用于多标签文本分类的深度模块化标签注意网络

针对现有文本多标签语义信息挖掘方法仅注重从文本到标签的映射方向，而忽略了从标签到文本的映射方向的问题，本文认为从标签到文本的映射方向可以过滤文本中与标签无关的噪声信息，进而生成只关注于标签信息的文本表示。基于此假设，本文基于注意力机制提出了一种深度模块化标签注意网络，主要由标签注意网络进行多层级联而成。在标签注意网络中构建了双向标签注意单元和自我注意单元，从而得到标签和文本的双向依赖表示。模型在公开数据集RCV1、AAPD、EUR-Lex上与SGM、LSAN、EXAM等算法进行比较，对于现有的最佳性能平均提升0.54%。     

高校非税收入专用票据电子化管理系统的设计与实现

为推进非税收入票据管理电子化工作,在安徽省直高校开票端和省财政管理端之间,实现数据的及时传递,全面了解安徽省直高校的开票状况,减少核销的工作量,高校非税收入专用票据电子化管理平台项目被适时提出.在项目需求分析的基础上,分别对系统的业务流程,功能进行梳理,提出该项目的整体解决方案,并采用visual Studio 2005作为开发环境,基于VB.net技术,使用Microsoft SQL 2000数据库实现了基于C/S架构的系统.系统包括收费、退费、票据管理、开票情况上报四大主要功能模块.目前,该系统已在安徽省近50所高校正式投入使用,实现预期目标.     

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MP-EPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。
     

交换半环上广义矩阵代数的Jordan导子

研究交换半环上加法可消的广义矩阵代数的Jordan导子、导子和反导子,给岀了广义矩阵代数的Jordan导子、导子和反导子的刻画,进而证明了在某些条件下广义矩阵代数的每一个Jordan导子都可表示为一个导子和一个反导子之和.     

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MPEPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。     

关于半环上矩阵的T-序与广义逆

引入半环上矩阵T-序的概念,探讨了半环上矩阵的T-序与广义逆的关系。同时得到了半环上矩阵T-序的性质。     

以低纯度Gd为原料制备Gd5Si1.85Ge2.15合金的磁热效应

研究了以低纯度蒸馏Gd为原料制备的Gd₅Si_1.85Ge_2.15合金的磁性相变性质和磁热效应. 蒸馏Gd的杂质含量为O: 0.0160% (质量百分数); C: 0.0054% (质量百分数); N: 0.0016% (质量百分数), 低于普通商用Gd, 高于高纯Gd. 对Gd₅Si_1.85Ge_2.15合金的X射线衍射和交流磁化率测试表明, Gd₅Si_1.85Ge_2.15合金在253 K存在一级磁性相变; 从磁性相变附近的磁化曲线结果得到的最大磁熵变化为12.5 J/kg·K.     

关于半环上矩阵的加权广义逆

引入半环上矩阵的加权广义逆的概念, 探讨了半环上矩阵的加权广义逆与矩阵方程及矩阵的行（列）空间的关系． 同时, 得到了半环上矩阵的加权广义逆存在的几个等价刻划．     

关于半环上矩阵的加权广义逆

引入半环上矩阵的加权广义逆的概念,探讨了半环上矩阵的加权广义逆与矩阵方程及矩阵的行(列)空间的关系.同时,得到了半环上矩阵的加权广义逆存在的几个等价刻划.     

基于深度神经网络的网络安全实体识别方法

基于安全知识图谱的网络安全威胁情报分析能够细粒度地分析多源威胁情报数据,因此受到广泛关注.传统的命名实体识别方法难以识别网络安全领域中新的或中英文混合的安全实体,且提取的特征不充分,因此难以准确地识别网络安全实体.在深度神经网络模型的基础上,提出一种结合特征模板的CNN-BiLSTM-CRF的网络安全实体识别方法,利用人工特征模板提取局部上下文特征,进一步利用神经网络模型自动提取字符特征和文本全局特征.实验结果表明,在大规模网络安全数据集上,提出的网络安全实体识别方法,相关评价指标优于其他算法,F值达到86%.