基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

高低温环境航天机构力矩特性测试平台研制

为了测试在太空环境下航天机构中弹性机构的性能指标,研制了高低温环境下测量角度-力矩特性的测试平台.分析测试平台测试原理后,设计了平台的机械结构、设计电气系统结构并搭建软件系统.机械结构考虑对被测对象的保护,针对高低温测试带有高低温箱,可以为被测对象提供-100℃～100℃的温度环境,具有热变形偏差测量与补偿设计,减少温度变化对测量精度的影响.软件系统具备收集、处理、存储数据和图形化显示能力.分析平台不确定度的组成,对传感器进行测试校准并对航天弹性机构进行测试,测试结果验证了:该测试平台的力矩检测范围为0～50 N·m,力矩检测精度≤0.5％FS,角度测量扩展不确定度为U=35.6″,得到了被测对象的角度-力矩特性曲线图.     

运用图像重构误差控制的骨架简化方法

将贝叶斯模型方法运用于基于图像重构误差控制下的骨架简化问题,通过建立平衡算法实现重构精度与骨架简化的平衡统一.在算法的设计中,通过对骨架分支级别的设置,运用重构误差和骨架简洁度两个控制参数以及平衡算法,在骨架主轴的基础上通过添加相关各级别的骨架分支,实现对骨架分支的优选,最终获得图像的最优近似骨架.实验结果表明:本算法对于边界扰动具有较好的鲁棒性,与其它方法相比,本算法复杂度较低,运算速度更快,得到的骨架也更简洁.     

具有奇性的时滞Rayleigh方程周期正解存在性

研究了含有奇性的时滞Rayleigh方程x″(t)+f(x'(t))+g(t,x(t-σ))=0周期正解的存在性问题,其中f:R→R连续,g:R×(0,∞)→R连续,关于t为T周期,且在x=0处具有奇性,即limx→0+g(t,x)=∞.利用Mawhin重合度延拓定理,证明了上述方程至少存在一个T周期正解.     

巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

非同分布φ混合序列加权和的强极限收敛性

利用φ混合序列矩不等式和截尾的处理方法,研究非同分布φ混合序列加权和强极限收敛性质的问题,得到了若干新结果,推广并改进了独立同分布情形下的相应结果.     

基于盖洛普Q12的实习期定向医学生敬业度调查分析研究

通过研究实习期定向医学生的敬业度情况并分析管理对策,以提高实习期定向医学生的实习效果。对200名实习期定向医学生运用盖洛普Q12调查表对其敬业度进行调查,根据测评内容调整定向医学生的管理政策,据此不断改进,达到最佳管理效果。干预后6个月再次进行调查,比较干预前后实习期定向医学生的盖洛普Q12敬业度得分情况。针对盖洛普Q12表相关内容,对满意度低的项目进行了重点管理和改进,实习期定向医学生的盖洛普Q12满意度不断提高。干预前后实习期定向医学生敬业度得分比较差异有统计学意义(P0.05)。在实习期定向医学生管理中运用盖洛普Q12分析方法,能提高实习期定向医学生的敬业度。同时也能更好地促进医院管理者人本精神的培养及提高医院的管理效果。     

基于机器阅读理解的商品属性识别

属性抽取的目标是从非结构化文本中抽取与文本实体相关的属性和属性值，然而在电商场景下基于序列标注的模型缺少应对大规模属性抽取任务的可扩展性和可泛化性能力。本文提出基于阅读理解的商品属性抽取模型，通过额外加入问句来强化模型对属性的理解，结合双仿射注意力机制捕获问句和文本之间的语义特征，进一步提高模型的抽取性能。本文在电商数据集上对不同类型问句和不同解码器进行了对比实验，结果表明本文提出的方法优于多个基线模型，相较于OpenTag和SUOpenTag模型，属性抽取的F1值分别提升7.70%和3.26%，未登录词识别的F1值分别提升15.51%和8.12%。