CN114004165B - 一种基于BiLSTM的民航单机组意图建模方法 - Google Patents
一种基于BiLSTM的民航单机组意图建模方法 Download PDFInfo
- Publication number
- CN114004165B CN114004165B CN202111306080.XA CN202111306080A CN114004165B CN 114004165 B CN114004165 B CN 114004165B CN 202111306080 A CN202111306080 A CN 202111306080A CN 114004165 B CN114004165 B CN 114004165B
- Authority
- CN
- China
- Prior art keywords
- civil aviation
- single unit
- aviation single
- intention
- unit
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000010977 unit operation Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000010399 physical interaction Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000001960 triggered effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BiLSTM的民航单机组意图建模方法。步骤如下:由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流,采样操作序列,对操作序列进行数据预处理;由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获,得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵;由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值,以标准化概率分数值为依据得到民航单机组飞行意图预测标签的识别结果。本发明从飞行模拟系统记录的数据中提取民航单机组操作序列,识别民航单机组行为模式内在关联知识,确认其所触发的飞行任务事件,有效提升民航单机组意图识别能力。
Description
技术领域
本发明涉及民用航空器飞行机组意图建模技术领域,特别是涉及一种基于BiLSTM的民航单机组意图建模方法。
背景技术
民航单机组驾驶模式作为未来民机发展的核心方向之一,能在确保当前商用飞机双人制机组同等安全性水平下减少机上飞行员数量,具有消除决策冲突,提高决策效率以及降低民机运行成本等优势。研究发现,飞行机组与机载自动化系统间的合作缺失能因二者间矛盾的飞行意图引发对航空器飞行控制权的争夺,因此有必要尝试建模民航单机组意图模型,以允许民航单机组向机载自动化系统传递其潜在飞行任务意图,实现自动化系统主动人机协同控制。
传统的飞行机组意图建模方法使用经典和现代控制理论研究人的传递函数模型以实现对飞行员行为模式的描述;或基于模糊逻辑算法推演并理解飞行情景下的机组行动;或建立面向安全关键系统中人为错误的飞行员行为认知架构。上述方法无论从人机交互设计的评价维度上还是模型的能力上,都难以应对愈加复杂的飞行机组任务意图识别挑战。
发明内容
鉴于现有技术状况和存在的问题,本发明提供一种基于BiLSTM的民航单机组意图建模方法。
本发明采取的技术方案是:一种基于BiLSTM的民航单机组意图建模方法,其特征在于,包括如下步骤:
S1:由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流,采样操作序列,对操作序列进行数据预处理。
S2:由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获,得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵。
S3:由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值,以标准化概率分数值为依据得到操作序列的民航单机组飞行意图预测标签的识别结果。
数据处理模块输出的独热数据矩阵是数据特征获取模块进行特征捕获的前提,数据特征获取模块输出的隐藏单元矩阵是神经网络匹配模块识别民航单机组飞行意图预测标签的依据。
在步骤S1中,所述数据处理模块采样的操作序列由民航单机组与飞行模拟系统间的物理交互行为组成,将这些物理交互行为定义为民航单机组操作项。
在步骤S1中,所述数据处理模块对操作序列进行数据预处理,数据预处理的步骤包括:
S11:将未知任务意图的民航单机组与飞行模拟系统交互数据流中采样的操作序列切分。
S12:对切分后的操作序列应用独热编码方法,生成对应的独热数据矩阵。
所述独热编码方法使用N位状态寄存器对N个民航单机组操作项分别进行编码,将离散的民航单机组操作项映射成N维二进制的独热编码向量χ(b(yi)),组合独热编码向量χ(b(yi))得到独热数据矩阵M,具体方法如下:
S121:设b(yi)为民航单机组操作项yi的正整数索引,有b(yi)=i,其中,i∈{1,…,N};
S122:设民航单机组操作项yi的独热编码向量为χ(b(yi)),独热编码向量χ(b(yi))的公式如下:
其中,χ(b(yi))是N维二进制向量,N代表民航单机组操作项总数,χ(b(yi))l为N维二进制向量χ(b(yi))的第l维元素;
S123:最后,按照操作序列中民航单机组操作项的次序,对民航单机组操作项映射生成的独热编码向量χ(b(yi))进行组合,得到独热数据矩阵M。
所述先使用序列特征获取模块中的序列输入层输入独热数据矩阵M,再使用序列特征获取模块中的BiLSTM层分别从正向和反向对独热数据矩阵M进行扫描,输出隐藏单元矩阵H,隐藏单元矩阵H捕获了独热数据矩阵中由独热编码向量χ(b(yi))所表示的民航单机组操作项间的双向长期相关信息。
