• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積模型的農(nóng)業(yè)問答語性特征抽取分析

    2019-01-05 08:02:44張明岳吳華瑞朱華吉
    關(guān)鍵詞:分詞準(zhǔn)確率卷積

    張明岳 吳華瑞,2 朱華吉

    (1.國家農(nóng)業(yè)信息化工程技術(shù)研究中心, 北京 100097; 2.北京農(nóng)業(yè)信息技術(shù)研究中心, 北京 100097;3.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息軟硬件產(chǎn)品質(zhì)量檢測重點(diǎn)實(shí)驗(yàn)室, 北京 100097)

    0 引言

    問答社區(qū)是基于互聯(lián)網(wǎng),以用戶提出問題、回答問題和討論問題為主的知識服務(wù)社區(qū),能夠更好地滿足互聯(lián)網(wǎng)用戶獲取信息和交流知識的需求,是目前自然語言處理(Natural language processing,NLP)和信息檢索(Information retrieval,IR)領(lǐng)域備受關(guān)注、具有廣泛發(fā)展前景的研究方向[1-2]?!爸袊r(nóng)技推廣APP”作為服務(wù)于農(nóng)技人員的專業(yè)平臺,用戶每天在農(nóng)技問答模塊發(fā)布的提問有上萬余條,這類文本具有稀疏性、實(shí)時性、不規(guī)范等特點(diǎn),加劇了問題文本關(guān)鍵詞特征的稀疏化,難以充分挖掘特征之間的關(guān)聯(lián)性,如何從數(shù)據(jù)集中方便、快捷地挖掘有效信息并提供更高質(zhì)量和智能化的農(nóng)業(yè)信息服務(wù)已成為農(nóng)業(yè)信息分類領(lǐng)域文本挖掘的主要任務(wù)之一。傳統(tǒng)的人工篩查需要消耗大量的人力、物力,并且很難高效地完成對無效冗余數(shù)據(jù)的處理。目前常用的人工特征分類及淺層分類學(xué)習(xí)模型雖然能夠輔助完成數(shù)據(jù)篩查及剔除等工作,但由于其過分依賴人工選取特征和分類器性能,不具備從數(shù)據(jù)中自動抽取和組織信息的能力,導(dǎo)致經(jīng)典的文本分析方法在短文本處理上的適用性下降[3-4]。因此利用計(jì)算機(jī)實(shí)現(xiàn)農(nóng)技冗余問答自動、智能篩查是“中國農(nóng)技推廣APP”需要解決的一個重要問題。神經(jīng)網(wǎng)絡(luò)模型具有靈活性和多樣性的特點(diǎn),在序列標(biāo)注[5]、語義匹配[6]、情感分析[7]等自然語言處理任務(wù)中表現(xiàn)出較好的性能,由于該類模型能夠以端到端的方式進(jìn)行訓(xùn)練,自動學(xué)習(xí)特定任務(wù)并挖掘文本內(nèi)的大量語義關(guān)系,有效減少了傳統(tǒng)的統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法中人工設(shè)定大量特征等相關(guān)工作[8]。

    目前結(jié)合神經(jīng)網(wǎng)絡(luò)模型開展自然語言處理的相關(guān)應(yīng)用已經(jīng)取得了一定成果,其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)在情感分析和文本分類領(lǐng)域得到很好的應(yīng)用[9-12]。由于農(nóng)業(yè)領(lǐng)域一直缺乏大規(guī)??捎玫臄?shù)據(jù)庫,因此關(guān)于這方面的研究還較少,只有個別研究者針對農(nóng)業(yè)特定領(lǐng)域研究神經(jīng)網(wǎng)絡(luò)模型在農(nóng)業(yè)問答系統(tǒng)的應(yīng)用,但仍處于起步階段。趙明等[13]構(gòu)建了基于Word2vec和雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(Bi-directional gated recurrent unit,BIGRU)的番茄病蟲害問句分類模型,對番茄病蟲害智能問答系統(tǒng)用戶問句進(jìn)行高效分類。針對傳統(tǒng)的句子相似度算法準(zhǔn)確率較低的問題,梁敬東等[14]通過構(gòu)建基于 Word2vec和長短期記憶網(wǎng)絡(luò)(Long short-term memory,LSTM)的神經(jīng)網(wǎng)絡(luò)計(jì)算問句相似度,并在水稻常問問題集(Frequently asked question,F(xiàn)AQ)中的問句上進(jìn)行驗(yàn)證,以提高系統(tǒng)回答的準(zhǔn)確性。以上研究的開展為神經(jīng)網(wǎng)絡(luò)應(yīng)用于農(nóng)業(yè)知識問答系統(tǒng)提供了參考和可行性依據(jù),但關(guān)于神經(jīng)網(wǎng)絡(luò)應(yīng)用于文本多樣性、情感極性等農(nóng)業(yè)文本特征挖掘方面仍有不足,關(guān)于利用卷積神經(jīng)網(wǎng)絡(luò)檢驗(yàn)農(nóng)技推廣提問數(shù)據(jù)的精確性和可靠性方面尚未見報道。

    為了實(shí)現(xiàn)農(nóng)技推廣社區(qū)問答情感特征信息的有效挖掘和表達(dá),本文利用基于卷積神經(jīng)網(wǎng)絡(luò)模型的知識自動化的方法,有針對性地引入農(nóng)業(yè)詞庫字典進(jìn)行中文分詞和詞向量表示[15],利用卷積神經(jīng)網(wǎng)絡(luò)提取文本情感表達(dá)作為文本特征向量,用于情感分類,并進(jìn)一步針對其重要的結(jié)構(gòu)參數(shù)和訓(xùn)練策略進(jìn)行優(yōu)化和改進(jìn),構(gòu)建一種基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)問答情感極性特征抽取分析模型,以實(shí)現(xiàn)農(nóng)技推廣提問的精確高效識別。

