基于自注意力机制的科技术语自动提取技术研究

科技术语提取是科技术语自动处理的重要环节,对后续的机器翻译、信息检索、QA问答等任务有重要意义。传统的人工科技术语提取方法耗费大量的人力成本。而一种自动提取科技术语方法是将术语提取转化为序列标注问题,通过监督学习方法训练出标注模型,但是面临缺乏大规模科技术语标注语料库的问题。文章引入远程监督的方法来产生大规模训练标注语料。另外又提出基于自注意力机制的Bi-LSTM的模型架构来提高科技术语提取结果。发现新模型在发现新的科技术语的能力上远远优于传统机器学习模型(CRF)。     

一种HEVC样点自适应补偿快速算法

为解决高性能视频编码标准H.265/HEVC中引入的样点自适应补偿技术的计算复杂度极高导致严重影响编码效率的问题,提出一种HEVC样点自适应补偿快速算法.首先根据编码单元(coding unit, CU)的划分深度确定亮度树形编码块(coding tree block, CTB)中需要提取边缘方向的区域,然后利用边缘方向提取算法获得亮度CTB的边缘方向列表,并根据此列表减少亮度CTB在模式判别过程中遍历的模式数量,最后利用亮度和色度CTB之间的相关性进一步简化色度CTB的模式判别过程.实验结果表明,在性能损失较小的情况下,本算法可以在全I帧(AI)、随机访问(RA)、低延时B帧(LB)、低延时P帧(LP)四种配置下分别节省31.75%、 56.85%、 52.81%、 51.51%的样点自适应补偿编码时间.     

预训练模型下航天情报实体识别方法

为了快速处理航天情报,基于数据驱动的深度学习技术,提出融合多源异构知识标注中文航天情报数据集的方法流程,以及基于预训练(pre-training)模型的航天情报实体识别(AIER)方法;通过对航天情报进行命名实体识别,达到对航天情报进行信息抽取的目的.通过融合BERT(bidirectional encoder representation from transformers)预训练模型和条件随机场(CRF)模型构建AIER模型(BERT-CRF模型),将其与隐马尔可夫模型(HMM)、条件随机场(CRF)模型、双向长短期记忆网络加条件随机场(BiLSTM-CRF)模型进行实体识别对比实验.结果表明:基于预训练模型的AIER模型能够取得93.68%的准确率、97.56%的召回率和95.58%的F₁值;相比于其他方法,基于预训练模型方法的性能得到提高.     

多策略融合的俄语文本词语提取方法研究

俄语是联合国工作语言之一,是俄罗斯等多个国家的官方语言。随着“一带一路”倡议的推进和全球化进程的加快,俄语文本数据成为有关组织管理决策的重要信息来源,俄语文本挖掘也因而成为重要的管理决策支持方法。然而,俄语文本挖掘方法研究目前还远未成熟,尤其是其关键基础——俄语文本词语提取的性能较低,阻碍着俄语文本建模的准确性。因此,文章提出一种多策略融合的俄语文本词语提取方法,结合俄语词性分析、语法规则和串频统计等多种方法,自动提取包含单词和短语在内的俄语词语。在联合国平行语料库和Taiga Corpus语料库上的实验结果表明,文章提出的方法在保证高召回率的同时,达到了85%以上的高准确率,显著优于常用的n-gram方法,能够为俄语文本主题发现和文本分/聚类等文本挖掘应用提供有效的词库。     

氨基酸分析仪法快速检测土鳖虫中谷氨酸含量

采用氨基酸分析仪建立了土鳖虫中谷氨酸含量的检测方法，比较不同浓度的盐酸以及不同料液比、提取时间对土鳖虫中谷氨酸提取效果的影响。结果表明，土鳖虫中谷氨酸的最佳提取工艺为6 mol/L 的盐酸消解，料液比1:1（mg/mL），水解时间22 h，建立的谷氨酸分析仪法回收率为99.2%，精密度试验相对标准偏差为0.19%，不同地区土鳖虫中谷氨酸质量分数存在较明显差异，范围为1.068%~1.149%。该方法重现性好、快速高效、操作简便，适用于土鳖虫中氨基酸含量的检测，可为其质量控制及资源深入开发提供技术支持。     

一种鬼影及边缘传播抑制的ViBe目标检测算法

针对在目标运动检测中ViBe算法容易产生鬼影、缓慢移动的目标容易融入背景样本模型等问题,提出一种改进的ViBe算法,首先在使用ViBe算法检测到运动目标后,利用迭代自组织分析算法的阈值分割来进行鬼影判别;其次利用改进的Canny算子获得图像的边缘特征,当ViBe算法在更新目标边缘的背景样本模型时不对其邻域的样本模型进行更新,从而使得缓慢移动的目标融入背景样本模型的时间得以延长;最后通过形态学处理获得完整的运动目标.实验结果表明,与传统ViBe算法相比,本文算法在有鬼影的情况下能更快获得较高的检测准确率,在有缓慢移动目标的情况下准确率的下降时间更晚.     

融合门控机制的远程监督关系抽取方法

提出一种融合门控机制的远程监督关系抽取方法。首先在词级别上自动选择正相关特征, 过滤与关系标签无关的词级别噪声; 然后在门控机制内引入软标签的思想, 弱化硬标签对噪声过滤的影响; 最后结合句子级别的噪声过滤, 提升模型的整体性能。在公开数据集上的实验结果表明, 相对于句子级别噪声过滤方法, 所提方法的性能有显著提高。     

基于深度学习的岩石铸体薄片图像孔隙自动提取

岩石铸体薄片图像中孔隙区域的准确提取是分析评估工作的前提。但目前传统的孔隙提取方法主要是通过颜色特征进行阈值分割，精度较低，需加入大量的人工交互操作才能提高精度。因此提出一种新的基于深度学习的孔隙区域自动提取算法，该算法基于U-net搭建网络基本框架。首先，网络在编码阶段加入残差块来提升网络的深度。其次，针对残差块进行优化并引入空洞卷积，提取更全局、语义层次更深的特征。最后，在解码阶段加入网络模块间的短连接，提出新的融合特征方法，更好地将浅层特征与深层语义特征相结合，得到更加精细的孔隙区域。实验结果表明，该方法优于传统的孔隙提取方法，具有更高的分割精度且无需人工操作，与主流卷积神经网络相比也具有更高的精度和平均交并比。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题，基于已有的调制 信号处理方法，提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型，以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点，采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计，利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取，实现了各类调制 信号的完整分类与提取，提升了噪声环境影响下的特征信号提取精度、且分类效果较好，为无线电监测中调制 信号特征提取提供了有利科学依据。