所述神经网络匹配模块依次应用全连接层、Softmax层和分类输出层;全连接层包含若干神经元,每一神经元对应一类民航单机组飞行意图标签,隐藏单元矩阵H将被映射至全连接层中的所有神经元;Softmax层使用标准化指数函数为全连接层中的所有神经元计算标准化概率分数值;分类输出层根据标准化概率分数值输出所述操作序列的民航单机组飞行意图预测标签的识别结果。
所述收集切分后的操作序列,手动注释每一段操作序列的民航单机组飞行意图标签,对操作序列进行数据预处理和特征捕获,输入所述神经网络匹配模块中进行深度学习训练;所述神经网络匹配模块输出民航单机组飞行意图预测标签,将其与民航单机组飞行意图实际标签进行比较,对所述基于BiLSTM的民航单机组意图建模方法的超参数进行调整。
与现有的技术相比较,本发明的优点在于:本发明从民航单机组与飞行模拟系统交互数据流中采样的操作序列包含有与民航单机组飞行意图密切相关的驾驶行为数据信息;独热编码方法作为所述基于BiLSTM的民航单机组意图建模方法的数据预处理方法,能有效建立起与操作序列具有高度关联性和特征代表性的独热数据矩阵,十分便于BiLSTM层开展特征捕获,进一步输出用来驱动深度学习训练过程的隐藏单元矩阵。因此,基于BiLSTM的民航单机组意图建模方法具有高度的技术推广及理论研究价值。
附图说明
图1为本发明实施例中基于BiLSTM的民航单机组意图识别系统的结构示意图;
图2为本发明实施例中基于BiLSTM的民航单机组意图建模方法的网络架构示意图。
具体实施方式
以下结合附图和实施例对本发明做进一步说明。
如图1所示,为本实施例的基于BiLSTM的民航单机组意图识别系统的结构示意图,具体方法包括如下步骤:
S1:由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流,采样操作序列,对操作序列进行数据预处理。
此步骤是BiLSTM网络理解民航单机组驾驶行为模式的基础,其目的是从民航单机组与飞行模拟系统交互数据流中采样民航单机组与飞行模拟系统的物理交互行为,例如:发动机燃油控制开关CUTOFF、发动机点火开关AUTO、发动机引气开关按出、引气压力检查、发动机起动开关按压、发动机中止起动开关按压以及ATC通知等,将这些物理交互行为定义为民航单机组操作项,这些民航单机组操作项是完成飞行任务事件的充分条件,因此和任务意图信息高度关联。对物理交互行为的采样将组成能精确反映民航单机组任务意图信息的操作序列,并在操作序列的基础上开展数据预处理,数据预处理的步骤包括:
S11:将未知任务意图的民航单机组与飞行模拟系统交互数据流中采样的操作序列切分。
S12:对切分后的操作序列应用独热编码方法,生成对应的独热数据矩阵。
本实施例中,应用独热编码方法将民航单机组操作项yi编码成N维二进制向量χ(b(yi)),N代表民航单机组操作项总数。已知本实施例中的民航单机组操作项总数为92,因此操作项yi被编码成92维二进制向量,向量中的每一维度正好代表一个民航单机组操作项特征,具体步骤包括:
S121:设b(yi)为民航单机组操作项yi的正整数索引,有b(yi)=i,其中,i∈{1,…,92}。
S122:设民航单机组操作项yi的独热编码向量为χ(b(yi)),独热编码向量χ(b(yi))的公式如下:
其中,χ(b(yi))是92维二进制向量,χ(b(yi))l为92维二进制向量χ(b(yi))的第l维元素。
S123:最后,按照操作序列中民航单机组操作项的次序,对民航单机组操作项映射生成的独热编码向量χ(b(yi))进行组合,可得到独热数据矩阵M。
S2:由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获,得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵。
其中,符号“*”表示哈达玛乘积;
其中,符号“*”表示哈达玛乘积;
如图2所示,图2为本实施例的基于BiLSTM的民航单机组意图建模方法的网络架构示意图,定义操作序列[y57 y69 y68 y67 y70 y71 y44]作为输入,验证基于BiLSTM的民航单机组意图建模方法的分类性能。其中:操作项y57为“发动机燃油控制开关CUTOFF”,操作项y69为“发动机点火开关AUTO”,操作项y68为“发动机引气开关按出”,操作项y67为“引气压力检查”,操作项y70为“发动机起动开关按压”,操作项y71为“发动机中止起动开关按压”,操作项y44为“ATC通知”。
已知正向第1个时间步的操作项为y57,设正向第1个时间步的输入向量为a1,有
a1=χ(b(y57))=χ(57)(17)
故正向第1个时间步的隐藏状态为
两个LSTM层各设置有32个隐藏单元,因此在时间步t输出的正向隐藏状态或反向隐藏状态/>皆是32维向量,经过级联形成64维向量的隐藏状态,如图2所示,隐藏单元矩阵H的特征维数是64,该隐藏单元矩阵H将作为下一步骤的输入数据。
S3:由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值,以标准化概率分数值为依据得到操作序列的民航单机组飞行意图预测标签的识别结果。
本实施例中,步骤S3的实现需要应用全连接层、Softmax层和分类输出层。如图2所示,全连接层包含了11个神经元,以匹配11个优选的民航单机组飞行意图标签,隐藏单元矩阵H将被映射至全连接层中的这11个神经元;Softmax层使用标准化指数函数为这11个与民航单机组飞行意图标签一一对应的神经元计算标准化概率分数值;分类输出层根据标准化概率分数值输出操作序列的民航单机组飞行意图预测标签:发动机尾喷失火并紧急灭火。
本实施例中,收集切分后的操作序列,手动注释每一段操作序列的民航单机组飞行意图标签,对操作序列进行数据预处理和特征捕获,输入神经网络匹配模块中进行深度学习训练;神经网络匹配模块输出民航单机组飞行意图预测标签,将其与民航单机组飞行意图实际标签进行比较,对基于BiLSTM的民航单机组意图建模方法的超参数进行调整。