    1 數(shù)據(jù)采集與預(yù)處理

    1.1 樣本采集

    本文數(shù)據(jù)集來源于“中國農(nóng)技推廣APP”農(nóng)技問答模塊,以2017年8月上線到2018年4月產(chǎn)生的130多萬條提問數(shù)據(jù)作為基礎(chǔ)樣本。由于人工標(biāo)注百萬級樣本十分困難,參照文獻(xiàn)[16-18]使用的文本分類數(shù)據(jù)集量級,根據(jù)月份選取8 000條數(shù)據(jù)作為試驗(yàn)樣本集。其中人工標(biāo)注有效及無效提問各3 000條作為學(xué)習(xí)數(shù)據(jù)集,用于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和優(yōu)化參數(shù)驗(yàn)證,人工選擇樣例如表1所示。剩余2 000條樣本數(shù)據(jù)作為模型效果驗(yàn)證的測試集,由于測試集是在訓(xùn)練集和驗(yàn)證集選取之后選取,已經(jīng)較大限度地保證了訓(xùn)練與測試數(shù)據(jù)集文本的不重疊,因此可以將測試結(jié)果的平均準(zhǔn)確率作為文本模型的識別效果評價指標(biāo)[19]。

    表1 人工選擇樣例Tab.1 Worked examples of manual annotation

    1.2 數(shù)據(jù)集預(yù)處理

    中文文本需要進(jìn)行預(yù)處理轉(zhuǎn)換為數(shù)字形式,以便能夠被計(jì)算機(jī)識別。為最大程度地保留原始中文文本的特征及語義信息,減少信息損失,需要對文本進(jìn)行去噪、分詞、向量表示等預(yù)處理操作,主要步驟如圖1所示。

    圖1 數(shù)據(jù)預(yù)處理過程示意圖Fig.1 Schematic of data preprocessing

    (1)去噪:數(shù)據(jù)集中原始數(shù)據(jù)包含中文特殊字符、英文特殊字符、空格等多種類型的符號信息,不利于語性特征抽取。因此使用正則表達(dá)式對數(shù)據(jù)集進(jìn)行去噪處理,僅保留中文、英文、字母、數(shù)字等通用特征信息。

    (2)分字與分詞:利用Python正則表達(dá)式對數(shù)據(jù)集中每條語句的漢字進(jìn)行分割形成分字?jǐn)?shù)據(jù)集。由于中文分詞[20]主要依賴語義與語境,而農(nóng)技提問又包含很多農(nóng)業(yè)專業(yè)詞匯,基礎(chǔ)分詞庫很難滿足要求,本試驗(yàn)還需要建立農(nóng)業(yè)專業(yè)詞匯的自定義分詞字典。參照文獻(xiàn)[21]選擇搜狗農(nóng)業(yè)詞匯大全中的8 874個詞匯作為農(nóng)業(yè)專業(yè)分詞字典,再利用Jieba分詞工具包對數(shù)據(jù)集進(jìn)行精確模式分詞形成分詞數(shù)據(jù)集[22]。

    (3)生成詞向量:使用Word2vec工具集的Skip-gram模型[23]對分字集和分詞集進(jìn)行預(yù)訓(xùn)練,具體操作方法是對文本中的字、詞等元素的出現(xiàn)頻率進(jìn)行統(tǒng)計(jì),通過無監(jiān)督訓(xùn)練,獲得作為語料基礎(chǔ)構(gòu)成元素的字、詞對應(yīng)的指定維度的向量表征,最終生成指定維度的字向量和詞向量。

    (4)文本向量化:為便于神經(jīng)網(wǎng)絡(luò)訓(xùn)練,文本數(shù)據(jù)需要轉(zhuǎn)化為字或詞嵌入,具體操作是將樣本中每個字或詞替換成對應(yīng)的向量表示,將文本轉(zhuǎn)化為向量組。對樣本每條數(shù)據(jù)的字或詞進(jìn)行統(tǒng)計(jì),選擇字或詞數(shù)最多的那條文本的字或詞個數(shù)作為文本向量維度,其余提問長度不足的通過0來補(bǔ)齊。

    2 基于卷積神經(jīng)網(wǎng)絡(luò)模型的農(nóng)業(yè)數(shù)據(jù)篩查方法

    自KIM[10]研究了利用卷積神經(jīng)網(wǎng)絡(luò)處理自然語言后,大量研究人員在其基礎(chǔ)上做了拓展與優(yōu)化,盡管文本分類模型變得越來越豐富,但所有模型的基本架構(gòu)都與圖2相近。基本思路是字或詞經(jīng)過嵌入層后利用不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取局部、全局和上下文信息,經(jīng)過全連接層合并到一起,最后利用不同分類器進(jìn)行文本分類得到結(jié)果。

    圖2 文本分類基本架構(gòu)Fig.2 Basic structure of text categorization

    本文在基本架構(gòu)基礎(chǔ)上進(jìn)行了拓展,增加了卷積層數(shù)以及更多尺度的卷積核,同時在激活之前增加了批標(biāo)準(zhǔn)化進(jìn)行規(guī)范化處理,全連接層中也增加了批標(biāo)準(zhǔn)化處理,最后使用Softmax邏輯回歸作為分類器,進(jìn)行數(shù)據(jù)的語性特征抽取。

