• <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
    免费看a级黄色片| 美女高潮的动态| 亚洲天堂国产精品一区在线| 久久精品国产亚洲av涩爱 | a在线观看视频网站| 国产视频内射| 精品久久久久久久人妻蜜臀av| 黄色一级大片看看| 最好的美女福利视频网| 久久久久久久午夜电影| 亚洲av免费高清在线观看| 午夜福利成人在线免费观看| 亚洲一区二区三区不卡视频| 亚洲乱码一区二区免费版| 国产成人福利小说| 99在线视频只有这里精品首页| 别揉我奶头 嗯啊视频| 亚洲成av人片在线播放无| 亚洲一区二区三区色噜噜| 男人舔女人下体高潮全视频| 天美传媒精品一区二区| 热99re8久久精品国产| 国产在线精品亚洲第一网站| 日韩精品中文字幕看吧| 最新中文字幕久久久久| 欧美性感艳星| 欧美黄色淫秽网站| 中文资源天堂在线| 精品人妻偷拍中文字幕| 成年女人永久免费观看视频| 欧美xxxx性猛交bbbb| 国产 一区 欧美 日韩| 91狼人影院| 成人av一区二区三区在线看| 亚洲av免费在线观看| 嫩草影院入口| 久久久久精品国产欧美久久久| 搞女人的毛片| 精品人妻1区二区| 久久久久久国产a免费观看| 男人的好看免费观看在线视频| 精品99又大又爽又粗少妇毛片 | 自拍偷自拍亚洲精品老妇| 99热只有精品国产| 女人十人毛片免费观看3o分钟| 热99re8久久精品国产| 人妻丰满熟妇av一区二区三区| 亚洲色图av天堂| 深夜a级毛片| 综合色av麻豆| 亚洲国产色片| 小蜜桃在线观看免费完整版高清| 久久欧美精品欧美久久欧美| 嫩草影院精品99| 可以在线观看的亚洲视频| 精品久久久久久久久久免费视频| 日本黄色视频三级网站网址| 高清日韩中文字幕在线| 日本一二三区视频观看| 国产av一区在线观看免费| 成人国产综合亚洲| 国产精品久久久久久精品电影| 91久久精品国产一区二区成人| 亚洲欧美激情综合另类| 一本综合久久免费| 国产三级中文精品| 国产精品爽爽va在线观看网站| 成人av一区二区三区在线看| 九色成人免费人妻av| 成人无遮挡网站| 国产视频内射| 免费av观看视频| 12—13女人毛片做爰片一| 色吧在线观看| 国产成人影院久久av| 丰满人妻熟妇乱又伦精品不卡| 亚洲欧美日韩东京热| 久久精品人妻少妇| www.999成人在线观看| 午夜免费激情av| 国产在视频线在精品| 国产精品亚洲一级av第二区| www.999成人在线观看| 欧美色视频一区免费| 精品一区二区三区av网在线观看| 国产免费一级a男人的天堂| 久久久久久久久大av| 亚洲av熟女| 精品午夜福利视频在线观看一区| 一个人看的www免费观看视频| 男人舔女人下体高潮全视频| 亚洲五月婷婷丁香| 国产伦精品一区二区三区四那| 日韩欧美 国产精品| 长腿黑丝高跟| 日韩 亚洲 欧美在线| 真实男女啪啪啪动态图| 老熟妇乱子伦视频在线观看| 我的女老师完整版在线观看| 性色avwww在线观看| 国产久久久一区二区三区| 亚洲经典国产精华液单 | 国产aⅴ精品一区二区三区波| 变态另类成人亚洲欧美熟女| 深夜精品福利| 久久性视频一级片| 啦啦啦观看免费观看视频高清| 亚洲 国产 在线| 亚洲最大成人av| 欧美中文日本在线观看视频| 看十八女毛片水多多多| 宅男免费午夜| 精品一区二区三区视频在线| 国产伦在线观看视频一区| 成人三级黄色视频| 一本久久中文字幕| 丁香六月欧美| 日韩中字成人| 别揉我奶头~嗯~啊~动态视频| 亚洲av中文字字幕乱码综合| 99国产极品粉嫩在线观看| 美女xxoo啪啪120秒动态图 | 我的女老师完整版在线观看| 在线看三级毛片| 特级一级黄色大片| 美女黄网站色视频| 国产日本99.免费观看| 特级一级黄色大片| 丰满的人妻完整版| x7x7x7水蜜桃| 国产精品一区二区三区四区免费观看 | 一级黄片播放器| 国产伦一二天堂av在线观看| 免费电影在线观看免费观看| 国产日本99.免费观看| 黄色配什么色好看| 97超视频在线观看视频| 99久久精品国产亚洲精品| 欧美乱色亚洲激情| 久久婷婷人人爽人人干人人爱| 男人的好看免费观看在线视频| 日日摸夜夜添夜夜添小说| av在线观看视频网站免费| 最近中文字幕高清免费大全6 | 亚洲在线观看片| 91久久精品电影网| 亚洲黑人精品在线| 国产精品电影一区二区三区| 欧美又色又爽又黄视频| 亚洲性夜色夜夜综合| 国产美女午夜福利| 高潮久久久久久久久久久不卡| 在线a可以看的网站| 五月玫瑰六月丁香| 一本久久中文字幕| 亚洲午夜理论影院| 男人舔女人下体高潮全视频| 夜夜爽天天搞| 99热精品在线国产| 此物有八面人人有两片| 亚洲真实伦在线观看| 哪里可以看免费的av片| 亚洲五月天丁香| 国产色婷婷99| 亚洲电影在线观看av| 成人三级黄色视频| 国模一区二区三区四区视频| 日本在线视频免费播放| 午夜影院日韩av| 亚洲性夜色夜夜综合| 成人性生交大片免费视频hd| 老熟妇乱子伦视频在线观看| 国产91精品成人一区二区三区| 1024手机看黄色片| 免费观看精品视频网站| 中文字幕av成人在线电影| 亚洲自偷自拍三级| 欧美成人免费av一区二区三区| 日日摸夜夜添夜夜添av毛片 | 草草在线视频免费看| 少妇裸体淫交视频免费看高清| 欧美色欧美亚洲另类二区| www.熟女人妻精品国产| 又黄又爽又刺激的免费视频.| 国产激情偷乱视频一区二区| 国产老妇女一区| 草草在线视频免费看| 男女之事视频高清在线观看| 国产色爽女视频免费观看| 婷婷亚洲欧美| 亚洲精品日韩av片在线观看| 一级作爱视频免费观看| 韩国av一区二区三区四区| 欧美又色又爽又黄视频| 男人和女人高潮做爰伦理| 天堂网av新在线| 亚洲成人免费电影在线观看| 男女之事视频高清在线观看| 国产探花在线观看一区二区| 91久久精品电影网| 毛片一级片免费看久久久久 | 欧美中文日本在线观看视频| 成人国产综合亚洲| 麻豆国产97在线/欧美| 能在线免费观看的黄片| 在线观看舔阴道视频| 国产高清视频在线播放一区| 99国产极品粉嫩在线观看| 久久久久精品国产欧美久久久| 久久亚洲真实| 成人美女网站在线观看视频| 亚洲,欧美,日韩| 色在线成人网| 91久久精品国产一区二区成人| 精品国内亚洲2022精品成人| 国语自产精品视频在线第100页| 在线观看66精品国产| 中文字幕人成人乱码亚洲影| 可以在线观看的亚洲视频| 搡老熟女国产l中国老女人| 丰满的人妻完整版| 青草久久国产| 亚洲成av人片在线播放无| 1000部很黄的大片| 亚洲av成人精品一区久久| 欧美日韩黄片免| 亚洲av一区综合| 国产黄色小视频在线观看| 国产在线精品亚洲第一网站| 国产高清视频在线播放一区| 嫩草影院精品99| 九色国产91popny在线| 亚洲中文字幕日韩| 在线免费观看的www视频| 国产精华一区二区三区| 国产精品人妻久久久久久| 久久久成人免费电影| 18美女黄网站色大片免费观看| 丰满人妻熟妇乱又伦精品不卡| 美女高潮的动态| 亚洲中文字幕日韩| 国产三级黄色录像| x7x7x7水蜜桃| h日本视频在线播放| 