本发明从大量的民航单机组与飞行模拟系统交互数据流中学习操作序列的内在关联规则,挖掘操作序列与民航单机组飞行意图的潜在交联关系,认知民航单机组飞行意图推演机理,识别从民航单机组驾驶行径到飞行任务事件的逻辑路径,实现对操作序列的民航单机组飞行意图预测标签的识别;经过计算,基于BiLSTM的民航单机组意图建模方法的识别准确率达到0.9444,因此本建模方法对民航单机组飞行意图标签具有极佳的识别能力。
图2中展示与本实施例相关的独热数据矩阵及其特征维数、隐藏单元矩阵及其特征维数、飞行意图标签数等等。在实际实施中,上述变量可以依照具体案例发生改变,也就是说,具体实施例仅是示例性质的,并不构成对本发明的任何限定。
Claims (4)
1.一种基于BiLSTM的民航单机组意图建模方法,其特征在于,包括如下步骤:
S1:由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流,采样操作序列,对操作序列进行数据预处理;所述数据处理模块采样的操作序列由民航单机组与飞行模拟系统间的物理交互行为组成,将这些物理交互行为定义为民航单机组操作项;
S2:由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获,得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵;先使用序列特征获取模块中的序列输入层输入独热数据矩阵M,再使用序列特征获取模块中的BiLSTM层分别从正向和反向对独热数据矩阵M进行扫描,输出隐藏单元矩阵H,隐藏单元矩阵H捕获了独热数据矩阵中由独热编码向量χ(b(yi))所表示的民航单机组操作项间的双向长期相关信息;
S3:由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值,以标准化概率分数值为依据得到操作序列的民航单机组飞行意图预测标签的识别结果;
神经网络匹配模块依次应用全连接层、Softmax层和分类输出层;全连接层包含若干神经元,每一神经元对应一类民航单机组飞行意图标签,隐藏单元矩阵H将被映射至全连接层中的所有神经元;Softmax层使用标准化指数函数为全连接层中的所有神经元计算标准化概率分数值;分类输出层根据标准化概率分数值输出所述操作序列的民航单机组飞行意图预测标签的识别结果;
数据处理模块输出的独热数据矩阵是数据特征获取模块进行特征捕获的前提,数据特征获取模块输出的隐藏单元矩阵是神经网络匹配模块识别民航单机组飞行意图预测标签的依据;
在步骤S1中,所述数据处理模块对操作序列进行数据预处理,数据预处理的步骤包括:
S11:将未知任务意图的民航单机组与飞行模拟系统交互数据流中采样的操作序列切分;
S12:对切分后的操作序列应用独热编码方法,生成对应的独热数据矩阵。
2.根据权利要求1所述的一种基于BiLSTM的民航单机组意图建模方法,其特征在于,所述独热编码方法使用N位状态寄存器对N个民航单机组操作项分别进行编码,将离散的民航单机组操作项映射成N维二进制的独热编码向量χ(b(yi)),组合独热编码向量χ(b(yi))得到独热数据矩阵M,具体方法如下:
S121:设b(yi)为民航单机组操作项yi的正整数索引,有b(yi)=i,其中,i∈{1,…,N};
S122:设民航单机组操作项yi的独热编码向量为χ(b(yi)),独热编码向量χ(b(yi))的公式如下:
其中,χ(b(yi))是N维二进制向量,N代表民航单机组操作项总数,χ(b(yi))l为N维二进制向量χ(b(yi))的第l维元素;
S123:最后,按照操作序列中民航单机组操作项的次序,对民航单机组操作项映射生成的独热编码向量χ(b(yi))进行组合,得到独热数据矩阵M。
4.根据权利要求1所述的一种基于BiLSTM的民航单机组意图建模方法,其特征在于,收集切分后的操作序列,手动注释每一段操作序列的民航单机组飞行意图标签,对操作序列进行数据预处理和特征捕获,输入所述神经网络匹配模块中进行深度学习训练;所述神经网络匹配模块输出民航单机组飞行意图预测标签,将其与民航单机组飞行意图实际标签进行比较,对所述基于BiLSTM的民航单机组意图建模方法的超参数进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306080.XA CN114004165B (zh) | 2021-11-05 | 2021-11-05 | 一种基于BiLSTM的民航单机组意图建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306080.XA CN114004165B (zh) | 2021-11-05 | 2021-11-05 | 一种基于BiLSTM的民航单机组意图建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004165A CN114004165A (zh) | 2022-02-01 |
CN114004165B true CN114004165B (zh) | 2023-03-31 |
Family
ID=79928123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111306080.XA Active CN114004165B (zh) | 2021-11-05 | 2021-11-05 | 一种基于BiLSTM的民航单机组意图建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004165B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017832B (zh) * | 2022-08-09 | 2022-10-25 | 中国民航大学 | 一种面向飞机作动系统的状态预测方法 |