    模型中卷積核的尺寸與數(shù)量對于CNN的性能至關(guān)重要。輸入語料通過i個不同的卷積核卷積,生成j個不同的特征圖,卷積層滿足公式

    (1)

    f(·)——批標(biāo)準(zhǔn)化及激活函數(shù)

    Mj——輸入圖像的特征量

    針對各層分布不均和精度彌散等問題,在進(jìn)行激活之前使用批標(biāo)準(zhǔn)化(Batch normalization,BN)來規(guī)范響應(yīng),同時加快網(wǎng)絡(luò)收斂,防止過擬合。具體公式為

    (2)

    (3)

    (4)

    yi=γi+β=BNγ,β(xi)

    (5)

    式中x——輸入值

    m——批量化的數(shù)目

    γ、β——學(xué)習(xí)參數(shù)

    ε——常量,用來保證值的穩(wěn)定性

    yi——結(jié)果輸出值

    BNγ,β(·)——批標(biāo)準(zhǔn)化函數(shù)

    參考CLEVERT等[24]的試驗(yàn),模型激活函數(shù)使用修正線性單元(Rectified linear unit, ReLU),公式為

    f(x)=max(0,x)

    (6)

    根據(jù)文本分類的特性,需要在一定程度上降低卷積層參數(shù)誤差造成的估計(jì)均值偏移所引起的特征提取的誤差,試驗(yàn)選用Max-pooling作為池化方法。網(wǎng)絡(luò)的訓(xùn)練階段使用批量隨機(jī)梯度下降法(Mini-batch stochastic gradient descend)。

    本文使用Softmax邏輯回歸來做特征分類器(對應(yīng)Softmax loss損失函數(shù)),進(jìn)行實(shí)際文本的語性特征抽取[25]。最終確定的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

    圖3 基于文本的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic of text-based convolution neural network

    3 試驗(yàn)及結(jié)果分析

    3.1 硬件及軟件

    本試驗(yàn)處理平臺為聯(lián)想臺式計(jì)算機(jī),處理器為Intel(R)Core(TM)i5-4590、主頻3.30 GHz、內(nèi)存8 GB、容量120 GB金士頓固態(tài)硬盤,運(yùn)行環(huán)境為:Windows 10專業(yè)版 64位,軟件環(huán)境為Python 3.6.5和Tensorflow 1.8.0。

    3.2 試驗(yàn)操作流程

    (1)輸入層

    輸入層為經(jīng)過預(yù)處理的256維詞嵌入,對分詞后數(shù)據(jù)集的詞組個數(shù)進(jìn)行統(tǒng)計(jì),可以得到數(shù)據(jù)集中最多詞數(shù)為58個,即每條提問的詞向量維度為58×256。將輸入數(shù)據(jù)順序打亂并隨機(jī)排列,選取前面90%(5 400條)作為訓(xùn)練數(shù)據(jù),后面10%(600條)作為驗(yàn)證數(shù)據(jù)。訓(xùn)練次數(shù)設(shè)置為200次,每批次輸入500條,共計(jì)輸入2 200批次,圖4為輸入層中“植物”一詞的向量示例。

    (2)卷積層

    卷積層的作用是特征提取,設(shè)置卷積核長度為58,窗口層數(shù)為5,每層窗口滑動尺寸分別是1~5,卷積核每個窗口特征映射數(shù)為200,所以第1層卷積核W1的尺寸為(1~5)×58×1×200,第2層卷積核W2的尺寸為(1~5)×58×200×200。

    (3)池化層

    池化層的作用是特征壓縮,在進(jìn)行池化前使用了批標(biāo)準(zhǔn)化進(jìn)行處理。最后連接一個Softmax邏輯回歸分類器,用于將壓縮好的特征映射到輸出層。S1對前面的特征圖進(jìn)行了最大池化操作,每批次得到500個1 000維的特征圖。

    (4)Softmax分類器

    經(jīng)過訓(xùn)練,最后剩下的神經(jīng)元由Softmax分類器將其拼合成為一維列向量,全連接到輸出層,計(jì)算出屬于每類特征輸出的概率值。

    (5)輸出層

    比較分類器中計(jì)算出的語性特征概率值,將結(jié)果歸類到概率最大的一組,然后合并歸類結(jié)果并保存到prediction.csv文件中,識別結(jié)果樣例如表2所示,表中“○”表示識別結(jié)果與真實(shí)值相同,“X”表示識別結(jié)果與真實(shí)值不同。

    3.3 結(jié)果與誤差分析

    采用試驗(yàn)所描述的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用訓(xùn)練樣本來訓(xùn)練模型,網(wǎng)絡(luò)權(quán)重初始化采用標(biāo)準(zhǔn)差為0.01、均值為0的高斯分布,樣本迭代次數(shù)均設(shè)置為200,批處理尺寸設(shè)置為100,設(shè)置權(quán)重參數(shù)的初始學(xué)習(xí)速率為0.001,動量因子設(shè)置為0.9。對上述訓(xùn)練集做2 600次迭代訓(xùn)練,其訓(xùn)練曲線如圖5所示。

    從圖5可以看出,隨著迭代次數(shù)不斷增加,模型分類誤差逐漸降低。當(dāng)訓(xùn)練迭代到2 000次時訓(xùn)練集的識別準(zhǔn)確率最高達(dá)到98.6%,迭代到2 200次時驗(yàn)證集的識別率最高達(dá)到93.5%,且從第1 400次迭代以后訓(xùn)練集和驗(yàn)證集兩者的誤差差值趨于穩(wěn)定,說明模型狀況良好,卷積神經(jīng)網(wǎng)絡(luò)達(dá)到了預(yù)期的訓(xùn)練效果。由試驗(yàn)可以確定訓(xùn)練達(dá)到2 200次以后模型對樣本的識別準(zhǔn)確率趨于擬合,將訓(xùn)練次數(shù)設(shè)定為2 200能夠使模型得到充分訓(xùn)練。

