基于深度学习与词嵌入的情感分析系统设计与实现 一、研究目的 针对文本进行句子和段落级的情感倾向性分析，利用算法来判断句子的情感色彩。研究的目标在于提高情感分析算法的准确性，不断学习，不断提高和优化算法。在实际数据集上的进行模型训练与调优，并对模型进行简单的封装和部署。 二、研究方法 主要使用基于深度学习的方法，数据集采用论文常用的 IMDB 数据集，旨在提高最终设计模型的准确性。本文尝试吸收其他深度学习模型优点，自己设计了 7 个深度学习模型。本文主要创新点在于，利用模型集成融合里的堆叠法的思想，实现了 3 个树形的传统机器学习算法与 7个深度学习模型的集成。 三、研究结论 在第一个IMDB数据集上经过AUC评分，计算重合的面积， 可以达到95.97%分，排名能达到前15%。 在第二个twitter数据集上经过F1 Score的评分方法，得到了 0.7131280389的分数，排名196/614，30%左右。 四、目录 1 绪论 1.1研究背景 1.2 研究内容 1.3 章节结构 2 系统设计 2.1 系统功能设计 2.2 系统各模块详细功能 2.3 主界面设计 2.4 本章小结 3 系统实现 3.1 概述 3.2 数据处理与特征提取选择 3.3 深度学习 3.4 机器学习 3.5 模型集成融合 3.6 系统部署 3.7 本章小结 4 系统测试 4.1 数据集 4.2 模型调优 4.3 整体测试 4.4 本章小结 5 总结与展望 5.1 总结 5.2 展望 5.3 本章小结 参考文献 致谢 来源https://github.com/dyngq/sentiment-analysis-project

基于 SVM 分类器的动作识别系统 一、研究目的 本项目对经典 SVM 二分类算法进行研究，在此基础上将 SVM 算法推广到了多分类中。此外通过获取智能手机中的加速度传感器、陀螺仪和方位传感器的数据，搭建了一个动作数据采集、传输和存储平台，支持多用户传输存储其动作数据。采用 SVM 多分类算法训练预处理后的动作数据，并采用粒子群优化算法(PSO)对 SVM 参数进行优化，建立动作分类模型.识别出用户的动作意图。 二、研究方法 在分析理解 SVM 算法的基础上，将传统的 SVM 二分类模型延伸到多分类，使其适应本文的动作识别系统的需要。并提出使用 PSO 对 SVM 参数进行优化； 搭建了一个针对动作数据的采集、传输和存储平台。 搭建智能家居模拟模块，能够模拟实体智能家居设备的各类属性和状态，包括：能够发出学习信号，对新的动作数据进行有效的学习；能够接收控制命令，并根据控制命令改变自身的属性和状态； 完成 SVM 核心算法模块，模块功能包含：对动作数据进行系列预处理，对新的动作数据进行 SVM 算法学习并构建模型，能够通过模型对用户的动作数据进行学习并预测得出的动作意图结果，向智能家居模拟模块广播控制命令，使其相应地改变属性状态； 为了验证 SVM 分类器动作识别系统应用到智能家居控制交互模块中的大规模应用的可能性，整合上述功能，并实现了多用户同时在线使用和分析的场景； 最后运用其他分类算法，如 KNN 算法、神经网络等对相同动作数据进行分类学习，简单比较不同算法的不同特性。 三、研究结论 本文在综合介绍和了解分析动作识别领域和 SVM 算法的背景下，提出并实现了通过调用智能手机各动作传感器来采集用户的动作信号，并使用 SVM 算法分析动作信号，最终搭建完成了一个基于 SVM 分类器的动作识别系统。 四、目录 前 言 第一章 绪 论 第一节 研究背景及意义 第二节 国内外研究现状 第三节 论文结构 第四节 本文主要任务与成果 第五节 本章小结 第二章 SVM 算法研究 第一节 SVM 方法介绍. 一、最优分类面 二、支持向量机 第二节 多分类的支持向量机 第三节 本文 SVM 算法的实现 第四节 粒子群优化 SVM 参数 一、SVM 参数介绍 二、粒子群优化算法介绍 三、粒子群优化 SVM 参数 第五节 本章小结 第三章 动作采集模块设计与实现. 第一节 动作采集模块概述 第二节 采集动作特征说明 一、加速度传感器 二、陀螺仪 三、方向传感器 第三节 动作采集 APP 设计与实现 一、APP 设计概要 二、动作采集和传输方案 第四节 本章小结 第四章 动作识别模块设计与实现 第一节 动作识别模块概述 一、后台架构 二、系统运行流程 第二节 数据预处理 第三节 动作预测模块 第四节 动作学习模块 第五节 本章小结 第五章 智能家居模拟模块的设计与实现 第一节 模拟学习模块 第二节 模拟显示模块 第三节 本章小结 第六章 结 论 第一节 其他分类算法效果比较 一、K 临近算法 二、神经网络算法 三、结论 第二节 总结与展望 一、总结 二、展望 第三节 本章小结 致 谢 参考文献 附 录 一、 英文原文 二、 英文翻译 三、 部分核心源程序代码 来源https://github.com/zhuke1993/GraduationProject_KeZhu

