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.     

基于变分模态分解和引力搜索算法的径流预测模型研究

针对月径流数据的数据量小、高度非线性和非平稳性特点,提出了一种基于变分模态分解(VMD)、引力搜索(GSA)与支持向量回归机(SVR)的组合预测模型.首先对月径流样本进行Mann-Kendall(M-K)检验,找出突变点划分训练集与测试集;然后用VMD分别对训练集与测试集进行分解;最后对训练集数据进行训练,利用GSA对...     

基于改进HMM的驾驶疲劳险态识别方法

驾驶疲劳的产生是渐进的动态生成过程,基于隐马尔可夫模型(hidden Markov model,HMM)的相关研究需首先确定模型训练初值,且训练过程易陷入局部最优.基于此,通过在HMM训练过程中引入粒子群优化(particle swarm optimization,PSO)算法对训练过程存在的上述问题进行了改进,并结合驾驶疲劳状态典型数据集对所提出的改进方法和前向后向算法(forward-backward(BW)algorithm)进行了详细对比.实验及分析测试结果表明,所提出的改进方法在驾驶疲劳预测结果准确性和稳定性上都优于BW算法.     

功能性体能训练及其在运动健康中的应用

起源于运动康复领域的功能性体能训练,在我国运动健康中得到较为广泛的应用。综合研究表明:功能性体能训练是基于动力链理论,包含基本动作模式训练(FMS)、基本运动能力训练(FSS)和专项体能训练(SSS)的理念和方法体系。强调训练与康复的融合,强调核心区域力量训练的价值,重视运动过程中多关节、多肌肉的联动作用。功能性体能训练中的人体运动链、功能运动筛查与训练、青少年身体素质发展敏感期等理论与方法对于竞技体育与群众体育运动损伤的防治、体育教学中学生身体素质的提升有着重要的指导作用。     

基于Sparse K-SVD学习字典的语音增强方法

提出一种基于Sparse K-SVD学习字典的语音增强方法,采用Sparse K-SVD算法自适应地训练一个可稀疏表示的冗余字典,在该冗余字典上采用正交匹配追踪(OMP)算法对带噪语音信号进行稀疏分解,利用稀疏系数矩阵重构纯净语音,实现语音增强.使用NOIZEUS语音库进行了一系列的语音增强实验,主客观评测数据表明,基于稀疏表示的语音增强方法(分别使用Sparse K-SVD和K-SVD训练字典)相对于传统语音增强方法(小阈值波法、谱减法、改进谱减法)可进一步改善语音质量;对字典训练时间进行统计,发现Sparse K-SVD算法训练字典消耗的时间为K-SVD算法训练时间的1/6~1/10,大幅度提高了计算效率.     

基于非线性主元分析的水轮机调节系统传感器故障诊断

利用现场的运行数据,将基于输入训练神经网络的非线性主元分析(PCA)方法应用到水轮机调节系统传感器故障诊断中,讨论了基于输入训练神经网络的非线性主元分析实现方法,建立了输入训练神经网络和反向传播网络,实现了对实测数据的重构,讨论了利用平方预测误差(SPE)进行故障检测和识别的方法,并用现场实测数据对该方法进行了仿真。仿真结果表明,该方法有效且实用。     

基于极限学习机的脉动风速快速预测方法

提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.     

教育信息化2.0下的生物科学（师范）微格教学的探索

为全面提高生物科学(师范)微格教学的技能,以教育部《教育信息化2.0行动计划》为行动指南和工作目标,在现有的微格、网络教学系统的基础上,微格教学训练中,构建基于移动智能终端设备自主训练、建成"互联网+教育"平台、制作微课、创建雨课堂,以全面提高生物科学(师范)的培养效率和教学能力。     

基于支持向量机的并行学习方法研究

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.     

