【LSTM分类】基于卷积神经网络结合双向长短时记忆CNN |
您所在的位置:网站首页 › 卷积matlab实现 › 【LSTM分类】基于卷积神经网络结合双向长短时记忆CNN |
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。 🍎个人主页:Matlab科研工作室 🍊个人信条:格物致知。 更多Matlab仿真内容点击👇 智能优化算法 神经网络预测 雷达通信 无线传感器 电力系统 信号处理 图像处理 路径规划 元胞自动机 无人机 ⛄ 内容介绍一种基于长短时记忆网络和卷积神经网络的文本分类方法,首先,利用词向量将输入文本进行向量表示,通过三层CNN提取文本的局部特征,进而整合出全文语义,同时,使用LSTM存储文本序列中历史信息的特征,以获取文本的上下文依赖关系,其次,将输入向量分别与各层CNN的输出相融合,缓解深层神经网络中层与层之间特征传递时出现的特征丢失问题.本发明适用于文本分类,具有运行效率高,运行时间短的优点,解决了传统分类技术在处理复杂抽象和上下文的强相关性文本时的缺陷. % Max_iter: Maximum iterations, N: Populatoin size, Convergence_curve: Convergence curve rand('seed',sum(100 * clock)); % Random number seed z = 0.03; % Adjustable parameter % Initialize the position of slime mould lb = ones(1,dim).*lb; % Lower boundary ub = ones(1,dim).*ub; % Upper boundary X = initialization(N,dim,ub,lb); % It can be downloaded from https://github.com/Shihong-Yin bestPositions = zeros(1,dim); % Optimal food source location Destination_fitness = inf; % Change this to -inf for maximization problems weight = ones(N,dim); % Fitness weight of each slime mould Convergence_curve = zeros(1,Max_iter); % Main loop for it = 1:Max_iter % Check the boundary and calculate the fitness FU = X>ub; FL = X |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |