针对词语向量化表示的问题,根据词语词向量表示的思想以及借助多义词词典,在K-means聚类多义词语上下文表示的基础上,获得词语的多原型向量表示。对句子中的多义词语,通过计算词语多原型向量表示与词语上下文表示的相似度来进行词义消歧,根据2个句子集中共有词语和差异词语的词义相似度,给出一种基于词语多原型向量表示的句子相似度计算方法,实验结果显示了该方法的有效性。近几年来,卷积神经网络引起了国内外研究者的广泛关注,并在大规模图像处理方面有出色的表现,尤其在模式识别领域。将地质勘探与计算机技术相结合,在岩石图像处理方面已经取得了较好的成绩,并且还在不断的探索中,以求更好地投入到实际中去。对于地质勘探研究者来说,对于大量的岩石薄片图像,如何进行快速并且有效的检索是值得研究的领域课题。传统的基于文本的检索方式已不能满足要求,为此,本文试图将卷积神经网络引入到岩石薄片图像的检索中检索中的应用初探-电动数控滚圆机滚弧机张家港数控钢管滚圆机滚弧机,分析其在岩石薄片图像检索中的可行性。应用范围日趋广阔。CNN可以看成是一种含有隐层的多层感知器结构，与其它网络结构相比较，CNN引入了卷积层和池化层。其中，本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com卷积层用于对输入图像进行特征提取，而池化层主要是对卷积层提取的特征进行聚合。卷积神经网络具有局部感知的特性，即不同的卷积核对图像的不同部分进行特征卷积，而不同的局部感受进行参数共享，CNN的另一个特性是参数共享。CNN一般包括输入层、卷积层、池化层、全连接层、输出层，并且卷积层后面就接着池化层，CNN的基本结构如图1所示。1．2卷积神经网络的训练方法卷积神经网络的训练类似于BP算法，分为前向传播和反向传播两个过程［9］。具体阐述如下:(1)前向传播。与常规的神经网络的前向传播过程一样。用i表示当前层，xi表示当前层的输出，Wi和bi分别表示当前层的权重和偏置，则前向传播可以用公式(1)表示如下:xi=f(ui)ui=Wixi－1+bi(1)其中，f()表示激活函数，可以是sigmod或者tanh等函数。(2)反向传播。损失函数有多种形式，比如平方误差函数、交叉熵等。损失函数可用平方误差来评测衡量，如公式(2)所示:En=12∑ck=1(tnk－ynk)2=12‖tn－yn‖22(2)其中，n表示样本的训练误差;c表示输出层节点数;t表示训练样本的正确结果;y表示网络训练的输出结果。图1卷积神经网络基本结构Fig．卷积神经网络应用于岩石薄片图像检索利用卷积神经网络对图像进行检索，究其本质就 检索中的应用初探-电动数控滚圆机滚弧机张家港数控钢管滚圆机滚弧机本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com