    圖5 迭代次數(shù)與識別準(zhǔn)確率關(guān)系曲線Fig.5 Diagram of relationship between number of iterations and accuracy

    為了驗(yàn)證不同類型嵌入層對模型效果的影響,分別使用字向量嵌入、詞向量嵌入以及經(jīng)過農(nóng)業(yè)字典分詞的詞向量嵌入作為輸入層,對試驗(yàn)?zāi)P瓦M(jìn)行2 200次的迭代對比訓(xùn)練,識別結(jié)果如圖6所示。

    圖6 不同嵌入層迭代次數(shù)與識別準(zhǔn)確率關(guān)系曲線Fig.6 Diagram of relationship between number of iterations and accuracy in different embedded layers

    由圖6可以看出,隨著迭代次數(shù)增加,各模型識別準(zhǔn)確率均不同程度增加,當(dāng)上漲到一定程度后各模型識別率趨于穩(wěn)定。經(jīng)過2 200次訓(xùn)練,詞向量嵌入的識別準(zhǔn)確率最高達(dá)到92%,字向量嵌入的識別準(zhǔn)確率最高達(dá)到80%,經(jīng)過農(nóng)業(yè)字典分詞的向量嵌入識別準(zhǔn)確率是三者中最高的,接近99%。試驗(yàn)證明,輸入層使用分詞嵌入能夠比分字更好地表達(dá)文本特征,針對所屬領(lǐng)域使用專用的詞匯進(jìn)行細(xì)化分詞后會更加充分地表達(dá)文本特征。

    通過表3可以看出,增加卷積核滑動窗口個數(shù)以及窗口特征映射層數(shù)能夠有效增加模型的識別準(zhǔn)確率。當(dāng)模型參數(shù)增加到一定程度后繼續(xù)增加參數(shù)寬度和深度,模型的識別準(zhǔn)確率很難繼續(xù)提升,但模型需要的訓(xùn)練時間更長。通過模型參數(shù)比較,設(shè)定卷積核的窗口寬度為5、映射特征層數(shù)為200的訓(xùn)練模型能夠在現(xiàn)有軟硬件的條件下較好地滿足試驗(yàn)要求。

    表3 試驗(yàn)?zāi)P蛥?shù)的比較Tab.3 Comparison of experimental model parameters

    為了進(jìn)一步證明提出方法的性能,將其與現(xiàn)有的JOHNSON等[26]提出的One-hot詞表示法+CNN的文本分類方法、ASEERVATHAM等[27]提出的SVM分類器方法、DANTI等[28]提出的文檔矢量空間表示模型(DVSM)+詞間距離度量分類方法、ZHANG等[29]提出的KNN分類器方法以及使用Dropout代替Batch-Normalization執(zhí)行標(biāo)準(zhǔn)化的CNN分類方法等5種文本分類方法進(jìn)行比較,對測試集的2 000條提問數(shù)據(jù)進(jìn)行識別,各種分類方法的篩選性能如表4所示。

    通過表4可以看出,各類算法都能夠?qū)y試集進(jìn)行有效的特征篩選,本文使用方法在6種算法中識別準(zhǔn)確率最高,達(dá)到了82.7%。盡管文獻(xiàn)[26]的方法也使用了CNN模型,但由于輸入層使用的是One-hot方法,其準(zhǔn)確率只達(dá)到68.2%,明顯低于其他篩選方法,說明Word2vec的Skip-gram模型能夠更高效地表示語料特征,也證明了輸入層的文本處理方式對于模型訓(xùn)練結(jié)果存在較大影響。雖然文獻(xiàn)[27]方法在測試集中的識別準(zhǔn)確率比文獻(xiàn)[28]方法高出1.1個百分點(diǎn),但是精確率和F1度量值明顯不如后者,這也間接說明相鄰分詞之間的關(guān)聯(lián)語意對識別結(jié)果存在影響。使用Batch-Normalization規(guī)范響應(yīng)相較于卷積神經(jīng)網(wǎng)絡(luò)常用的Dorpout標(biāo)準(zhǔn)化方法能夠加快收斂,使訓(xùn)練更加充分,防止過擬合,顯著提高識別準(zhǔn)確率,識別準(zhǔn)確率高出6.3個百分點(diǎn)。綜合表4列出的各類文本分類方法,本文提出的基于CNN優(yōu)化模型因?yàn)闄?quán)值共享機(jī)制減少了網(wǎng)絡(luò)中的可訓(xùn)練參數(shù),有效降低了模型復(fù)雜度,具有更好的泛化能力,因此相較于其他機(jī)器學(xué)習(xí)模型取得了更好的分類效果[30]。卷積神經(jīng)網(wǎng)絡(luò)的核心特點(diǎn)是每個卷積層包含數(shù)個卷積核及大量特征面,通過池化操作大量減少模型中的神經(jīng)元個數(shù),增強(qiáng)了模型表達(dá)能力,因此對輸入空間的平移不變特征更具魯棒性,有效防止訓(xùn)練過擬合[31]。盡管卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時間遠(yuǎn)高于表4其他分類方法,但通過權(quán)值共享、局部連接、批標(biāo)準(zhǔn)化增強(qiáng)、池化操作等使本文方法具有更少的連接和參數(shù)、更易于訓(xùn)練,具有自動抽取語性特征并且得到更多分類特征的特點(diǎn)。

