基于机器学习的文学作品英译自动评价

为了提高文学英译作品自动评价的水平,引入基于机器学习的智能算法模型成为当前最有效的方法.首先研究文学作品的翻译规则和特殊性,建立基于变量特征的翻译评价指标体系;然后利用Python语言平台,英译文本经Stanford Parser、NLTK等工具包过滤预处理之后,采取VSM向量空间模型获得特征编码和特征度,再输入到Random-RF、Original-RF和AHP-RF算法模型中训练学习,完成翻译质量评价与分析.实验结果表明,融合层次分析法、灰色关联法和随机森林算法的AHP-RF模型的分类效果优于其它2种,同时人工译本相较于其它4种机器译本,质量评分高、分类错误率小,评价结果与实际翻译情况吻合.     

基于熵权-模糊层次分析法的清淤泵性能评价及选型

使用桩腿内切割方式进行导管架平台拆除过程中,需对桩腿进行抽泥作业;清淤泵作为桩腿内抽泥系统的关键设备,其性能直接决定了清淤系统的工作效率.为了获得抽泥系统中清淤泵的最优配置方案,基于熵权-模糊层次分析法对清淤泵的性能进行综合评价.建立清淤泵性能指标评价数学模型,从5种性能相近的清淤泵中获得了最优选型方案.研究结果表明:NSQ100-60-45型清淤泵的综合评价权重最大,性能更适合桩腿内抽泥作业.文章建立的清淤泵性能评价模型具有较高的可靠性,对抽泥系统中清淤泵方案选择具有指导意义.     

多源遥感水库蓄水量估算系统

水库蓄水量研究对于合理保护和利用水资源具有重要的指导意义.针对水库蓄水量估算研究现状和不足,使用星载雷达高度计(RA)提取水库的遥测水位,利用星载多光谱成像仪(MSI)和星载合成孔径雷达(SAR)提取水库的水域面积,基于数据同化技术建立了多源遥感水库蓄水量估算模型,并开发了一款多源遥感水库蓄水量估算系统.该系统可以无接触地获取遥测水位和水域面积并估算蓄水量,具有稳定性、通用性等特点,有望应用于防汛抗旱、水库调度等领域,为管理部门科学化、高效化管理水库提供技术支撑.     

地球系统模式CAS-ESM 2.0性能评估与分析

地球系统模式是研究气候变化、进行地球系统建模的重要软件. 中科院地球系统模式CAS-ESM (Chinese Academy of Sciences-Earth System Model)是中科院大气所发展的进行地球系统模拟的高性能计算应用软件, 目前已经发布了2.0版本, 其模拟性能一直是制约其发展的关键因素之一. 为了对CAS-ESM 2.0进行性能评估和分析,将CAS-ESM 2.0移植到中科院高性能计算系统"元"和"地球系统数值模拟装置"原型系统这两大高性能计算平台上, 开展了耦合数值模拟试验. 试验结果显示, CAS-ESM 2.0存在受平台影响的性能差异, 大气模式的运行时间占比最高, 超过了其他分模式的总和, 部分分模式存在可扩展性问题. 然后对试验结果进行了进一步的分析, 发现大气模式的性能瓶颈主要是由通信造成的. 因而对CAS-ESM 2.0的后续研发发展工作中, CAS-ESM的跨平台优化、大气模式的性能优化与并行算法改进、分模式的可扩展性应该是研究的重点之一.     

红外成像导引头抗干扰性能评价指标体系

目前,各类红外成像制导导弹面临的主要问题是抗干扰能力的强弱,包括自然环境干扰和人工干扰两种;因此红外导引头的抗干扰性能成为各类红外制导导弹的关键性能,极大地影响到导弹的作战性能;为了能够合理的评价红外成像导引头的抗干扰性能,就必须制定合理的红外成像导引头抗干扰性能评价指标;为此,笔者根据红外成像导引头的抗干扰工作过程及其特点,以及传统的评价指标,并借鉴深度学习的评价指标,提出了由截获能力、识别能力、跟踪能力和命中精度能力这四方面组成的抗干扰性能评价指标体系;明确了四项指标下的二级指标内涵和计算方法,根据红外仿真与数据处理结果表明,这4种评价指标均可以有效地体现出导引头抗干扰性能的强弱,而且识别能力和命中精度这两个指标更加突出,故笔者所提出的红外成像导引头抗干扰性能指标体系及其计算方法,均可成为红外成像制导导弹抗干扰性能评估的判断依据.     

