基于噪声检测的多语言知识图谱实体对齐技术研究

针对在实体对齐任务中,由于缺少噪音实体对的标记,导致对齐准确率不高的问题,提出采用健壮性实体对齐(Robust Entity Alignment,REA)方法,设计了噪声感知实体对齐模块和噪声检测模块.首先,噪声感知实体对齐模块是基于图卷积神经网络(Graph Convolutional Networks,GCN)的知识图编码器,将知识图谱中的实体对更新嵌入;然后,基于生成对抗网络(Generative Adversarial Networks,GAN)设计了噪声生成器和噪声鉴别器,从而将实体对中的噪音实体对区分出来;最后,通过一种交互的强化训练策略,迭代使噪声感知和实体对齐相结合.实验结果表明,在DBP15K数据集上测试,新方法能有效提高在涉及噪音情况下的实体对齐精准度,与GCN-Align和IPTransE这些基准嵌入模型相比,Hits@1、Hits@5、M_RR 3个评价指标上均有较大的提升.     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

良种“赣蔗1号”离体培养初报

本文报道了“赣蔗1号”外植体的愈伤组织诱导及其植株再生的初步结果.2,4-D是愈伤组织诱导的重要因素.当愈伤组织转移到不含2,4-D而加Kt和NAA的培养基上,不久就会先分化出根,其次出芽,形成了完整的再生植株.     

基于DSP的汽车仪表板数据采集系统的研究

本文介绍了基于CAN总线、以TI公司的TMS320LF2407DSP为核心的汽车组合仪表及其显示系统的实现方案。阐述了该系统的硬件设计与软件实现。     

融合GAN与深度神经网络的混合信用评估方法

随着信用卡和个人贷款业务在金融业的快速增长，如何在信息有限的情况下检测潜在违约或坏账业务已经变得极其重要。信用评分领域面临的主要困难是样本不平衡以及分类器性能不佳，为此本研究首先提出了一种基于表格数据的生成对抗网络Tab-GAN，从原始数据中生成足够的违约样本；随后设计了一种基于CNN-LSTM的混合深度学习模型用于特征提取，该模型包含卷积神经网络(Convolutional Neural Networks，CNN)和长短期记忆神经网络(Long Short-Term Memory，LSTM)两个子模型，分别从用户数据中提取静态局部特征和动态时间特征，并加入时空注意力模块对模型的输出进行重要度计算，从而抽取更关键的信息；最后在分类器层面引入焦点损失函数改进轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)分类器，实现违约风险的概率输出。在两个真实世界数据集中验证风险预测模型，实验结果表明生成对抗网络可以有效解决样本不平衡问题，CNN-LSTM+LightGBM模型在各项分类评价指标上均优于信用评分领域的其他先进算法，证明了该模型在信用评分领域的有效性和可移植性。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位。针对现有调制识别算法在低信噪比条件下识别率低的问题, 提出一种基于生成对抗网络(generative adversarial network, GAN)和卷积神经网络(convolutional neural network, CNN)的数字信号调制识别方法。在利用平滑伪Wigner-Ville分布将调制信号转换为时频图像(time-frequency images, TFIs)后, 在经典GAN中嵌入了剩余密集块(residual dense block, RDB)结构, 保证了对TFIs的去噪和修复。通过对经典的剩余网络(residual network, ResNet)模型微调, 满足了TFIs的识别与分类。仿真结果表明, 所提方法在低信噪比情况下有效地降低了噪声对TFIs的干扰, 提高了识别性能。     

考虑多维特征和数据增强的空间负荷预测方法

针对空间负荷预测的影响因素多样及历史数据匮乏的问题，提出了一种考虑多维特征和数据增强的空间负荷预测方法。该方法首先综合考虑多种影响电力负荷的因素，从开发强度、发展水平、气侯条件建立地区多维度指标模型。然后构建生成对抗网络(generative adversarial networks，GAN)的数据生成模型，对训练集进行数据增强，生成数量充足且符合地区特点的训练样本。其次采用基于粒子群算法(particle swarm optimization，PSO)优化初始权重和阈值后的反向传播(back propagation，BP)神经网络建立空间负荷预测模型，并利用增强后的数据集实现空间负荷预测。最后，以东部某市4个区为例，对本文的方法进行验证，仿真结果表明本文提出的方法可以提高空间负荷预测精度，具有实用性和有效性。