    表4 各種分類方法的比較Tab.4 Comparison of various classification methods

    4 結(jié)論

    (1)研究方法滿足實(shí)際應(yīng)用需求。通過卷積網(wǎng)絡(luò)模型篩選數(shù)據(jù),減小了人工篩查的工作強(qiáng)度,避免了傳統(tǒng)識別方法中復(fù)雜的預(yù)處理和特征篩選過程,提高了算法優(yōu)化效率,對測試集特征識別準(zhǔn)確率達(dá)到82.7%。

    (2)優(yōu)化輸入層表示及模型結(jié)構(gòu)能顯著提高識別效果。不同類型嵌入層對于篩選結(jié)果也有較大影響,使用農(nóng)業(yè)專業(yè)詞典進(jìn)行分詞處理的嵌入層在模型學(xué)習(xí)效率和識別準(zhǔn)確率上都有提高。另外使用Batch-Normalization替換Dropout訓(xùn)練后識別效果相較于Dropout標(biāo)準(zhǔn)化的卷積神經(jīng)網(wǎng)絡(luò)識別準(zhǔn)確率提升了6.3個百分點(diǎn),對比其他類型的文本分類模型識別效果也具有明顯優(yōu)勢。

    猜你喜歡
    分詞準(zhǔn)確率卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    結(jié)巴分詞在詞云中的應(yīng)用
    智富時代(2019年6期)2019-07-24 10:33:16
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗(yàn)證法
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    值得重視的分詞的特殊用法
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    天美传媒精品一区二区| 天堂影院成人在线观看| 少妇的逼水好多| 亚洲经典国产精华液单| 边亲边吃奶的免费视频| 高清日韩中文字幕在线| 91久久精品国产一区二区成人| 一进一出抽搐动态| 亚洲精华国产精华液的使用体验 | 岛国在线免费视频观看| 久久久国产成人精品二区| 精品国内亚洲2022精品成人| 欧美精品一区二区大全| 我的女老师完整版在线观看| 精品久久久久久久末码| 成人鲁丝片一二三区免费| 国产精品麻豆人妻色哟哟久久 | 国产午夜精品一二区理论片| 久久久久久九九精品二区国产| 色综合亚洲欧美另类图片| 美女xxoo啪啪120秒动态图| 在线免费十八禁| 观看免费一级毛片| 国产亚洲精品久久久久久毛片| 国产 一区精品| or卡值多少钱| 亚洲人与动物交配视频| 91狼人影院| 亚洲精品乱码久久久久久按摩| 精品午夜福利在线看| 在线观看午夜福利视频| 老女人水多毛片| 网址你懂的国产日韩在线| 深夜a级毛片| 舔av片在线| 国产麻豆成人av免费视频| 国产日韩欧美在线精品| 国产午夜福利久久久久久| 精品一区二区免费观看| 中国美女看黄片| 国产精品蜜桃在线观看 | 美女黄网站色视频| 国产亚洲精品久久久com| 高清毛片免费看| 亚洲国产精品合色在线| 国产亚洲5aaaaa淫片| 又粗又硬又长又爽又黄的视频 | 亚洲av成人精品一区久久| 中国美白少妇内射xxxbb| 欧美激情久久久久久爽电影| 22中文网久久字幕| 成人特级av手机在线观看| 亚洲国产色片| 一级毛片aaaaaa免费看小| 高清午夜精品一区二区三区 | 国产欧美日韩精品一区二区| 国产爱豆传媒在线观看| a级毛片免费高清观看在线播放| 国产精品久久久久久精品电影小说 | 亚洲国产精品成人久久小说 | 我要看日韩黄色一级片| 一级黄片播放器| 国产在线男女| 边亲边吃奶的免费视频| a级毛片免费高清观看在线播放| 能在线免费观看的黄片| 精品国内亚洲2022精品成人| 午夜福利高清视频| 欧美性猛交黑人性爽| 国产真实乱freesex| 亚洲av成人精品一区久久| 国产亚洲精品久久久久久毛片| 久久99热这里只有精品18| 69av精品久久久久久| 国产v大片淫在线免费观看| 国产成人一区二区在线| 精华霜和精华液先用哪个| 一级毛片久久久久久久久女| 又爽又黄无遮挡网站| 国产伦一二天堂av在线观看| 少妇人妻一区二区三区视频| av在线播放精品| 嘟嘟电影网在线观看| 国产中年淑女户外野战色| 精品久久久噜噜| 国产午夜福利久久久久久| 国产精品一区二区三区四区久久| 久久午夜亚洲精品久久| av专区在线播放| 22中文网久久字幕| 乱人视频在线观看| 欧美成人精品欧美一级黄| 伊人久久精品亚洲午夜| 九九久久精品国产亚洲av麻豆| 中国美女看黄片| 老女人水多毛片| 亚洲中文字幕一区二区三区有码在线看| av免费在线看不卡| 亚洲av免费高清在线观看| 