Resumen

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.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:red neuronal profunda, problema de gradiente, métodos de reconocimiento de eventos, eventos de emergencia chinos, novedad del trabajo, limitaciones de dependencia, red neuronal recurrente, mayor tiempo de entrenamiento, matriz de palabra, estructura residual integrada
• Keywords:deep neural network, problem of gradient, events recognition methods, chinese emergency events, novelty of work, limitations of dependence, recurrent neural network, longer train time, matrix of word, integrated residual structure