亚洲美女视频黄频| 欧美xxxx黑人xx丫x性爽| 精品一区二区三区av网在线观看| 精品人妻1区二区| 欧美乱妇无乱码| 免费观看精品视频网站| 人人妻人人看人人澡| 免费av毛片视频| 久久午夜亚洲精品久久| 又爽又黄a免费视频| 国产一级毛片七仙女欲春2| 久久人人爽人人爽人人片va | 国产中年淑女户外野战色| 欧美乱色亚洲激情| 国产一区二区在线av高清观看| 国内精品久久久久久久电影| 久久久久国产精品人妻aⅴ院| 精品久久久久久久久av| 男人狂女人下面高潮的视频| 97碰自拍视频| 成人午夜高清在线视频| 色尼玛亚洲综合影院| 精品人妻1区二区| av视频在线观看入口| 性欧美人与动物交配| 亚洲色图av天堂| 国产精品免费一区二区三区在线| 亚洲精品456在线播放app | 久久国产精品人妻蜜桃| 99国产极品粉嫩在线观看| 亚洲国产精品成人综合色| 久久久久九九精品影院| 久久久久久久久久成人| 精品乱码久久久久久99久播| 亚洲国产精品久久男人天堂| 悠悠久久av| 麻豆国产97在线/欧美| 中文字幕人妻熟人妻熟丝袜美| 身体一侧抽搐| 在线观看美女被高潮喷水网站 | 亚洲精品在线观看二区| 色哟哟·www| 午夜福利成人在线免费观看| 小说图片视频综合网站| 久久精品影院6| 非洲黑人性xxxx精品又粗又长| 亚洲精品一卡2卡三卡4卡5卡| 97超视频在线观看视频| 能在线免费观看的黄片| 伊人久久精品亚洲午夜| 国产黄色小视频在线观看| 免费黄网站久久成人精品 | 男插女下体视频免费在线播放| 内射极品少妇av片p| 日本 av在线| 99久久无色码亚洲精品果冻| 丰满人妻熟妇乱又伦精品不卡| 国产乱人视频| 狠狠狠狠99中文字幕| 51国产日韩欧美| 国产亚洲精品久久久久久毛片| 国产av不卡久久| 1024手机看黄色片| 亚洲成av人片在线播放无| 国产一区二区三区视频了| 亚洲精华国产精华精| 日本三级黄在线观看| 亚洲一区二区三区色噜噜| 男人舔女人下体高潮全视频| 日韩亚洲欧美综合| 亚洲专区国产一区二区| 久久精品国产清高在天天线| 成人午夜高清在线视频| 丁香六月欧美| 特大巨黑吊av在线直播| 亚洲专区国产一区二区| 久久久久久久午夜电影| 国产在线精品亚洲第一网站| 久久欧美精品欧美久久欧美| 亚洲精品影视一区二区三区av| 成人一区二区视频在线观看| 国产精品一及| 成人av在线播放网站| netflix在线观看网站| 国产高清激情床上av| 18美女黄网站色大片免费观看| 久久久久国产精品人妻aⅴ院| 999久久久精品免费观看国产| 一区二区三区四区激情视频 | 在线播放无遮挡| 美女免费视频网站| 最近在线观看免费完整版| 国产精品亚洲一级av第二区| 乱人视频在线观看| 国产av一区在线观看免费| 成人国产一区最新在线观看| 嫩草影院新地址| 国产色爽女视频免费观看| 亚洲av成人不卡在线观看播放网| 中亚洲国语对白在线视频| 男女那种视频在线观看| 美女黄网站色视频| 色综合欧美亚洲国产小说| 全区人妻精品视频| 亚洲性夜色夜夜综合| 欧美高清成人免费视频www| www日本黄色视频网| 99riav亚洲国产免费| 高潮久久久久久久久久久不卡| 日韩成人在线观看一区二区三区| 精品久久国产蜜桃| 老司机午夜福利在线观看视频| eeuss影院久久| 国产成人福利小说| 国产aⅴ精品一区二区三区波| 99久久久亚洲精品蜜臀av| 国产精品,欧美在线| 色综合欧美亚洲国产小说| 久久久久免费精品人妻一区二区| 男女下面进入的视频免费午夜| 日本黄色片子视频| 小说图片视频综合网站| 国语自产精品视频在线第100页| 乱人视频在线观看| www.