将需要研究的目标从复杂的背景下提取出来是后期图像理解和图像分析的关键。一种基于支持向量机(Support Vector Machine,SVM)的图像分割方法被提出,将图像分为目标和背景两类。在OHTA的颜色空间下提取各类样本像素值,并用SVM对样本进行训练,运用训练好的SVM分类器对苹果图像进行分割,并进行去噪处理。实验表明该算法可以有效地分割出复杂背景下的苹果,分割速度、分割准确率优于阈值分割法。随着互联网技术的快速发展,人类已经习惯于从网络上获取知识,然而伴随着网络资源爆炸式增长,网络资源内容多样,人们使用浏览器获取知识的方法却停滞不前,因此需要一种工具来帮助人们从网络中高效地获取和发现新知识。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name知识实体识别与发现-数控滚圆机滚弧机张家港电动钢管滚圆机滚弧机折弯机由于网络资源文本并不是完全结构化的数据,还包括一些自由文本等复杂的无结构数据,这种文本信息虽然方便人们自由表达概念以及事件等,但是同时也为机器搜索、统计分析等制造了障碍。因此,为了在文本上更方便地进行知识分析和挖掘,本文提出一种基于深度学习的算法知识实体识别与发现的方法,应用于算法知识领域来解决上述问题。通过创建算法知识专家库[1],训练词向量,建立深度神经网络模型,从算法知识文本中识别和发现算法知识名称。实验结果表明,该深度神经网络模型识别算法知识的准确率高达98%,并有效发现了专家库以外的新知识点,实现了预期实验需求。训练出的词向量，并进一步展开了研究比较，以此来验证适当领域的小规模数据集和大规模泛领域数据集的优劣。本架构的实际过程就是将原始输入的文本经过网络映射为一系列经过挑选的特征，然后使用反向传播算法来修改各层向量的权值。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name首先在第一层中抽取每一个词的特征，将其转化为词向量，在第二层中，则选定在所有词窗口中抽取特定特征，并按全局和局部的方法将其分解，因此上即和经典的词袋模型［9］设计得到一定区别。而基于此，模型还使用了一个传统的神经网络，模型的整体架构如图1所示。图1模型总体框架图算法知识实体的深度神经网络模型可以训练词向量，通过对算法词性特征和组合特征的自动抽取，从知识的角度发现文本中的知识实体，充分挖掘词与上下文的关系，识别出解题报告中与算法知识密切相关的各类命名实体以及实体间的关系，从而发现新的算法知识实体，然后扩充已有的专家库［1］，再重新标记研究设定的测试集，提供给神经网络学习，迭代循环训练，可以最大化扩充现有专家库，实现知识实体的最大化收集。2．2模型的定义本文以从算法文本中识别出的算法知识实体作为文档特征，从知识的角度表示文档的语义内涵，对本文的深度神经网络给出以下定义:将经过爬娶垃圾字符过滤和文档预处理后的网络算法·18·智能计算机与应用第7卷知识实体识别与发现-数控滚圆机滚弧机张家港电动钢管滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name