基于颜色和BP神经网络的车牌定位和识别系统 一、研究目的 车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。良好的车牌识别系统，能提高效率，节省大量的人力物力。本文对车牌识别系统中的车牌定位，车牌字符分割和车牌字符识别这三个主要技术进行研究。 二、研究方法 车牌定位：针对复杂环境下的车牌定位，提出基于颜色的BP神经网络的定位算法，通过车牌底色库（蓝底）训练网络，使之具备区分蓝色与非蓝色能力，从而实现车牌的定位。 车牌字符分割：采用改进的垂直投影算法，可以较好、较快地分割出车牌字符的位置。 字符识别：仍然采用基于BP神经网络算法，通过建立字符库，训练网络使之具有区分34个不同字符的能力，最终实现车牌字符的识别。 三、研究结论 车牌定位方面，由于采用基于颜色定位方法，要求要定位的车牌图像质量较清晰，车牌底色为蓝色或和标准蓝色相差不大，这时BP网络能非常有效地区分蓝色与非蓝色，从而定位。 字符分割方面，采用基于垂直投影特征值的方法，能有效地分割字符。 字符识别方面，实验过程发现当车牌定位和字符分割均能得到较好结果时大多数情况下均能有效地识别。 四、目录 摘要 关键词 第一章 引言 1.1 车牌识别的研究意义 1.2 车牌识别系统现状 1.3 车牌识别系统研究内容 1.4 章节安排 第二章 基于颜色和BP神经网络的车牌定位 2.1 彩色图像显示 2.2 色彩空间RGB到Cr Cb的转换 2.3 BP神经网络原理 2.4 基于Cr Cb的神经网络车牌定位 第三章 车牌字符定位与字符分割 3.1 图像投影技术 3.2 基于图像投影技术的车牌字符定位与分割技术 第四章 基于颜色和BP神经网络的字符识别 4.1 车牌字符库的建立 4.2 基于BP神经网络的字符识别 第五章 结论 参考资料 致 谢 Abstract(Key words) 来源https://github.com/Hellowei/BPproject

基于 U-Net 网络的遥感图像语义分割 一、研究目的 U-Net 是一种由全卷积神经网络启发的对称结构网络，在医疗影像分割领域取得了很好的效果。 此次研究尝试使用 U-Net 网络在对多光谱遥感影像数据集上进行训练，尝试使用卷积神经网络自动分割出建筑，希望能够得到一种自动分割遥感影像的简便方法。 二、研究方法 首先提出了一种基于遥感图像类别比率的交叉熵损失函数——类别平衡交叉熵。并与应用于医疗图像分割的 U-Net 相结合，将其应用于遥感图像语义分割。 在 Inria Aerial Image Labeling Dataset 训练数据集上分别使用交叉熵损失函数和类别平衡交叉熵损失函数进行训练，得到两个训练好的卷积神经网络。再利用这两个网络在 Inria Aerial Image Labeling Dataset 测试数据集上生成预测图像进行比对。 三、研究结论 两种方法在正确率和交叉熵上没有太大差别，以交叉熵作为损失函数略优于以类别平衡交叉熵方法。但是这两种方法在F1 Score 上有较大差别。交叉熵的 F1 Score 为 0.47，类别平衡交叉熵的F1 Score 为 0.51，类别平衡交叉熵较交叉熵提高了 8.5%。 四、目录 第一章 绪论 1.1 研究背景与意义 1.2 国内外研究现状 1.2.1 语义分割研究现状 1.2.2 将深度学习应用于遥感图像分割现状 1.3 本文的主要工作 1.4 论文章节安排 第二章 背景知识 2.1 全卷积网络 2.2 使用全连接网络进行精准分割 2.2.1 线性结构网络 2.2.2 对称结构网络 第三章 实验设计 3.1 数据集选择及处理 3.2 图像处理流程设计 3.2.1 网络结构 3.2.2 卷积核初始化方案 3.2.3 输出图像恢复及优化 3.3 损失设计 3.3.1 交叉熵 3.3.2 带权重的交叉熵 3.3.3 类别平衡交叉熵 3.4 结果评估 3.5 具体实现 3.5.1 实验平台 3.5.2 模型实现 第四章 实验 4.1 网络初始化设计 4.2 实验结果 4.2.1 第一组：交叉熵 4.2.2 第二组：类别平衡交叉熵 4.2.3 结果分析 4.3 典型错误 4.3.1 建筑过大 4.3.2 错认 4.3.3 树木和光影 4.4 最终结果 第五章 总结和展望 5.1 全文总结 5.2 未来展望 致谢 参考文献 来源https://github.com/gzr2017/UNet-AerialImageSegmentation