黄色欧美视频在线观看| 一区二区三区高清视频在线| av在线天堂中文字幕| 欧美丝袜亚洲另类| 尾随美女入室| 久久精品国产自在天天线| 一区二区三区四区激情视频 | 国产精品一及| 久久久色成人| 日韩欧美在线乱码| 欧美bdsm另类| 国内精品宾馆在线| 尤物成人国产欧美一区二区三区| 国产在线精品亚洲第一网站| 成人一区二区视频在线观看| 久久欧美精品欧美久久欧美| 日本免费a在线| 免费看av在线观看网站| 亚洲色图av天堂| 搡女人真爽免费视频火全软件| 精品久久久久久久末码| 国产欧美日韩精品一区二区| 亚洲国产精品sss在线观看| 丝袜美腿在线中文| 久久久a久久爽久久v久久| 身体一侧抽搐| 亚洲精品国产成人久久av| 色视频www国产| 国产成人freesex在线| 搡女人真爽免费视频火全软件| 久久午夜福利片| 男女那种视频在线观看| 只有这里有精品99| 夜夜爽天天搞| 99精品在免费线老司机午夜| 自拍偷自拍亚洲精品老妇| 亚洲av第一区精品v没综合| 成年av动漫网址| 中文亚洲av片在线观看爽| 国产精品国产三级国产av玫瑰| 麻豆成人午夜福利视频| 亚洲,欧美,日韩| 26uuu在线亚洲综合色| videossex国产| 国产色婷婷99| 国产三级中文精品| 夜夜爽天天搞| 国产精品野战在线观看| 看非洲黑人一级黄片| 国产成人影院久久av| 啦啦啦观看免费观看视频高清| 亚洲精品乱码久久久久久按摩| 午夜亚洲福利在线播放| 国产综合懂色| 日产精品乱码卡一卡2卡三| 深爱激情五月婷婷| 色尼玛亚洲综合影院| 高清午夜精品一区二区三区 | 天天一区二区日本电影三级| 九九久久精品国产亚洲av麻豆| 高清毛片免费观看视频网站| 赤兔流量卡办理| 亚洲欧美精品专区久久| 精品久久久久久久末码| 波多野结衣巨乳人妻| 美女大奶头视频| 天天躁日日操中文字幕| 免费一级毛片在线播放高清视频| 日本色播在线视频| 男人和女人高潮做爰伦理| 中文字幕av在线有码专区| 亚洲自拍偷在线| 天天躁日日操中文字幕| a级一级毛片免费在线观看| 中文欧美无线码| 免费人成视频x8x8入口观看| 国产激情偷乱视频一区二区| 精品人妻视频免费看| 亚洲精品影视一区二区三区av| 老女人水多毛片| 亚洲精品自拍成人| 插阴视频在线观看视频| 美女被艹到高潮喷水动态| 国产av在哪里看| 一个人观看的视频www高清免费观看| 国产高清三级在线| 亚洲精品成人久久久久久| 男人的好看免费观看在线视频| 欧美潮喷喷水| 美女大奶头视频| 午夜老司机福利剧场| 丝袜喷水一区| av在线观看视频网站免费| 欧美zozozo另类| 国产 一区 欧美 日韩| 国产高潮美女av| 日本爱情动作片www.在线观看| 直男gayav资源| 国产极品精品免费视频能看的| 狂野欧美激情性xxxx在线观看| 女的被弄到高潮叫床怎么办| 在线观看av片永久免费下载| videossex国产| 赤兔流量卡办理| 五月伊人婷婷丁香| 毛片女人毛片| 18+在线观看网站| 看非洲黑人一级黄片| 给我免费播放毛片高清在线观看| 亚洲人成网站在线观看播放| 丰满的人妻完整版| 久久人人爽人人片av| 一个人看视频在线观看www免费| 亚洲av.av天堂| 简卡轻食公司| 免费无遮挡裸体视频| 国产成人精品婷婷| 极品教师在线视频| 91午夜精品亚洲一区二区三区| 岛国在线免费视频观看| 国产成人精品一,二区 | 精品久久久久久久久久久久久| 国产爱豆传媒在线观看| 69av精品久久久久久| 欧美一级a爱片免费观看看| 亚洲乱码一区二区免费版| 亚洲精品久久国产高清桃花| 熟妇人妻久久中文字幕3abv| 色哟哟哟哟哟哟| 国产一区二区亚洲精品在线观看| 色尼玛亚洲综合影院| 波多野结衣高清无吗| 日韩高清综合在线| 国产成人freesex在线| 日韩三级伦理在线观看| 欧美成人精品欧美一级黄| 日本-黄色视频高清免费观看| 淫秽高清视频在线观看| 国产高清三级在线| 亚洲成人中文字幕在线播放| 国产片特级美女逼逼视频| 欧美人与善性xxx| 免费不卡的大黄色大毛片视频在线观看 | 99热只有精品国产| 欧美色欧美亚洲另类二区| 中文亚洲av片在线观看爽| 青春草亚洲视频在线观看| 亚洲国产精品国产精品| 日本与韩国留学比较| 男插女下体视频免费在线播放| 中文资源天堂在线| 91麻豆精品激情在线观看国产| 国产精品一二三区在线看| 熟女电影av网| 成人午夜高清在线视频| 欧美变态另类bdsm刘玥| 国产高清视频在线观看网站| 国产在视频线在精品| 村上凉子中文字幕在线| 美女 人体艺术 gogo| 全区人妻精品视频| 最近中文字幕高清免费大全6| 国产精品电影一区二区三区| 久久精品国产清高在天天线| 人妻久久中文字幕网| 又粗又爽又猛毛片免费看| 午夜福利在线观看吧| 中文字幕av在线有码专区| www.