智能变电站二次设备状态的灰色层次聚类评估

智能变电站作为智能电网建设的核心部分,其二次设备运行状态关系着电力系统的安全性和稳定性。针对智能变电站二次设备故障原因错综复杂以及运行状态信息不完全的特征,建立智能变电站二次设备状态评估层次模型和指标体系,引入灰色聚类对智能变电站二次设备状态进行灰色分类以及构建灰色白化权函数,并利用层次分析法计算状态指标权重,结合层次分析法与灰色聚类对智能变电站二次设备进行定性和定量的状态评估。实例分析验证了文中方法有效易行,为智能变电站二次设备状态检修工作提供了理论依据。     

让建筑延续历史——关于老建筑的几点思考

在当今世界,各国综合国力的较量,城市之间的竞争,既是经济的竞争,又是文化的竞争。文化产业将是21世纪全球最大的新兴产业之一,是现代城市的支柱产业。老建筑无疑在文化产业中占有举足轻重的地位,保护老建筑,充分展现老建筑的人文价值是当务之急。     

CCM-MF:基于多维度特征融合的中文文本分类模型

针对中文文本中不同维度特征所携带的语义信息具有差异性的问题，本文提出一种基于多维度特征融合的中文文本分类模型：CCM-MF (Chinese-text Classification Model Based on Fused Multi-dimensional Features)。该模型融合层次维度和空间维度特征，以提高中文文本分类的准确率。首先，在层次维度上，使用预训练模型ERNIE (Enhanced Representation through Knowledge Integration)获取包含字、词及实体级别特征的词向量；然后，在空间维度上，将包含层次维度特征的词向量分别输入到改进后的深度金字塔卷积神经网络(Deep Pyramid Convolutional Neural Networks，DPCNN)模型及附加注意力机制的双向长短期记忆网络(Attention-Based Bidirectional Long Short-Term Memory Networks，Att-BLSTM)模型中，得到局部语义特征和全局语义特征；最后，将得到的空间维度特征分别作用于Softmax分类器，再对计算结果进行融合并输出分类结果。通过在多个公开数据集上进行实验，较现有主流的文本分类方法，本模型在准确率上有更好的表现，证明了该模型的有效性。     

基于情感信息预处理和Bi-GRU的虚假评论识别模型

虚假评论识别在电子商务、社交媒体等领域具有重要的应用价值。尽管现有虚假评论识别模型融合了文本的情感信息，但在预训练过程中忽视了对情感信息的提取，导致准确率不高。针对此问题，本文提出一种基于情感信息预处理和双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)的虚假评论识别模型(FR-SG),用于提高虚假评论识别的准确率。首先，通过Albert模型获取文本的语义向量；然后，使用词频-逆文本频率(Term Frequency-Inverse Document Frequency, TF-IDF)和K-均值(K-means++)聚类的方法从评论中挖掘情感种子词，基于种子词对文本中的属性词和情感词进行掩码(mask);接着，使用面向情感的目标优化函数，将情感信息嵌入到语义表示中，生成情感向量；最后，将这两组向量的拼接结果输入虚假评论识别网络中，得到文本的分类结果。实验结果表明，相较于Bi-GRU+Attention模型，FR-SG提高了虚假评论识别的准确率。