基于RoBERTa-WWM的中文电子病历命名实体识别

电子病历（EMRs）中包含着丰富的信息,如临床症状、诊断结果和药物疗效。命名实体识别（Named Entity Recognition, NER）旨在从非结构化文本中抽取命名实体,这也是从电子病历中抽取有价值信息的初始步骤。本文提出一种基于预训练模型RoBERTa-WWM（A Robustly Optimized BERT Pre-training Approach-Whole Word Masking）的命名实体识别方法。该方法引入预训练模型RoBERTa-WWM,利用其生成含有先验知识的语义表示。与BERT（Bidirectional Encoder Representations from Transformers）相比,RoBERTa-WWM生成的语义表示更适用于中文的命名实体识别任务,因为其在预训练阶段会进行全词掩码。RoBERTa-WWM生成的语义表示被依次输入双向长短时记忆（Bidirectional Long Short-Term Memory, BiLSTM）和条件随机场（Conditional Random Field, CRF）模型。实验结果表明,该方法在“2019全国知识图谱与语义计算大会（CCKS 2019）”数据集上可以有效提升F1值,提高中文电子病历中命名实体的识别效果。     

基于深度网络的出租车Pick-up需求预测

在智慧城市建设中,区域的出租车需求预测是一个十分重要的模块。为了预测指定区域未来时刻的出租车需求,本文通过拓展已有序列模型,提出一个多时间分辨率的基于层次注意力机制的循环高速网络（Multi-Time Resolution Hierarchical Attention-Based Recurrent Highway Networks, MTR-HRHN）。MTR-HRHN将对外生数据时空特征的提取和目标数据的时空建模整合到单个框架中,并且通过多分辨率（例如每个小时或者每天）对序列数据不同的时间属性建模,从而捕获更全面的时间模式。最后,在纽约市出租车数据集上评估MTR-HRHN的预测性能。实验结果表明,与其他经典时间序列预测方法相比,MTR-HRHN在多个高需求区域的短期需求预测上表现出更好的预测性能。     

基于深度置信网络的多变量时间序列分类方法

针对当前多变量时间序列分类方法未考虑降维处理多变量时间序列,导致多变量时间序列分类精度较低,分类时间较长的问题,提出了基于深度置信网络的多变量时间序列分类方法.通过构建深度置信网络模型结构,基于受限玻尔兹曼机,提取可见单元与隐藏单元特征信息,采用Isomap算法,在深度置信网络内进行优先特征提取操作,通过附加约束构造半正定矩阵,降维处理多变量时间序列.在低维特征空间内,利用支持向量机中分线性分类函数,计算得到拉格朗日乘子,根据正则化参数特性,通过高斯核函数,计算得到最优核函数,完成多变量时间序列分类.实验结果表明,提出方法的泛化误差较小,能够有效提高多变量时间序列分类精度,缩短多变量时间序列分类时间.     

视频流传输中拥塞控制策略的研究

网络带宽的拓展及因特网服务的多样性使视频流得到了广泛的应用,同时为保证网络传输的可靠性和稳定性,对视频流的拥塞控制也提出了一定的要求。在研究视频流传输特点和拥塞控制机制的基础上,提出了一种更适合视频流传输的拥塞控制算法,并通过实验对其在速率变化平滑性、传输有效性及延迟抖动等方面进行验证,可以作为对传输质量和稳定性要求较高的视频流服务的拥塞控制策略。     

基于信息传播节点集的CTDN节点分类算法

针对连续时间动态网络的节点分类问题,根据实际网络信息传播特点定义信息传播节点集,改进网络表示学习的节点序列采样策略,并设计基于信息传播节点集的连续时间动态网络节点分类算法,通过网络表示学习方法生成的节点低维向量以及OpenNE框架内的LogicRegression分类器,获得连续时间动态网络的节点分类结果。实验结果表明,与CTDNE和STWalk算法相比,该算法在实验条件相同的情况下,网络表示学习结果的二维可视化效果更优且最终的网络节点分类精度更高。     