色视频.com| 国产亚洲欧美98| 中文亚洲av片在线观看爽| 观看美女的网站| 久久久精品大字幕| 美女黄网站色视频| 国内久久婷婷六月综合欲色啪| 国产亚洲5aaaaa淫片| 老司机影院成人| 欧美激情久久久久久爽电影| 国产精品爽爽va在线观看网站| 精品人妻一区二区三区麻豆| 男人舔女人下体高潮全视频| 成年免费大片在线观看| 国内少妇人妻偷人精品xxx网站| 国产精品久久久久久av不卡| 91狼人影院| 欧美精品国产亚洲| 国产精品麻豆人妻色哟哟久久 | 91久久精品电影网| 春色校园在线视频观看| .国产精品久久| 国产黄色小视频在线观看| 精品国内亚洲2022精品成人| 国产精品,欧美在线| 嘟嘟电影网在线观看| 波多野结衣高清无吗| 国内精品宾馆在线| 美女脱内裤让男人舔精品视频 | 国产在线男女| 久久人人爽人人爽人人片va| 精品人妻一区二区三区麻豆| 亚洲精品日韩av片在线观看| 韩国av在线不卡| 亚洲中文字幕一区二区三区有码在线看| 欧美成人a在线观看| 国产午夜精品论理片| 一边亲一边摸免费视频| 久久久久久久久久久丰满| 久久99蜜桃精品久久| 国产片特级美女逼逼视频| .国产精品久久| 综合色丁香网| 日日摸夜夜添夜夜添av毛片| 精品久久国产蜜桃| 免费观看精品视频网站| 国产亚洲91精品色在线| 国产大屁股一区二区在线视频| 18禁黄网站禁片免费观看直播| 亚洲成人久久爱视频| 欧美三级亚洲精品| 国产成人影院久久av| 色综合色国产| av在线播放精品| 色5月婷婷丁香| 少妇的逼好多水| 色尼玛亚洲综合影院| 五月伊人婷婷丁香| 一级av片app| 久久99精品国语久久久| 午夜激情福利司机影院| 91久久精品电影网| 好男人在线观看高清免费视频| 欧美日韩综合久久久久久| 两个人视频免费观看高清| 在线播放无遮挡| 九色成人免费人妻av| 中文字幕人妻熟人妻熟丝袜美| 亚洲自拍偷在线| 久久国内精品自在自线图片| 成人综合一区亚洲| 亚洲最大成人中文| 亚洲五月天丁香| 联通29元200g的流量卡| 22中文网久久字幕| 国产精品久久久久久av不卡| 久久久久久久亚洲中文字幕| 亚洲成人精品中文字幕电影| 亚洲精品影视一区二区三区av| 国产成人a区在线观看| 亚洲精品日韩在线中文字幕 | 又爽又黄无遮挡网站| 伦精品一区二区三区| 国产精品免费一区二区三区在线| 少妇熟女欧美另类| 亚洲四区av| 熟女电影av网| 欧美zozozo另类| 久久中文看片网| 国产一区二区激情短视频| 欧美xxxx性猛交bbbb| 国产午夜精品论理片| 久久精品国产亚洲av香蕉五月| 亚洲欧美中文字幕日韩二区| 老熟妇乱子伦视频在线观看| 97在线视频观看| 久99久视频精品免费| 欧美性猛交╳xxx乱大交人| 日韩 亚洲 欧美在线| 搞女人的毛片| 午夜a级毛片| 性色avwww在线观看| 国产av一区在线观看免费| 白带黄色成豆腐渣| 亚洲精品色激情综合| 欧美3d第一页| 国产一级毛片七仙女欲春2| 一个人免费在线观看电影| 免费黄网站久久成人精品| 亚洲成人久久性| 91久久精品国产一区二区成人| 联通29元200g的流量卡| 哪个播放器可以免费观看大片| 99久国产av精品国产电影| 国产成人freesex在线| 久久精品影院6| 内地一区二区视频在线| 亚洲精品日韩在线中文字幕 | 一本精品99久久精品77| 国产高清视频在线观看网站| 国产欧美日韩精品一区二区| or卡值多少钱| 熟妇人妻久久中文字幕3abv| 亚洲国产精品成人综合色| 亚洲最大成人中文| 欧美成人a在线观看| 免费av不卡在线播放| 成人无遮挡网站| 成人亚洲欧美一区二区av| 18禁在线无遮挡免费观看视频| 亚洲欧美日韩东京热| 欧美一区二区亚洲| 黄色配什么色好看| 亚洲高清免费不卡视频| 成人亚洲欧美一区二区av| 美女内射精品一级片tv| 亚洲av二区三区四区| 久久6这里有精品| 网址你懂的国产日韩在线| 国产一区二区三区在线臀色熟女| 国产综合懂色| 国产私拍福利视频在线观看| 精品久久久久久久久久免费视频| 日韩中字成人| 久久久久性生活片| 深夜a级毛片| 中出人妻视频一区二区| 国产不卡一卡二| 国产91av在线免费观看| 久久精品国产亚洲av香蕉五月| 久久精品国产亚洲av天美| 亚洲欧洲国产日韩| 尤物成人国产欧美一区二区三区| 99热只有精品国产| 国产探花在线观看一区二区| 久久久精品欧美日韩精品| 成人永久免费在线观看视频| 91久久精品国产一区二区成人| 欧美最新免费一区二区三区| 久久九九热精品免费| 22中文网久久字幕| 麻豆精品久久久久久蜜桃| 只有这里有精品99| 国产精品蜜桃在线观看 | 国产中年淑女户外野战色| 日日啪夜夜撸| 免费看日本二区| 一区福利在线观看| 精品久久久久久久久久免费视频| 精品久久国产蜜桃| 国产精品99久久久久久久久| 国产精品久久久久久av不卡| 亚洲中文字幕一区二区三区有码在线看| 成人性生交大片免费视频hd| av天堂在线播放| 中出人妻视频一区二区| 