基于自编码器和密度的融合离群点检测算法

针对基于栈式自编码器的离群点(SAE)检测算法和基于密度的离群点(LOF)检测算法检测精度不高的问题,提出了将SAE算法和LOF算法相结合的SAE-LOF算法.该算法的核心是对单独的SAE算法和LOF算法加入"投票"思想,通过神经网络训练权重,计算SAE算法和LOF算法加权投票结果,进而检测离群点.首先,训练并测试SA...     

基于增强拓扑神经进化的等效并行机动态调度

针对工件动态到达、处理时间不确定且机器须要弹性预防维护的等效并行机调度问题,以平均流程时间最小化为目标,提出了基于强化学习的动态调度方法．将调度过程作为马尔可夫决策过程,通过定义状态空间、行为空间、奖励函数与适应度函数,提出基于增强拓扑神经进化(NEAT)算法的动态调度方法．设计三种规模问题的实例,将基于NEAT的方法与最短路径树(SPT)、先装先卸(FIFO)调度规则及基于深度Q网络(DQN)的方法进行比较,结果表明：基于NEAT的方法相比基于DQN的方法能够以更短的训练时间获得更优、更稳健的调度方案,相比SPT和FIFO调度规则能够获得更优的目标值,利用训练好的NEAT模型对随机生成的大规模问题实例的快速高质量求解结果表明,基于NEAT的调度方法具有更好的泛化性能．     

基于可调节判别器的领域适应

当前基于对抗学习的领域适应(DA)对目标样本的适应性较差,导致目标域的预测精确度较低,为此提出基于可调节判别器的领域适应(A-DADA)算法.首先,利用两个判别器分类概率的距离作为权重应用到目标域对抗训练损失函数中,旨在减少已对齐目标样本对抗训练的次数同时增加未对齐目标样本的对抗训练次数;其次,将平方熵损失函数作为最小...     

基于随机漂移粒子群优化的随机森林预测模型及水文应用实例

提出一种基于随机漂移粒子群(RDPSO)算法优化的随机森林(RF)预测方法,利用RDPSO算法优化RF决策树数量和分裂属性个数两个关键参数,构建RDPSO-RF预测模型,并与基于RDPSO算法优化的支持向量机(SVM)、BP神经网络预测模型作对比,以某水文站枯水期1～3月月径流预测为例,利用实例前43年和后10年资料对3种模型进行训练和预测.结果表明,RDPSO-RF模型对实例1～3月月径流训练、预测的平均相对误差绝对值分别为4.28%、3.88%、5.67%和3.74%、4.57%、4.88%,训练、预测精度均优于RDPSO-SVM、RDPSO-BP模型,具较好的预测精度和泛化能力,可为相关预测研究提供参考和借鉴.     

CWGAN-DNN：一种条件Wasserstein生成对抗网络入侵检测方法

针对现有的基于机器学习的入侵检测系统对类不平衡数据检测准确率低的问题,提出一种基于条件Wasserstein生成对抗网络(CWGAN)和深度神经网络(DNN)的入侵检测(CWGAN-DNN).CWGAN-DN N通过生成样本来改善数据集的类不平衡问题,提升对少数类和未知类的检测效率.首先,通过变分高斯混合模型(VGM)对原始数据中的连续特征进行处理,将连续特征的高斯混合分布进行分解;然后利用CWGAN学习预处理后数据的分布并生成新的少数类数据样本、平衡训练数据集;最后,利用平衡训练集对DNN进行训练,将训练得到的DNN用于入侵检测.在NSL-KDD数据集上进行的实验结果表明:利用CWGAN生成的数据进行训练,DNN的分类准确率和F1分数提升了5％,AUC下降了2％;与其他类均衡方法相比,CWGAN-DNN的准确率至少提升了3％、F1分数和AUC提升了1％.     

