En vista de la débil generalización de los métodos tradicionales de reconocimiento de eventos, la limitación de la dependencia del conocimiento de campo del experto, el mayor tiempo de entrenamiento de la red neuronal profunda y el problema de la dispersión del gradiente, se propuso el modelo conjunto de red neuronal, Conv-RDBiGRU, estructura residual integrada. En primer lugar, el corpus de texto se preprocesa mediante la segmentación de palabras y el procesamiento de las palabras de parada, y se utiliza la incrustación de palabras para formar la matriz de vectores de palabras. A continuación, se extraen las características semánticas locales mediante una operación de convolución, y las características semánticas de contexto profundo se extraen mediante RDBiGRU. Por último, las características aprendidas se activan mediante la función softmax y se obtienen los resultados del reconocimiento. La novedad del trabajo es que integramos la estructura residual en la red neuronal recurrente y combinamos estos métodos y el campo de aplicación. Los resultados de la simulación muestran que este método mejora la precisión y el recuerdo del reconocimiento de eventos de emergencia chinos, y el valor F es mejor que el de otros métodos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Composición química y actividad antimicrobiana del extracto de CO2 subcrítico de Lepidium latifolium L. (Brassicaceae)
Artículo:
Calidad de los servicios basada en el protocolo MAC WLAN inteligente Aplicaciones dinámicas en tiempo real en ciudades inteligentes
Artículo:
Mecanismo potencial del ejercicio combinado con extractos naturales para prevenir y tratar la osteoporosis posmenopáusica
Artículo:
Síntesis sencilla de un compuesto de grafeno y ZnO como ánodo con mejores prestaciones para baterías de iones de litio
Artículo:
Clasificación de picos mediante el modelado probabilístico conjunto de trenes de picos y formas de onda neuronales