一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

半潜式钻井平台螺旋桨修复技术的应用研究进展

针对半潜式海洋钻井平台推进器螺旋桨面临的空泡腐蚀、电化学腐蚀以及海洋生物附着污损等问题，综述了焊接、粘接、热喷涂、冷喷涂修复技术的应用研究进展。认为目前的螺旋桨修复再制造技术普遍存在着修复层应力集中、结合强度低、孔隙率高、高温导致材料变性等缺陷，今后的研究工作应向着避免应力集中、增大修复层结合强度、降低作业温度、减小孔隙率的方向发展，以期能够制备更加致密均匀的修复层。     

红树林保护与修复标准发展现状及对策

回顾近20年来中国对红树林的保护以及通过人工造林进行恢复的情况, 梳理我国红树林保护与修复的相关标准, 厘清现行标准存在的问题, 提出如下相应的建议与对策。1) 应结合国家碳中和战略及红树林保护与恢复规划目标, 制定完善的红树林保护与生态修复技术标准体系规划, 加快相关国家标准的出台; 2) 在编制红树林保护与修复相关标准的同时, 应注重红树林固碳能力和增汇效应的提高; 3) 建议制定退塘还林相关标准, 填补国内空白; 4) 应充分落实“自然恢复为主、人工修复为辅”的生态修复原则, 重视并加强红树林保护与修复标准的技术细节制定; 5) 标准的制定和实施应由红树林研究专业机构及专家深度参与, 提高造林成活率。     

基于三维点云的岩体结构面自动分类与参数计算

结构面间距是岩体稳定性和力学特性分析中的一个重要参数，在岩石力学、采矿工程、边坡监测等领域的数值计算中广泛应用.本文以岩体边坡露头为研究对象，基于非接触测量获得的三维点云数据，提出一种基于密度聚类的结构面细化分类方法；在结构面粗略分组提取的基础上，通过投影变换、散乱点拟合等算法，求得结构面间距和岩体体积节理数.设计开发了结构面细化分类及间距等参数计算与分析原型系统，实际案例分析表明，本文方法可有效实现结构面的自动细化分类，并能够计算出间距等相关参数，可为岩体质量分级和岩体稳定性分析等提供方法支撑.     

汽车修竣后的检验

长期以来，如何对修竣后的汽车进行系统性的检验，如何了解汽车的技术性能是否得到完全恢复，这些问题一直困扰着广大汽车维修和检测人员。主要对修竣后的汽车，如何进行路试前、路试中及路试后检验进行了详细的探讨。     

修配法解装配尺寸链的简易计算

推导出了修配法解装配尺寸链的简易计算公式．使修配法分析计算更为简便，更易于掌握。     

工艺规划系统中动态模式分类的研究

提出了工艺规划系统中动态模式分类（pattern classification）的概念，介绍了模式分类判定树和动态模式分类的基本原理，并对动态模式分类的聚类质量标准进行了研究。动态模式分类是基于实例归纳（case based reasoning,CBR)的自动分类过程，具有自学习和自完善的功能。     

Solving Non-Uniqueness in Agglomerative Hierarchical Clustering Using Multidendrograms

In agglomerative hierarchical clustering, pair-group methods suffer from a problem of non-uniqueness when two or more distances between different clusters coincide during the amalgamation process. The traditional approach for solving this drawback has been to take any arbitrary criterion in order to break ties between distances, which results in different hierarchical classifications depending on the criterion followed. In this article we propose a variable-group algorithm that consists in grouping more than two clusters at the same time when ties occur. We give a tree representation for the results of the algorithm, which we call a multidendrogram, as well as a generalization of the Lance andWilliams’ formula which enables the implementation of the algorithm in a recursive way. The authors thank A. Arenas for discussion and helpful comments. This work was partially supported by DGES of the Spanish Government Project No. FIS2006–13321–C02–02 and by a grant of Universitat Rovira i Virgili.