn，其中ρi表示句中第i个词的m维词向量表示，n表示句中所含有的词量；多个特征映射图构成隐藏层，而每一个映射图都由多个神经元γi构成；神经元hi的计算公式为：hi＝t(pooling(σ(ωiP))+bt)，其中σ,t是激活函数，ωi是滤波器的权值参数，bt是偏差参数，pooling是池化操作；
每种大小的卷积核实行卷积操作生成一组特征映射图，将所有尺寸大小的卷积核实行卷积操作并池化后的特征映射图重新组合再通过一个全连接层，并将输出当作SoftMax的输入，SoftMax层分类概率计算公式为：其中Hm是多种大小的卷积核进行卷积操作并进行池化后的神经元的输出，Wm是SoftMax层的权值参数，bm是SoftMax层的偏置参数。
4.根据权利要求1所述的基于卷积神经网络的辅助驾驶人车交互方法，其特征在于，所述步骤S5具体包括：利用不同区域尺寸的卷积核对句子矩阵做卷积运算，且每种区域尺寸有多个卷积核。
CN201910335267.9A 2019-04-24 2019-04-24 基于卷积神经网络的辅助驾驶人车交互方法 Pending CN110110846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910335267.9A CN110110846A (zh) 2019-04-24 2019-04-24 基于卷积神经网络的辅助驾驶人车交互方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910335267.9A CN110110846A (zh) 2019-04-24 2019-04-24 基于卷积神经网络的辅助驾驶人车交互方法

Publications (1)

Publication Number Publication Date
CN110110846A true CN110110846A (zh) 2019-08-09

Family

ID=67486473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910335267.9A Pending CN110110846A (zh) 2019-04-24 2019-04-24 基于卷积神经网络的辅助驾驶人车交互方法

Country Status (1)

