增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

结合词语规则和 SVM 模型的军事命名实体关系抽取方法?

抽取作战文书中的军事命名实体关系，是实现作战文书语义理解的一种有效方法。在分析作战文书中军事命名实体词语规则的基础上，提出了一种结合词语规则和 SVM 模型的军事命名实体关系抽取方法。首先，使用词语规则整合作战文书中连续出现的军事命名实体并抽取其关系，使其更加适合 SVM 模型。然后，使用 SVM 模型对传统规则模板难以使用的词窗、词性和距离等特征进行建模，抽取军事命名实体关系。实验结果表明，优先利用词语规则能充分提高 SVM 模型抽取军事命名实体关系的效果，与单纯使用 SVM 模型相比，准确率和召回率分别提高了8．73％和41．71％。