基于多普勒测速的水下传感器时间同步算法

时间同步是水下传感器网络的关键技术,由于海洋中采用水声通信时传播时延高且存在多普勒频移,导致使用射频通信的陆上时间同步算法无法直接应用于水下环境。基于多普勒测速原理和节点在水下的移动性,提出一种新型的时间同步CD-Sync算法。利用具有聚类特性的分簇模型选择合理的簇首节点,并与水面信标节点进行簇内同步,且在同步过程中,同步节点利用多普勒原理估算节点间的相对移动速度,从而计算节点间的传播延迟。实验结果表明,与基于分簇时间同步MU-Sync算法和分布式时间同步NU-Sync算法相比,该算法可在缩短节点间距离并加快节点间同步收敛速度的同时,有效提高时间同步的精度。     

基于OLPP符号表示的时间序列分类算法

基于符号表示的时间序列分类方法是时间序列数据挖掘的关键技术。大部分现有方法主要针对单个时间序列样本进行符号表示,没有考虑样本间的近邻关系对符号化分类的影响。对此提出一种基于正交局部保持映射(Orthogonal Locality Preserving Projection,OLPP)的时间序列符号表示方法。使用OLPP对原始数据集进行维数约减,利用信息增益寻找维数约减后数据的最佳符号投影区间,采用多重系数分箱技术(Multiple Coefficient Binning,MCB)将降维后数据表示成符号序列。该算法在20个时间序列数据集上的分类效果好于已有方法,有效利用样本间的近邻关系能够显著提高算法的分类性能。     

基于混合CNN的自然语言因果关系抽取方法

针对现有自然语言因果关系抽取模型的低准确性和自由参数过多等问题,提出高效的面向知识通道和面向数据通道相结合的混合卷积神经网络(Mixed Convolution Neural Network,MCNN)方法.面向知识通道结合词汇知识库中因果关系的语言知识,自动生成的卷积过滤器以捕获因果关系的重要语言线索.实验表明与Sin-gleCNN和MultiCNN相比,该方法在因果关系提取方面效果更优.     

基于空间非迭代Oseen格式的时间解耦局部并行方法

基于空间非迭代的Oseen格式,以软件FreeFem++的MPI功能为平台,提出时间解耦的局部并行方法来求解Navier-Stokes/Navier-Stokes耦合方程.通过解耦复杂区域,将耦合方程的求解转换为并行区域上单一非定常Navier-Stokes方程的求解.在空间上利用Oseen格式一步线性校正,时间上按照步长直接推进.数值实验表明,与空间非迭代Oseen格式的欧拉时间推进方法相比,该方法在保证精度的情况下,运行时间较短,显现了耦合方程求解的高效性.     

中子辐照SiC晶格肿胀及退火回复机理研究

为研究辐照缺陷产生及其热稳定性,对SiC晶体实施了不同通量中子辐照.利用高分辨X射线衍射和单晶X射线衍射研究了中子辐照6 H-SiC晶体的肿胀效应以及退火对肿胀的回复作用.研究结果表明,SiC晶体经中子辐照后产生的主要缺陷是点缺陷,中子辐照通量越大,SiC晶体肿胀效应越显著.在2.85×1024 n/m2辐照通量下,SiC晶体未出现非晶化.高温退火可使肿胀的SiC晶格回复,1450℃退火275 min晶胞参数回复至辐照前水平.退火过程晶胞体积回复符合一级反应方程,利用等温退火方法计算分析迁移能分布.实验发现不同缺陷迁移能分别对应不同退火温度阶段:0.16 eV对应200～500℃退火;0.24 eV对应600～1100℃退火;1.15 eV对应1200～1400℃退火.200～500℃温度区间主要是C的Frenkel缺陷复合;600～1100℃温度区间主要是Si的Frenkel缺陷复合;更高温度区间1200～1400℃则对应C、Si间隙原子复合.实验结论对全面掌握晶体测温技术、提高测温精度具有一定的指导意义.