CN117978916B (zh) * | 2024-04-01 | 2024-05-28 | 中国民用航空飞行学院 | 一种管制员通话负荷预测方法及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443448A (zh) * | 2019-07-01 | 2019-11-12 | 华中科技大学 | 一种基于双向lstm的飞机机位分类预测方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019229768A1 (en) * | 2018-05-28 | 2019-12-05 | Thottapilly Sanjeev | A bot engine for automatic dynamic intent computation |
CN110309797A (zh) * | 2019-07-05 | 2019-10-08 | 齐鲁工业大学 | 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统 |
CN113220839B (zh) * | 2021-05-13 | 2022-05-24 | 亿咖通(湖北)技术有限公司 | 一种意图识别方法、电子设备及计算机可读存储介质 |
-
2021
- 2021-11-05 CN CN202111306080.XA patent/CN114004165B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443448A (zh) * | 2019-07-01 | 2019-11-12 | 华中科技大学 | 一种基于双向lstm的飞机机位分类预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114004165A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004165B (zh) | 一种基于BiLSTM的民航单机组意图建模方法 | |
Coşkun et al. | Face recognition based on convolutional neural network | |
CN112070058A (zh) | 人脸面部复合情感表情识别方法及系统 | |
Bentoumi et al. | Improvement of emotion recognition from facial images using deep learning and early stopping cross validation | |
US11790646B2 (en) | Network for interacted object localization | |
Boukabous et al. | Image and video-based crime prediction using object detection and deep learning | |
CN115048870A (zh) | 基于残差网络和注意力机制的目标轨迹识别方法 | |
Truong et al. | Vietnamese handwritten character recognition using convolutional neural network | |
Pandey et al. | Face recognition using machine learning | |
Al-Haija | Leveraging ShuffleNet transfer learning to enhance handwritten character recognition | |
CN116092127A (zh) | 基于并联式特征融合网络人体动作识别的行人重识别方法 | |
Zhou et al. | Fault classification for on-board equipment of high-speed railway based on attention capsule network | |
Sun et al. | Detection and recognition of text traffic signs above the road | |
CN114818853A (zh) | 基于双向门控循环单元和条件随机场的意图识别方法 | |
Gong et al. | Human interaction recognition based on deep learning and HMM | |
Ma et al. | An improved deep learning network structure for multitask text implication translation character recognition | |
CN117852541A (zh) | 一种实体关系三元组抽取方法、系统及计算机设备 | |
CN112329648A (zh) | 基于面部表情交互的人际关系行为模式识别方法 | |
CN117152504A (zh) | 一种空间相关性引导的原型蒸馏小样本分类方法 | |
CN114357166B (zh) | 一种基于深度学习的文本分类方法 | |
CN117195031A (zh) | 一种基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法 | |
CN113342982B (zh) | 融合RoBERTa和外部知识库的企业行业分类方法 | |
Rajesh et al. | Hybrid neural network for handwritten mathematical expression recognition system | |
Liu et al. | Recognition of plant leaf diseases based on shallow convolutional neural network | |
Deng et al. | Knowledge-based scene text recognition for industrial applications |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |