人工神经网络紫外分光光度法同时测定苯和甲苯

应用三层ANN_BP网络解析苯和甲苯的吸收光谱 ,不经分离 ,用紫外分光光度法同时测定苯和甲苯 .使用改进的BP算法 ,避免了神经网络学习过程中可能产生的麻痹现象 ,提出了目标向量的简单变换方法及便于网络参数选择的收敛评价函数 .实验验证了方法的有效性 ,同时表明 ,苯在 0 - 72 0mg/L和甲苯在 0 - 84 0mg/L范围内服从比尔定律     

神经网络自适应控制器设计

对前馈神经网络用于动态系统的辨识、自适应控制进行了分析和数学推导，给出了自适应神经网络控制器的设计方法．最后通过仿真实例进行了说明．     

无线异类数据网服务质量体系结构解决方案

设计了一套具有高性能的适合于移动数据网（超2．5G）和无线本地区域网（WLAN）组成的综合数据网的网络体系结构，提供基于预留端到端的QoS模型，使用带宽适应算法支持端到端的QOS，提高了系统资源的利用率，减少了呼叫拥塞概率和交接丢包概率，解决了2个系统QoS类不匹配等问题，平衡了2个系统的传输能力。     

农村剩余劳动力转移中的深层次矛盾及政策取向

简析了农村剩余劳动力的成因及现状,对转移中的深层次矛盾加以剖析,提出了政策建议,以期就教与方家.     

可压缩流体网络的建模方法

本文运用网络分析手段,首次提出了任意拓扑结构可压缩流体网络动态特性的建模方法.该方法突破了目前在流体网络分析中普遍采用的“小扰动”线性化处理方法的局限。     

Systems and organizations: Distal and proximal thinking

The paper introduces the contributions to this special issue ofSystems Practice on Systems and Organizations: New Directions in terms ofdistal andproximal thinking. Distal thinking refers to ready-made concepts, to the finished effects and outcomes of thought and action; proximal thinking, to process and event, to the continuous and unfinished. The papers presented here deal with various aspects of the distal/proximal distinction in social systems and organizations, and especially draw out the implications of recent work in information technology, sociology of technology, accounting theory, and organization studies for a proximal conception of systems and organizations.     

基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。