Country Link
CN (1) CN110110846A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115920A (zh) * 2020-09-30 2020-12-22 北京百度网讯科技有限公司 生成单目标检测神经网络的方法和装置
CN112200251A (zh) * 2020-10-15 2021-01-08 重庆科技学院 一种基于多尺度卷积神经网络的监测系统数据评估方法
CN112874456A (zh) * 2021-01-12 2021-06-01 燕山大学 一种智能车辆调节方法及系统
CN112990443A (zh) * 2021-05-06 2021-06-18 北京芯盾时代科技有限公司 神经网络评价方法及装置、电子设备、存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633079A (zh) * 2017-09-25 2018-01-26 重庆邮电大学 一种基于数据库与神经网络的车机自然语言人机交互算法
CN108009284A (zh) * 2017-12-22 2018-05-08 重庆邮电大学 采用半监督卷积神经网络的法律文本分类方法
CN108491514A (zh) * 2018-03-26 2018-09-04 清华大学 对话系统中提问的方法及装置、电子设备、计算机可读介质
CN109063035A (zh) * 2018-07-16 2018-12-21 哈尔滨工业大学 一种面向出行领域的人机多轮对话方法
CN109241530A (zh) * 2018-08-29 2019-01-18 昆明理工大学 一种基于N-gram向量和卷积神经网络的中文文本多分类方法
CN109240123A (zh) * 2018-10-09 2019-01-18 合肥学院 一种面向智能物流车的在环仿真方法及系统
CN109299262A (zh) * 2018-10-09 2019-02-01 中山大学 一种融合多粒度信息的文本蕴含关系识别方法
CN109376603A (zh) * 2018-09-25 2019-02-22 北京周同科技有限公司 一种视频识别方法、装置、计算机设备及存储介质
CN109543030A (zh) * 2018-10-12 2019-03-29 平安科技（深圳）有限公司 客服机器人会话文本分类方法及装置、设备、存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633079A (zh) * 2017-09-25 2018-01-26 重庆邮电大学 一种基于数据库与神经网络的车机自然语言人机交互算法
CN108009284A (zh) * 2017-12-22 2018-05-08 重庆邮电大学 采用半监督卷积神经网络的法律文本分类方法
CN108491514A (zh) * 2018-03-26 2018-09-04 清华大学 对话系统中提问的方法及装置、电子设备、计算机可读介质
CN109063035A (zh) * 2018-07-16 2018-12-21 哈尔滨工业大学 一种面向出行领域的人机多轮对话方法
CN109241530A (zh) * 2018-08-29 2019-01-18 昆明理工大学 一种基于N-gram向量和卷积神经网络的中文文本多分类方法
CN109376603A (zh) * 2018-09-25 2019-02-22 北京周同科技有限公司 一种视频识别方法、装置、计算机设备及存储介质
CN109240123A (zh) * 2018-10-09 2019-01-18 合肥学院 一种面向智能物流车的在环仿真方法及系统
CN109299262A (zh) * 2018-10-09 2019-02-01 中山大学 一种融合多粒度信息的文本蕴含关系识别方法
CN109543030A (zh) * 2018-10-12 2019-03-29 平安科技（深圳）有限公司 客服机器人会话文本分类方法及装置、设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
L. GUO等: ""Automatic Sensor Correction of Autonomous Vehicles by Human-Vehicle Teaching-and-Learning"", 《IEEE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115920A (zh) * 2020-09-30 2020-12-22 北京百度网讯科技有限公司 生成单目标检测神经网络的方法和装置
CN112200251A (zh) * 2020-10-15 2021-01-08 重庆科技学院 一种基于多尺度卷积神经网络的监测系统数据评估方法
CN112874456A (zh) * 2021-01-12 2021-06-01 燕山大学 一种智能车辆调节方法及系统
CN112874456B (zh) * 2021-01-12 2022-04-19 燕山大学 一种智能车辆调节方法及系统
CN112990443A (zh) * 2021-05-06 2021-06-18 北京芯盾时代科技有限公司 神经网络评价方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN110110846A (zh) 基于卷积神经网络的辅助驾驶人车交互方法
CN108229474B (zh) 车牌识别方法、装置及电子设备
CN106156003B (zh) 一种问答系统中的问句理解方法
CN109902145A (zh) 一种基于注意力机制的实体关系联合抽取方法和系统
CN109697232A (zh) 一种基于深度学习的中文文本情感分析方法
CN112990296B (zh) 基于正交相似度蒸馏的图文匹配模型压缩与加速方法及系统
CN108009285A (zh) 基于自然语言处理的林业生态环境人机交互方法
CN110321967A (zh) 基于卷积神经网络的图像分类改进算法
Zhang et al. Road vehicle detection and classification based on Deep Neural Network
CN107662617A (zh) 基于深度学习的车载交互控制算法
CN105373777A (zh) 一种用于人脸识别的方法及装置
CN109284361A (zh) 一种基于深度学习的实体抽取方法及系统
CN104809501A (zh) 一种基于类脑协处理器的计算机系统
CN109492223A (zh) 一种基于神经网络推理的中文缺失代词补全方法
CN109598002A (zh) 基于双向循环神经网络的神经机器翻译方法和系统
CN107194422A (zh) 一种结合正反向实例的卷积神经网络关系分类方法
CN103065158A (zh) 基于相对梯度的isa模型的行为识别方法
Loey et al. Deep learning autoencoder approach for handwritten arabic digits recognition
CN108470061A (zh) 一种针对视角级文本的情感分类系统
CN111582576A (zh) 一种基于多尺度特征融合和门控单元的预测系统及方法
Bian et al. Ensemble feature learning for material recognition with convolutional neural networks
CN114841151B (zh) 基于分解-重组策略的医学文本实体关系联合抽取方法
CN106529604A (zh) 一种自适应的图像标签鲁棒预测方法及系统
CN113836319B (zh) 融合实体邻居的知识补全方法及系统
CN107944468A (zh) 基于隐空间编码的零样本学习分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190809