宇宙环境新认知——有关2019年度诺贝尔物理学奖的理解

<正>2019年度诺贝尔物理学奖同时授予了系外行星和宇宙学领域,以表彰天文学家米歇尔·梅耶(Michel Mayor)与迪迪尔·奎罗兹(Didier Queloz)在系外行星发现上做出的突出贡献,以及理论宇宙学家詹姆斯·皮布尔斯(James Peebles)从理论角度为现代宇宙学物理体系的建立做出的杰出贡献.诺贝尔奖委员会给出的理由是"为我们理解宇宙的演化和地球在宇宙中的位置做出的贡献",以他们3人为代表的科学家们为人类在现代科学的框架下重新认识自身与宇宙的关系提供了重要思路.一方面,让人类重新思考我们所生活的这个星球在宇宙中是否是独一无二的,对探索系外宜居星球和寻找外星生命非常重要;另一方面,使     

基于维基语义的多文档文摘研究

多文档文摘作为自然语言处理领域的重要技术之一,能从不同角度辅助用户实现高效的信息获取.由于文档集合内的内容往往来自不同的信息源,文本之间通常存在丰富而复杂的语义关系.常用的基于词的文档表示法,难以为文摘的语义分析过程提供充足而准确的数据信息.为此,我们提出使用维基百科——当今世界最大的在线概念语料库——为多文档文摘的提取提供语义支持.一方面,我们通过提取文档中的维基概念,生成准确一致的句子表示形式.另一方面,在计算句子特征时,我们利用维基词条的首段指导机器文摘的提取.我们首先通过计算概念在维基中的全局相关性和当前文档集内的局部相关性,获取概念的权重.然后在维基概念表示的基础上,为文档中的句子提取多种基于维基的特征,并最后用于文摘生成.在实验中,我们依次用各个维基特征独立生成文摘,并使用ROUGE(Recall-Oriented Understudy for Gisting Evaluation,面向召回率的要点评估)指标评价文摘质量.通过比较,实验验证了维基词条首段能较好的提升文摘质量.     

基于PCA及聚类技术的支持向量机分类器设计

提出了一种新的支持向量机分类器的设计方法，该方法利用主成分分析（PCA）及聚类技术在原问题空间中求解，减少了支持向量机分类器中支持向量的维数，且将原问题空间与特征空间中的问题归结为同一类的设计问题。     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

基于对象和规则的专家系统构造工具FRS

叙述了一个基于对象和规则的混合式专家系统构造工具,该系统使用框架、规则和人工神经网络等多种知识表示形式,采用模糊推理机制,运用正向、反向及正反向混合的推理形式,提供了非单调推理功能,形成了一个表达能力强、适用广泛的工具系统.本文着重时该系统的总体结构、模糊推理与人工神经网络的应用进行了论述.     

文本分类实现技术

文本分类是文本数据挖掘的重要技术.从文本分类实现过程的各个环节,包括建立文档模型、特征提取、维数约简、选择分类策略几个方面分别给出了目前实用的解决方案,同时对各种算法进行了分类和性能上的定性与定量的比较,最后讨论了国内文本分类研究中的一些问题和未来的发展.     

婴儿宇宙时的种子黑洞

<正>最近,事件视界望远镜(EHT)拍摄到首张黑洞影子的照片在全球引起了轰动,黑洞这一话题又一次回到人们的视野中。目前我们熟知的黑洞形成机制是,在年老恒星死亡时,内部核反应产生的压力无法抗衡自身重力后坍缩形成黑洞。然而还有一类鲜为人知的宇宙学起源黑洞,那就是原初黑洞(Primordial BlackHole,PBH),这是一种由于宇宙极早期局域的超致密扰动坍缩形成的天体。可以想象     

高度重叠社区的社区合并优化算法

当原图转换成边图后,在边图上进行社区发现可以天然地得到重叠社区,然而得到的社区往往相互大面积重叠,甚至相互包含,导致社区模块性质量较低.针对这一问题,在得到边图下重叠社区发现算法结果的基础上,我们将进一步以优化重叠社区模块化质量函数为标准进行社区合并,以获得高质量的重叠社区.本文首先提出一种描述社区间重叠程度的重叠系数,并基于此进一步提出一种构建带权社区图的启发式方法,能够快速有效地完成社区合并的过程.在人工生成网络与真实世界网络上的实验,进一步验证了该算法能够在不削弱边图方法速度优势的前提下,提高高度重叠社区的模块性.     

入侵检测规则动态生成研究

在入侵检测研究领域中,提高检测模型的检测率并降低误报率是一个重要的研究课题.本文提出了一种针对网络入侵检测事务流的实时动态规则生成方法.该方法解决了当前主流关联规则生成算法应用到入侵检测过程中存在的多遍扫描、大量无效规则和频繁集产生等问题.实验结果表明,文中所提出的方法在规则动态生成和对网络异常情况的检测方面都显示出比较好的性能,相对Snort入侵检测系统,平均提高10%左右的检测精度,克服了Snort系统在异常检测方面的局部缺陷.