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.     

采用径向基神经网络的卫星网络申报趋势分析方法

将径向基函数(RBF)神经网络应用于卫星网络申报趋势分析,构建基于RBF神经网络的趋势量化分析方法,改变当前主要依赖专家经验分析申报趋势的现状,为卫星网络申报趋势的评估提供量化指标.首先,梳理当前卫星网络申报的业务特点;然后,对主流预测方法进行分析,提出基于RBF神经网络的申报趋势分析方法;最后,通过实际申报数据进行算法验证.结果表明:文中方法对卫星网络申报趋势的预测误差总体小于20%,对实际申报工作具有指导意义.     

融合功率分配策略的NGSO-GSO频率干扰计算方法研究

针对地球静止轨道(geostationary satellite orbit,GSO)卫星系统与非GSO(none GSO,NGSO)星座系统间的干扰分析场景,结合NGSO、GSO系统的空间链路、波束业务需求量和信道等特征,提出了融合功率分配策略的NGSO-GSO频率干扰计算方法,构建了上、下行通信链路的目标函数和约束...