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.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

深井孤岛工作面过探巷技术研究

邢东矿2225工作面为孤岛工作面,承受地压大,回采过程中经过2225探巷,巷道围岩破坏剧烈,尤其是底鼓变形严重,初期采取排木垛、打单体等措施在一定程度上控制了探巷顶板下沉,而工作面临近时在煤帮注化学浆形成锚注加固结构使煤体自身强度及承载能力显著增强,锚注加固结构具有较好的整体性和稳定性,从而实现工作面顺利回采。     

An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.     

Predicting Initial Formation Temperature for Deep Well Engineering with a New Method

With the progress of science and technology, human beings explore the energy under-ground with thousands of meters. As a thermophysical parameter, initial formation temperature (IFT) plays an essential...     

超高层建筑-18.7m的深基坑施工优化

介绍了深达 18.7m的基坑围护措施 ,对超高层建筑深基坑支护结构与施工技术进行优化     

鄂尔多斯盆地腹部下古生界天然气赋存系统研究

运用深盆气圈闭的基本原理，综合分析了鄂尔多斯盆地下古生界天然气赋存的基本地质因素，论证并提出了盆地腹部下古生界深盆气圈闭的新认识，并依据盆地地质构造特征将其进一步划分为：西部前渊拗陷型和中东部复式向斜型两大深盆气赋存系统．     

基于VBA三角网格土石方开挖的三维模型

利用VBA技术实现对离散高程点的三角构网,快速定位三角形。将其用于土方开挖边线处理,在此基础上重新构网。实际计算结果表明,将三角网格用于土方工程填挖量计算,可以提高计算精度并可实现填挖后的三维显示。     

基于符号定向图(SDG)深层知识模型的定性仿真

定性仿真是系统仿真技术中的重要研究和应用方向，同时也是人工智能技术的一个重要方面。近年来，随着现代计算机技术的日新月异，使得基于符号定向图(SDG)深层知识模型的定性仿真研究和应用取得了显著进展。SDG模型能够表达复杂的因果关系，具有包容大规模潜在信息的能力，因此特别适合于过程系统危险评价(PHA)、危险识别与故障诊断。SDG模型结构简单，易于建立和修改。然而高质量的SDG模型必须采用经验数据和定量动态仿真检验和校正。采用SDG模型进行定性仿真的关键技术是高效双向推理“引擎”，由计算机软件自动完成。目前，在计算机辅助过程系统危险评价方面，SDG是最有效的方法；在过程系统故障诊断方面，其完备性较好，但诊断分辨率尚待提高。今后的研究应解决：定性仿真和定量仿真相结合；SDG自动建模；通用推理软件平台；大系统高分辨率故障诊断等问题。