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.     

一种秘密递增显示的视觉密码方案

提出的秘密递增显示视觉密码方案(RIVCS)适合于由多个具有不同的保密级别区域组成的秘密图像,该方案下可以以增量的方式显示隐藏的秘密图像。使用线性编程开发有效的生成RIVCS的基础矩阵的程序,该程序满足来了减少像素扩展的需求。实验结果证明此方案是可行的、适用的和灵活的。文章最后提出了本方案未来的改进方向。     

多线性极大算子在Orlicz空间的弱有界性估计

Orlicz空间是一类较具体的Banach空间,在Banach空间理论和应用的研究中起着非常重要的作用。定义多个单线性分数次极大算子的乘积算子为■,得到■的弱有界性,再利用■控制多线性分数次极大算子,得到多线性分数次极大算子的弱有界性。所得结果扩充了分数次极大算子在Orlicz空间的有界性结论。     

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.     

中立型时滞互联系统的H∞记忆反馈控制

为研究一类中立型时滞互联系统的H∞控制问题,当滞后时间对系统影响较小时,设计分散化记忆反馈控制器,并应用李雅普诺夫函数理论,结合自由加权矩阵和牛顿-莱布尼茨公式对系统进行稳定性分析,应用线性矩阵不等式给出系统存在外界干扰时仍能保持稳定且满足H∞性能指标的充分条件.最后应用Matlab对系统进行数值仿真,仿真结果表明,所提控制方法不仅能保证被控系统的稳定性,而且当系统存在外界干扰时能保证具有H∞性能指标.     

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%。     

基于SPSS多元线性回归对城市用水量的分析

城市用水量是城市给水系统规划的一项重要参考指标,对城市用水量的预测具有重要意义。通过查阅北京统计局出示的有关数据以及阅读相关文献,搜集北京市近15年的统计资料,基于SPSS多元线性回归中的逐步回归分析法,建立回归模型。经检验,该模型具有较高准确度,可以用来预测城市用水量。     

公理化局部有限空间中映射连续性的扩展

用公理化方法研究了局部有限空间中的连续映射及其扩张问题。给出了局部有限空间的公理化定义方法;利用邻近关系研究了局部有限空间中的连续映射、同胚和局部同胚等问题;通过对局部有限空间变形的研究,定义了局部有限空间的一种特殊收缩核,有效地解决了局部有限空间中连续映射的扩张问题。     

刺纹车轮虫 18S rDNA 克隆与序列分析

首次对刺纹车轮虫(TrichodinacentrostrigataBasson,VanAs & Paperna, 1983)进行了 18S rDNA 的克隆测序并分析，研究结果显示：刺纹车轮虫是一种具有辐射状中央颗粒的淡水车轮虫，具有相对较高的 GC 含量而位于分子系统树的顶枝，它与海水环境中的车轮虫具有较高的序列相似性及较近的遗传距离从而聚为一枝。研究提示刺纹车轮虫具有较强的宿主适应性，在系统进化中分化较晚并与海水种类具有较近的亲缘关系；此外，车轮虫的同源性与 18S rDNA序列相似性、遗传距离具明显相关性，GC 含量与分子支序树分枝具有明显相关性。