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.     

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.     

基于高斯字典原子稀疏表示的高精度宽角SAR成像方法

为了提高从宽角合成孔径雷达(synthetic aperture radar, SAR)图像中提取目标后向散射各向异性特性的性能,在宽角SAR字典稀疏表示模型的基础上,提出一种基于高斯字典原子的高精度宽角SAR成像方法。在字典构造上,采用不同中心位置、相同方差的高斯函数。在求解稀疏表示系数上,采用广义最小最大凹惩罚稀疏重构算法求解。最后，根据稀疏表示系数的重构结果以及构造的字典得到目标的后向散射各向异性特性。通过仿真实验和Backhoe数据对算法进行验证,结果表明,该方法能够高精度地提取目标的后向散射各向异性特性。     

具有sn-网的空间

证明了具有σ—点有限sn—网及σ—局部可数sn—网的空间可刻划为度量空间在某些确定映射下的象.     

不可微多目标数学规划的高阶对偶性

引入了一类不可微多目标数学规划的高阶对偶模型。在广义凸性条件下,建立了弱对偶性定理。其结果推广和统一了近期文献上出现的结果。     

一种特殊递推关系序列的判断及求解

对于特征多项式为C(x) =(x- 1) r的特殊递推序列an,给出了它的通解求法以及判定它的充要条件 :存在整数r≥ 1,对任意的n≥ 0 ,Δran =0成立。其中Δran 为递推序列 {an}的r阶差分。     

蕴含W5可图序列的最小度和

Gould,Jacobson和Lehel考虑了下述经典Tur偄n型极值问题的变形:对于给定的图H,确定最小的正偶数σ(H,n),使得对于每一个n项可图序列π=(d1,d2,…,dn),当σ(π)=d1+d2+…+dn≥σ(H,n)时,π有一个实现G包含H作为可图的.本文确定了当n≥11时,σ(W5,n)之值,其中Wr是r个顶点的轮图.     

累次极限换序的一个充分条件

本文对于二元函数的累次极限的换序给出了一致收敛这一充分条件。     

序列模式挖掘的两种典型算法及比较

序列模式挖掘是数据挖掘的重要分支,GSP算法与PSP算法是序列模式挖掘中的两种典型算法。本文介绍了这两种算法并对其进行了分析与比较。     

A NEW DESCRIPA NEW DESCRIPTOR OF AMINO ACIDS BASED ON THE THREEDIMENSIONAL VECTOR OF ATOMIC INTERACTION FIELD

QUANTITATIVE STRUCTURE ACTIVITY RELATIONSHIP (QSAR) IS A VERY IMPORTANT TOPIC FOR MANY SCIENTIFIC FIELDS AND CAN BE TERMED AS QUANTITATIVE SEQUENCE ACTIVITY MODELS(QSAM)[1] WHEN REFERRED TO THE RESEARCH ON RELATION- SHIPS BETWEEN STRUCTURES AND ACTIVITIES OF BIOLOGICAL MOLECULES, SUCH AS PROTEINS, AND NUCLEIC ACIDS. HOW- EVER, IT IS VERY DIFFICULT TO ESTABLISH A QSAM MODEL,…