基于AdaBoost算法的情感分析研究 一、研究目的 通过对带有情感色彩的主观性文本进行分析、处理、归纳然后进行推理。通过情感分析可以获取网民的此时的心情，对某个事件或事物的看法，可以挖掘其潜在的商业价值，还能对社会的稳定做出一定的贡献。 二、研究方法 （1）使用微博官方的API对微博进行抓取，进行分类标注。 （2）对微博文本进行预处理，主要包括去掉无意义，对微博文本没有影响的词语。 （3）使用SVM算法对文本进行初步的筛选，主要是去除特别明显的广告等无关性的微博。 （4）使用朴素贝叶斯对微博进行情感分析，将微博分为积极、消极、客观三类，同时使用AdaBoost算法对朴素贝叶斯算法进行加强。 三、研究结论 主要实现： 对微博的降噪清理、对无关性的微博本文进行过滤、使用了朴素贝叶斯对微博进行情感分类、使用AdaBoost算法对朴素贝叶斯进行加强。 可改进: （1）在情感分析的前提下，能够对某些微博中的评论来分析用户的情感倾向性，比如某些热点事件，分析大部分网民对热点事件的喜怒哀乐。同时，也可以根据该热点事件中牵涉到的时间、地点、人物等，对其深入的挖掘，甚至是做出预测性分析。 （2）可更改情感分类的策略，以更精确的分析用户的语言现象，比如分析用户的程度副词如“非常”、“超级”等，结合文本中的标点符号和重复的词语，进行综合的整体建模。 （3）除了针对某些热点事件之外，还可获取个人所有的微博进行分析。从一个人的所有微博中可以获取其情感方向的估计，比如对某件事件的喜欢或者厌恶，对某些品牌的热衷与唾弃等。 四、目录 前 言 第一章 概述 1.1 研究背景和现状 1.2 情感分析的概念 1.3 本文的内容安排 第二章 微博的获取与清理 2.1 概述 2.2 微博的反爬虫机制 2.2.1 通过Headers反爬虫 2.2.2 基于用户行为的爬虫 2.2.3 动态页面的反爬虫 2.2.4 微博的反爬虫 2.3 微博的获取 2.3.1 微博API的获取 2.3.2 模拟登录 2.3.3 微博抓取与存储 2.4 微博的分词与降噪 2.4.1 概念 2.4.2 分词 2.4.3 删除URL 2.4.4 删除用户名 2.4.5 去除停用词 2.5 本章小结 第三章 SVM初步分类 3.1 概念 3.1.1 线性分类 3.2 SVC 3.2.1 线性支持向量分类机 3.2.2 算法描述 3.3 实验 3.3.1 选取特征 3.3.2 降噪 3.3.3 特征降维 3.3.4 将文本样本变成特征显示 3.3.5 将文本随机分成训练集、测试集 3.3.6 进行训练和预测 3.4 本章小结 第四章 利用贝叶斯定理进行情感分析 4.1 引言 4.2 贝叶斯定理 4.2.1 高斯朴素贝叶斯 4.2.2 伯努利贝叶斯 4.2.3 多项式朴素贝叶斯定理 4.3 本文中的多项式朴素贝叶斯 4.3.1 算法过程 4.3.2 拉普拉斯平滑 4.4 实验 4.4.1 分词 4.4.2 特征提取 4.4.3 向量化 4.4.4 朴素贝叶斯分类 4.4.5 测试 4.4.6 计算准确率 4.5 本章小结 第五章 利用AdaBoost加强分类器 5.1 集成学习 5.1.1 发展历史 5.1.2 Bagging方法 5.1.3 Boosting方法 5.2 ADABOOST 5.2.1 概念 5.2.2 举例 5.2.3 算法描述 5.3 ADABOOST提升朴素贝叶斯文本分类 5.4 多类问题 5.4.1 AdaBoost.M1算法 5.4.2 AdaBoost.SAMME 5.4.3 AdaBoost.SAMME.R 5.5 实验 5.5.1 二分类 5.5.2 多分类 5.6 本章小结 第六章 总结与展望 6.1 本文主要内容总结 6.2 存在问题及未来研究展望 参考文献 致 谢 来源：https://github.com/Zephery/weiboanalysis