基于预训练语言模型与多任务学习的事件检测方法

为了解决现有事件检测方法存在语料稀疏和触发词一词多义导致的触发词抽取不准确以及类型判断错误等问题,该文将双向Transformer编码表示(BERT)的预训练模型与条件随机场(CRF)结合,并联合多任务学习,提出了一种基于BERT-CRF模型与多任务学习的事件检测方法(MBCED)。该方法同时进行事件检测任务和词义消歧任务,将词义消歧任务中学习到的知识转移到事件检测任务中,既补充了语料,也缓解了一词多义所导致的触发词分类不准确问题。在ACE2005数据集上的传统事件检测模型对比实验结果表明,与动态多池卷积神经网络(DMCNN)、基于循环神经网络的联合模型(JRNN)、基于双向长短期记忆和条件随机场(BiLSTM-CRF)的联合模型、BERT-CRF方法相比,MBCED方法触发词识别的F值提升了1.2%。多任务学习模型对比实验结果表明,与基于多任务深度学习的实体与事件联合抽取(MDL-J3E)模型、基于共享BERT的多任务学习(MSBERT)模型、基于CRF多任务学习的事件抽取模型(MTL-CRF)相比,MBCED在触发词识别和触发词分类2个子任务上的准确率都较好。     

AHEAD弹毁伤武装直升机所需平均命中弹数研究

为了研究AHEAD弹对目标的毁伤效能及毁伤目标所需的平均命中弹数,该文以某典型武装直升机为例,建立了目标的易损性及毁伤评估模型,得到了命中情况下AHEAD弹对武装直升机的单发毁伤概率及毁伤目标所需平均命中弹数。研究结果表明,毁伤目标所需平均命中弹数受弹丸速度、脱靶距离、弹丸俯仰角等因素影响。对于常见的AHEAD弹发射参数,弹丸速度越大,脱靶距离越小,毁伤目标所需平均命中弹数越大。AHEAD弹俯仰角为60°时,毁伤目标所需平均命中弹数最小; AHEAD弹速度为600 m/s、700 m/s和800 m/s时,所需平均命中弹数分别为4.597、4.018和3.59。