基于框架理论的应急预案智能匹配方案

针对当下在公共社会领域中突发事件应急预案结构复杂、难以为决策者进行信息筛选、整合的热点问题,设计了一种基于框架理论的应急预案智能匹配方案。该方案以框架方式来存储应急预案,以词频、词性以及词在预案中的位置为权重来提取关键词,利用最小均方误差线性估计来获得关键字权重因子,并采用矢量空间模型来实现预案间的智能匹配。实验结果表明该应急预案智能匹配方案具有较好的应用前景。     

自动生成知识库的设计和应用探索

本文提出了一种基于自动生成知识库的智能问答系统。利用爬虫知识从网页爬取有用信息作为QA对;通过关键词匹配的算法改进制作推理机;在生成知识库时,将QA对的答案提取出关键词,并存储到知识库中,作为用户匹配QA对的关键数据。若网页中有描述即直接取,没有描述则用算法提取;通过与用户的交互,自动反馈更新知识库,使知识库越用越准确。     

基于对偶编码的中文分词算法

为了提高中文分词算法的切分速度和存储效率,提出一种基于对偶编码的特征匹配算法。由中文分词的字符集和字符相邻关系提取特征值,根据此特征值在中文分词词典中进行快速匹配,基于字符的位置相邻关系提取特征值,支持模糊匹配,因此无需对多字词进行单独匹配,从而有效节省匹配时间。实验仿真表明,该算法可以降低特征存储空间,有效提高中文分词精度和效率。     

基于领域知网的中文智能答疑系统

为了提高中文智能答疑系统的准确率,文章在中文答疑系统中引入领域知网,实现了领域 关键词的语义理解和词句语义相似度计算。对中文智能答疑系统中领域义原的提取、领域义原树和领域 标注库的建立、词句语义相似度进行了研究。最后建立了一个原型系统,取得较好的实验结果。     

基于改进正向最大匹配算法的股票资讯新闻自动标注技术

目的提高在股票资讯领域中关键词的匹配效率。方法提出了一种改进的正向最大匹配算法。该方法先通过真实的股票资讯数据构建匹配关键词词集,然后通过分析关键词集合获取词集的特征,最后利用哈希技术整理重构算法词库以提高算法的匹配效率。结果对比无优化词库、tire索引数优化词库和本文的方法,在获取的抽词结果质量相同的前提下,采用本文提出的词典优化方案所需的运行时间最少。并且随着股票资讯新闻的规模增大,本文方法的优势愈加明显。结论实验结果表明,本文提出的方案能够在保证匹配质量的情况下有效提高算法效率。     

可应用于互联网的自学习中文关键词抽取算法

论文提出了一种自学习中文关键词抽取算法，该算法可以辅助实现互联网上的智能信息获取，从而有效解决互联网信息爆炸问题，该算法现已用于课题组开发的互联网信息智能获取工具中，实验表明该算法的查全率和查准率较高，在互联网信息智能获取中具有广阔的应用前景。     

基于改进权重的贝叶斯推理和TFIDF算法文本主题词提取研究

本文针对中文文本主题词提取的TFIDF算法不足进行了改进,综合考虑关键词在文本中出现的频率及位置权重,设计了贝叶斯推理和TFIDF主题词提取混合算法,并基于候选词排序位置进行了正向、逆向和中间向前后的提取测试,结果表明,本算法比单纯TFIDF算法正向提取平均准确率提高了6.2%.     

基于改进权重的贝叶斯推理和TFIDF算法文本主题词提取研究

本文针对中文文本主题词提取的TFIDF算法不足进行了改进,综合考虑关键词在文本中出现的频率及位置权重,设计了贝叶斯推理和TFIDF主题词提取混合算法,并基于候选词排序位置进行了正向、逆向和中间向前后的提取测试,结果表明,本算法比单纯TFIDF算法正向提取平均准确率提高了6.2%.     

基于相邻词的中文关键词自动抽取

文档关键词概括了文档的主题和内容,在信息检索、文本分类、文本聚类等领域有着重要应用.在总结前人研究成果的基础上,提出了一种基于相邻词的中文关键词自动抽取算法.在对50篇学术论文自动抽取关键词的实验中,采用精确匹配的评价获得了38.9%的精度和34.9%的召回率,采用近似匹配的评价获得了70.7%的精度和68.8%的召回率,能够为进一步的研究提供帮助.     

基于语义的汉语文献主题词提取算法研究

为了适应信息时代的迅速发展,提高从汉语文献中自动提取主题词的准确率,给出一种基于语义理解的汉语文献主题词自动提取算法模型.该模型以中文文本为处理对象,结合领域背景,构建概念语义网络作为分词词典和知识库,用概念之间的联系和匹配取代传统的字面匹配,克服了仅局限于表面形式的缺陷;把自然语言处理从目前基于关键词层面提高到基于知识的层面,从而在概念层次上理解文献主题,突破了传统的关键词匹配的局限,在一定程度上解决了词汇差异问题.该方法能对自然语言进行某种程度的语义理解,利用领域知识来实现主题词的规范标引.实验表明,采用本方法对测试文档进行主题词提取的准确率可达到71.03%,与传统方法相比提高了近1.87倍.     