熟女人妻精品国产| 国产野战对白在线观看| 日韩高清综合在线| 一区二区三区激情视频| 色综合站精品国产| 91狼人影院| 免费看美女性在线毛片视频| 精品久久久久久久久久久久久| 国产主播在线观看一区二区| 久久性视频一级片| 婷婷亚洲欧美| 欧美黄色片欧美黄色片| 国产色婷婷99| 美女免费视频网站| 欧美极品一区二区三区四区| 嫩草影视91久久| 51国产日韩欧美| 欧美日韩综合久久久久久 | 好看av亚洲va欧美ⅴa在| 波多野结衣高清作品| 欧美日韩亚洲国产一区二区在线观看| 日韩成人在线观看一区二区三区| 一进一出抽搐动态| 好男人电影高清在线观看| 男人的好看免费观看在线视频| 国产精品1区2区在线观看.| or卡值多少钱| 直男gayav资源| 五月伊人婷婷丁香| 在线看三级毛片| 人妻夜夜爽99麻豆av| 偷拍熟女少妇极品色| 亚洲无线观看免费| 波多野结衣高清作品| 天堂网av新在线| 一级a爱片免费观看的视频| 亚洲性夜色夜夜综合| 99热精品在线国产| 亚洲片人在线观看| 国内久久婷婷六月综合欲色啪| 嫩草影视91久久| 国产亚洲欧美98| 欧美区成人在线视频| 琪琪午夜伦伦电影理论片6080| 看黄色毛片网站| 精品一区二区免费观看| 亚洲精品乱码久久久v下载方式| 亚洲av成人不卡在线观看播放网| 色精品久久人妻99蜜桃| 国产老妇女一区| 少妇裸体淫交视频免费看高清| 久久久精品大字幕| АⅤ资源中文在线天堂| 级片在线观看| 成人三级黄色视频| 特大巨黑吊av在线直播| 久久国产乱子免费精品| 午夜激情欧美在线| 日本成人三级电影网站| 久久午夜福利片| 免费一级毛片在线播放高清视频| 精品久久久久久久久亚洲 | 久久性视频一级片| 真人做人爱边吃奶动态| 日韩欧美一区二区三区在线观看| 在线看三级毛片| 麻豆久久精品国产亚洲av| 欧美zozozo另类| 亚洲天堂国产精品一区在线| 长腿黑丝高跟| 观看免费一级毛片| 欧美在线黄色| 精品人妻一区二区三区麻豆 | 69人妻影院| 欧美一级a爱片免费观看看| 在线观看一区二区三区| 亚洲最大成人手机在线| 一区二区三区高清视频在线| 高清毛片免费观看视频网站| 成年版毛片免费区| 国产精华一区二区三区| 一个人看的www免费观看视频| 美女xxoo啪啪120秒动态图 | 在线免费观看的www视频| 成熟少妇高潮喷水视频| 久久久久久九九精品二区国产| 一边摸一边抽搐一进一小说| 啦啦啦观看免费观看视频高清| www日本黄色视频网| 在线播放国产精品三级| 长腿黑丝高跟| 熟妇人妻久久中文字幕3abv| 久久天躁狠狠躁夜夜2o2o| 精品国产亚洲在线| 亚洲五月天丁香| av在线蜜桃| 97热精品久久久久久| 日本黄大片高清| 岛国在线免费视频观看| 免费av观看视频| 五月玫瑰六月丁香| 成人一区二区视频在线观看| 精品乱码久久久久久99久播| 久久伊人香网站| 97碰自拍视频| 禁无遮挡网站| 免费无遮挡裸体视频| 我要搜黄色片| 国语自产精品视频在线第100页| 免费观看人在逋| 美女被艹到高潮喷水动态| 国产高清激情床上av| 高潮久久久久久久久久久不卡| 99久久精品热视频| 色尼玛亚洲综合影院| 九色成人免费人妻av| 99久久成人亚洲精品观看| 日本 av在线| 中文字幕久久专区| 宅男免费午夜| 日韩欧美在线二视频| 哪里可以看免费的av片| 免费观看精品视频网站| 人人妻人人澡欧美一区二区| 午夜激情福利司机影院| 国产一区二区三区视频了| 