基于BERT-IDCNN-CRF的中文命名实体识别方法

预训练语言模型能够表达句子丰富的句法和语法信息,并且能够对词的多义性建模,在自然语言处理中有着广泛的应用,BERT(bidirectional encoder representations from transformers)预训练语言模型是其中之一。在基于BERT微调的命名实体识别方法中,存在的问题是训练参数过多,训练时间过长。针对这个问题提出了基于BERT-IDCNN-CRF(BERT-iterated dilated convolutional neural network-conditional random field)的中文命名实体识别方法,该方法通过BERT预训练语言模型得到字的上下文表示,再将字向量序列输入IDCNN-CRF模型中进行训练,训练过程中保持BERT参数不变,只训练IDCNN-CRF部分,在保持多义性的同时减少了训练参数。实验表明,该模型在MSRA语料上F1值能够达到94.41%,在中文命名实体任务上优于目前最好的Lattice-LSTM模型,提高了1.23%;与基于BERT微调的方法相比,该方法的F1值略低但是训练时间大幅度缩短。将该模型应用于信息安全、电网电磁环境舆情等领域的敏感实体识别,速度更快,响应更及时。     

基于古音系统的汉语方言语音合成

采用HTS语音训练合成工具和STRAIGHT语音合成器,尝试在未知某方言(或土语)的实际语音系统的条件下开展相应的语音训练合成工作。采用古音系统来转写汉语字音,并在此基础上设计相应的问题集以实现语音训练合成。设计了一套面向汉语方言语音合成的通用发音文本;录制了一些汉语方言点的合成语音语料库;搭建了基于古音系统的汉语方言语音合成平台。普通话的合成实验结果表明:基于古音系统训练合成出来的语音,在可懂度和音质上跟基于普通话拼音系统训练合成出来的语音非常接近。这表明基于古音系统进行汉语方言语音合成的方法是有效的、可行的。     

基于RS-MIV-ELM模型的基坑水平位移影响因素分析和预测

为了预测基坑的测斜最大水平位移及深度,提出了基于粗糙集(RS)属性约简、平均影响值(MIV)和极限学习机(ELM)的组合模型RS-MIV-ELM.在系统分析、量化变形影响因素的基础上,利用RS属性约简算法和基于ELM的MIV算法(ELM-MIV)分别去除影响因素集中的冗余因素和相关性极小的因素,以简化模型输入变量;采用简化的影响因素集训练ELM模型,并用ELM模型对其他测点位移进行预测.验证结果表明,RS-MIV-ELM模型的训练速度、预测精度和泛化能力均比全因素ELM模型和基于最简集的BP神经网络模型RS-MIV-BP具有较大的提高,其均方根误差和平均相对误差仅为全因素ELM模型和RS-MIV-BP模型的1/2~2/3.     

基于GMM托肯配比相似度校正得分的说话人识别

该文提出一种基于Gauss混合模型(GMM)托肯配比相似度校正得分(GMM token ratio similarity based score regulation,GTRSR)的说话人识别方法。基于GMM-UBM(通用背景模型)识别框架,在自适应训练和测试阶段计算并保存自适应训练语句和测试语句在UBM上使特征帧得分最高的Gauss分量编号(GMM token)出现的比例(配比),然后在测试阶段计算测试语句和自适应训练语句的GMM托肯分布的配比的相似度GTRS,当GTRS小于某阈值时对测试得分乘以一个惩罚因子,将结果作为测试语句的最终得分。在MASC数据库上进行的实验表明,该方法能够使系统识别性能有一定的提升。     

MIMO SC-FDMA系统中半盲信道估计新方法

单载波频分多址(SC-FDMA)已经被3GPP确定为长期演进(LTE)上行链路的多址接入方式,它是正交频分多址(OFDMA)的一种改进形式,多入多出(MIMO)技术也是LTE中的关键技术.文中提出一种应用于MIMO SC-FDMA系统的半盲信道估计方法,它联合了基于训练的最小二乘(LS)准则以及基于线性预测的盲约束.仿真结果表明,在采用相同数量的训练符号时,文中提出的方法明显优于传统LS算法.     

基于深层卷积网络的单幅图像超分辨率重建模型

【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。