本体的煤矿数字化应急预案系统研究

为使煤矿应急预案知识可以被消防、公安和医疗急救等部门充分共享和利用,辅助应急救援指挥人员在应急响应过程中做出快速、准确的决策,提出了采用本体技术来描述应急领域知识的煤矿应急预案数字化开发思路。通过抽取煤矿安全事故应急领域的部分概念,借助本体工程提出"顶层本体+领域本体"的双层本体模型构建方法,构建煤矿应急预案本体CERPO模型。该模型可以对煤矿应急预案领域知识进行语义表达,实现了领域知识的共同理解和共享。在此基础上,采用XML Schema作为应急预案存储模型,开发了煤矿数字化应急预案原型系统,实现了对煤矿应急预案的编制、审核、存储、浏览及智能查询等功能。     

基于原子任务的应急预案评价

为了进一步提高应急预案的质量,提出了一种基于原子任务的应急预案评价方法。根据项目管理理论,对应急响应进行任务分解,确定出原子任务。以原子任务为基础,引入充分性、可达性和可操作性概念,对应急预案的有效性进行评价。其中充分性用来描述原子任务对整个应急响应的充分程度;引入交通系统可达性的定义用来描述能够完成救援任务的机会和便利程度;引入"5W1H评价法"描述预案的可操作性。并将充分性、可达性和可操作性的乘积定义为应急预案有效性,实现对应急预案的整体评价。最后,使用某机场的应急预案实例,对该方法进行了应用研究。结果表明该方法可以发现应急预案中存在的缺陷,为完善应急预案提供依据。     

基于前景理论与理想解法的应急预案评估模型

为对突发事件救援确定最优应急预案、提高救援效率。通过选取全面性、时效性、经济性、可操作性四个指标,基于前景理论以及TOPSIS法对应急预案优劣排序。首先,专家根据打分标准给出各指标下预案的属性值,并利用Shapley值集结指标;其次,利用直觉模糊熵计算各专家权重值,确定最优方案。以选择最优的应急预案为例,结果表明方法的可行性与实用性。     

突发事件应急演练脚本的编写研究

随着突发事件的频繁发生,应急预案和应急演练显得越发重要。应急演练中最基本的环节就是应急演练脚本的编写。本文从分类、设计原则、要素等方面对脚本的编写方法进行了详细的阐述,并以实例加以说明,方便应急实践工作者加以参考。     

水电站水库洪水调度的多目标模糊决策

多目标模糊决策方法就是综合考虑各目标的重要性和各方案对所有目标的效用值,再将方案进行序序,选取最优方案,影响洪水调度的因素较多,有时无法定量作出洪水调度决策,尝试采用多目标模糊决策方法,针对洪水调度品质特殊性,进行洪水工决策研究,通过实例应用取得了较满意的结果。     

基于火灾模型的消防应急平台架构和功能分析

为预防并应对丽江古城发生大规模火灾,提出了消防应急平台架构。该平台包括信息获取、应急智能和决策指挥3大系统,运用地理信息系统(GIS)技术,将基础空间信息和消防安全信息整合,将火灾模拟分析、风险评估与消防应急指挥、数字应急预案制订有机结合起来。其中的火灾预测预警模型采用了基于元胞自动机的城区火灾蔓延模型。结合人员疏散和损失评估模型进行风险评估。消防应急决策指挥流程实现火灾预测与消防指挥的融合,为提高火灾安全管理和消防指挥能力提供了帮助。     

基于概念检索的中文搜索引擎研究

在Internet高速发展的信息时代,网络搜索引擎是人们快速获得信息的重要工具之一。然而由于传统的搜索引擎基本上都是采用基于关键词匹配的全文检索技术,导致检索结果不全、无关信息过多。本文给出了一种基于概念检索的中文搜索引擎模型,采用“以网对网”技术来实现概念检索,使搜索引擎从基于关键词的检索提高到基于知识的智能检索。基于概念检索的中文搜索引擎对知识有一定的理解和处理能力,在一定程度上提高了搜索引擎的智能化。     

基于火灾模型的消防应急平台架构和功能分析

为预防和应对丽江古城发生大规模火灾,提出了消防应急平台架构。该平台包括信息获取、应急智能和决策指挥三大系统,运用地理信息系统(GIS)技术,将基础空间信息和消防安全信息整合,将火灾模拟分析、风险评估与消防应急指挥、数字应急预案制订有机结合起来。其中的火灾预测预警模型采用了基于元胞自动机的城区火灾蔓延模型。结合人员疏散和损失评估模型进行风险评估。消防应急决策指挥流程实现火灾预测与消防指挥的融合,为提高火灾安全管理和消防指挥能力提供了帮助。     

基于满意度的多准则决策模型及其在员工绩效评价中的应用

针对评价准则权重信息不完全的群体多准则决策问题,首先利用方案满意度模型,对备选方案集中的每一个方案建立以最大化该方案满意度为目标的线性规划模型,得到一组权重向量,然后利用群决策中的相关集结方法将这组权重向量进行集结,得到对每个方案都公平公正的一个权重向量,利用该权重向量和加权平均模型得到方案的综合评价值,从而对方案进行优劣排序.最后,通过员工绩效评价的例子对本文提出的方法进行了说明.