亚洲综合色惰| 美女被艹到高潮喷水动态| 最近视频中文字幕2019在线8| 亚洲性久久影院| 少妇裸体淫交视频免费看高清| 成人高潮视频无遮挡免费网站| 夜夜爽天天搞| 熟女电影av网| 人妻少妇偷人精品九色| 少妇人妻一区二区三区视频| 99久久人妻综合| 嫩草影院精品99| kizo精华| 丝袜美腿在线中文| 欧美三级亚洲精品| 国产中年淑女户外野战色| 精品人妻视频免费看| 内地一区二区视频在线| 又粗又硬又长又爽又黄的视频 | av又黄又爽大尺度在线免费看 | 日韩,欧美,国产一区二区三区 | 日本在线视频免费播放| 国产精品免费一区二区三区在线| 成人午夜精彩视频在线观看| 最近中文字幕高清免费大全6| 国内精品一区二区在线观看| 久久午夜亚洲精品久久| 最好的美女福利视频网| 午夜精品国产一区二区电影 | 女的被弄到高潮叫床怎么办| 美女黄网站色视频| 午夜视频国产福利| 狠狠狠狠99中文字幕| 亚洲成人av在线免费| 在现免费观看毛片| 亚洲乱码一区二区免费版| 亚洲图色成人| 亚洲内射少妇av| 伦精品一区二区三区| 亚洲婷婷狠狠爱综合网| 久久久久久九九精品二区国产| 国产69精品久久久久777片| 久久精品久久久久久噜噜老黄 | 亚洲中文字幕一区二区三区有码在线看| 狂野欧美白嫩少妇大欣赏| 18禁黄网站禁片免费观看直播| 天堂影院成人在线观看| 丰满乱子伦码专区| 亚洲色图av天堂| 国产精品嫩草影院av在线观看| 国产三级中文精品| 精品久久久久久成人av| 99在线人妻在线中文字幕| 欧美日韩国产亚洲二区| videossex国产| ponron亚洲| 99久国产av精品| 国产精品免费一区二区三区在线| 欧美高清成人免费视频www| 日日摸夜夜添夜夜爱| 成年女人看的毛片在线观看| 成年免费大片在线观看| 91麻豆精品激情在线观看国产| 看片在线看免费视频| а√天堂www在线а√下载| 亚洲中文字幕日韩| 亚洲成人久久爱视频| 精品久久久久久久久亚洲| 又黄又爽又刺激的免费视频.| 床上黄色一级片| 欧美+日韩+精品| videossex国产| 91久久精品电影网| 精品日产1卡2卡| 久久久久久久久久黄片| kizo精华| 日韩欧美精品免费久久| 欧美+亚洲+日韩+国产| 精品久久久久久成人av| 有码 亚洲区| 亚洲最大成人中文| 欧美色视频一区免费| 亚洲欧美日韩无卡精品| 最近最新中文字幕大全电影3| 亚洲无线在线观看| 欧美最新免费一区二区三区| 精品人妻熟女av久视频| 精品国产三级普通话版| 精品久久久久久久人妻蜜臀av| 亚洲av熟女| 亚洲欧美精品自产自拍| 99久国产av精品| 亚洲18禁久久av| av在线亚洲专区| 在线观看午夜福利视频| 国产精品久久久久久亚洲av鲁大| 九九爱精品视频在线观看| 天堂√8在线中文| 欧美激情国产日韩精品一区| 日本一二三区视频观看| 自拍偷自拍亚洲精品老妇| 国产综合懂色| 免费大片18禁| 全区人妻精品视频| 99热这里只有是精品在线观看| 美女国产视频在线观看| 国产精品不卡视频一区二区| 国产精品久久视频播放| 国产极品天堂在线| 久久久a久久爽久久v久久| 国产精品女同一区二区软件| 天堂中文最新版在线下载 | 亚洲欧美精品自产自拍| 成人鲁丝片一二三区免费| av免费在线看不卡| 国产精品不卡视频一区二区| 成人无遮挡网站| 神马国产精品三级电影在线观看| 国产久久久一区二区三区| 国产精品三级大全| 伦理电影大哥的女人| 欧美色视频一区免费| 欧美bdsm另类| 赤兔流量卡办理| 成人无遮挡网站| 日本与韩国留学比较| 国产成人a区在线观看| 日日干狠狠操夜夜爽| 亚洲中文字幕一区二区三区有码在线看| 亚洲精品456在线播放app| 免费av毛片视频| 国产精品不卡视频一区二区| 男插女下体视频免费在线播放| 人人妻人人澡欧美一区二区| 老女人水多毛片| 18禁在线播放成人免费| 欧美日韩一区二区视频在线观看视频在线 | 亚洲美女搞黄在线观看| 国产一区二区亚洲精品在线观看| 免费无遮挡裸体视频| 一进一出抽搐动态| 男女做爰动态图高潮gif福利片| 美女被艹到高潮喷水动态| 亚洲精品影视一区二区三区av| 日韩av不卡免费在线播放| 别揉我奶头 嗯啊视频| 激情 狠狠 欧美| 小说图片视频综合网站| 女人被狂操c到高潮| 一边亲一边摸免费视频| 三级经典国产精品| 夜夜夜夜夜久久久久| 国产男人的电影天堂91| 日韩,欧美,国产一区二区三区 | 麻豆一二三区av精品| 午夜老司机福利剧场| 哪个播放器可以免费观看大片| 亚洲av中文字字幕乱码综合| 一本久久中文字幕| 久久精品国产自在天天线| 在线播放无遮挡| 久久久色成人| 国产蜜桃级精品一区二区三区| 欧美人与善性xxx| 国产美女午夜福利| 丰满人妻一区二区三区视频av| 亚洲国产精品合色在线| 久久久久性生活片| 久久精品影院6| 精品不卡国产一区二区三区| 国产一级毛片在线| 久久久久久国产a免费观看|