亚洲熟妇中文字幕五十中出| 成人美女网站在线观看视频| 一级毛片久久久久久久久女| 国产伦一二天堂av在线观看| a在线观看视频网站| 女同久久另类99精品国产91| x7x7x7水蜜桃| 日韩欧美国产一区二区入口| 久久伊人香网站| 国产精品av视频在线免费观看| 免费人成在线观看视频色| 88av欧美| 欧美绝顶高潮抽搐喷水| 免费看美女性在线毛片视频| 夜夜看夜夜爽夜夜摸| 午夜免费激情av| av在线观看视频网站免费| xxxwww97欧美| 国产精品,欧美在线| 国产又黄又爽又无遮挡在线| 亚洲av电影在线进入| 精品久久久久久久久久免费视频| 听说在线观看完整版免费高清| 99久久99久久久精品蜜桃| 亚洲国产精品成人综合色| 老熟妇乱子伦视频在线观看| 亚洲成人久久爱视频| 中文字幕av成人在线电影| 亚洲男人的天堂狠狠| 国产一区二区在线观看日韩| 国产亚洲精品久久久com| 午夜福利18| 两人在一起打扑克的视频| 日本免费一区二区三区高清不卡| 蜜桃亚洲精品一区二区三区| 亚洲精品日韩av片在线观看| 99久久精品国产亚洲精品| 国产av在哪里看| 99热6这里只有精品| 婷婷色综合大香蕉| 精品99又大又爽又粗少妇毛片 | 精品一区二区免费观看| 国产在视频线在精品| 听说在线观看完整版免费高清| 小蜜桃在线观看免费完整版高清| 亚洲精华国产精华精| 亚洲 国产 在线| 两人在一起打扑克的视频| 丰满人妻一区二区三区视频av| 久久国产精品人妻蜜桃| 亚洲最大成人av| 99视频精品全部免费 在线| 性插视频无遮挡在线免费观看| 国产精品综合久久久久久久免费| 简卡轻食公司| 草草在线视频免费看| 天堂影院成人在线观看| 波多野结衣高清作品| 啦啦啦韩国在线观看视频| 天堂√8在线中文| 在线十欧美十亚洲十日本专区| 69人妻影院| 91久久精品电影网| 观看美女的网站| 麻豆久久精品国产亚洲av| 一本一本综合久久| 亚洲成人中文字幕在线播放| 国产成人aa在线观看| 亚洲片人在线观看| 老司机福利观看| 国产精品av视频在线免费观看| 国产精品人妻久久久久久| 免费大片18禁| 永久网站在线| 国产美女午夜福利| 久久精品国产清高在天天线| 国产又黄又爽又无遮挡在线| 精品免费久久久久久久清纯| 免费在线观看影片大全网站| 51国产日韩欧美| 欧美午夜高清在线| 又黄又爽又刺激的免费视频.| а√天堂www在线а√下载| 久久久久国产精品人妻aⅴ院| 日韩 亚洲 欧美在线| 欧美又色又爽又黄视频| 又黄又爽又刺激的免费视频.| 哪里可以看免费的av片| 在线十欧美十亚洲十日本专区| 可以在线观看的亚洲视频| 国产男靠女视频免费网站| 久久国产精品人妻蜜桃| 国产成人福利小说| 精品不卡国产一区二区三区| 18美女黄网站色大片免费观看| 亚洲美女黄片视频| 国产亚洲欧美98| 男人舔女人下体高潮全视频| 9191精品国产免费久久| 免费大片18禁| 成人毛片a级毛片在线播放| 97超级碰碰碰精品色视频在线观看| 五月玫瑰六月丁香| 人妻久久中文字幕网| 亚洲最大成人av| 国产免费男女视频| 亚洲成人久久爱视频| 亚洲自拍偷在线| 日日摸夜夜添夜夜添小说| 国内毛片毛片毛片毛片毛片| 一区二区三区高清视频在线| 97超级碰碰碰精品色视频在线观看| 国产真实伦视频高清在线观看 | 亚洲人成伊人成综合网2020| 一进一出好大好爽视频| 淫妇啪啪啪对白视频| 老鸭窝网址在线观看| 日韩中文字幕欧美一区二区| 1024手机看黄色片| 国产精品久久久久久精品电影| 一本精品99久久精品77|