相控阵天气雷达站环境参数计算及评估系统研发

作为S波段新一代天气雷达的重要补充,目前广东省正加快建设X波段双极化相控阵天气雷达;如何更好地做好优化布局提升全网覆盖率和探测能力,站点选择是否科学合理显得尤为重要;文章设计一套全新的基于数字高程DEM的探测环境参数智能分析系统,客观、定量、自动计算探测净空投影面积、净空占总投影面积比例、投影阻挡面积比例、探测净空体积、静锥盲区体积、低空盲区体积、扫描立体空域完备度等,在现场选址时能够1分钟内输出综合分析结果和建议;作为辅助选址系统,已经在广东省26部X波段双极化相控阵天气雷达选址中应用,输出结论对现场选址起到了很好的指导性作用,为雷达系统建设快速提供科学决策依据.     

基于深度学习的广告布局图片美学属性评价

图像质量美学评价是近十年来比较热门的课题,但是研究的大多是对自然图像的美学评价。然而随着互联网技术的发展,线上广告业务得到了迅速发展,因此准确高效地评价一张广告布局图片的好坏是很有必要的。所谓广告布局图片,即广告图片不考虑广告语的具体内容。为了研究广告布局图片的质量美学评价,引入了一个新的数据集ALID,该数据集包含了四个美学属性的数值评分和语言评价;提出了美学多属性网络,该网络包含了三个部分:多属性特征网络、注意网络和语言生成网络。多属性特征网络通过4个不同的美学属性得分的多任务回归计算不同属性的特征矩阵,注意网络动态地调整所获特征的维度,最后语言生成网络通过长短期记忆网络生成图像字幕。实验结果表明,根据图像字幕的评价标准,该文设计的模型优于传统的CNN-LSTM模型和现代的SCA-CNN模型。     

云制造服务综合评价方法研究

作为云制造平台中的关键技术之一,云制造服务的综合评价对于整个云制造资源配置至关重要,在云制造服务综合评价中,服务资源的评价是综合评价的基础。针对云制造服务评价问题,根据云制造服务评价体系中评价指标的多样性与云制造服务特点相匹配,基于模糊理论中的模糊数学,建立了模糊综合评价模型,并确定了由层次分析法和熵权法组合确定权重的方法。再根据云制造环境下评价指标的构建原则,选取了七个一级指标和十六个二级评价指标,以上述指标构建了多层次云制造服务评价因素集和对象评语集,从而建立了云制造服务资源综合评价指标体系。最后,通过云制造服务实例验证了该云制造服务综合评价模型及模糊综合评价算法的操作简便性及实用性。     

2021年42卷第3期

计算机视觉一直是人工智能研究的热点方向,经过近 60 年的发展,已经在算法、技术和应用等 方面取得了巨大的进步。近十年来,以大数据、大算力为基础的深度学习进一步推动计算机视觉走向大模型时 代,但其算法适应能力仍然和人类存在较大差距。本文从视觉任务评估评测(评测数据集、评测指标、评估方 式)出发,对计算机视觉的发展进行了总结,对现存的依赖大数据学习的计算机视觉发展问题进行了梳理和分 析,从人机对抗智能评测提出了计算机视觉下一步发展方向：视觉图灵。最后对视觉图灵发展方向进行了思考 和讨论,探讨了未来研究可能的方向。     

细节决定成败：推荐系统实验反思与讨论

近些年来,随着互联网的迅速发展,用户在各种在线平台上接收到海量的信息,信息爆炸成为一个关键性问题。在此背景下,推荐系统逐步渗透到人们工作生活的各个场景,已成为不可或缺的一环。它不仅可以帮助用户快速获得想要的信息和服务,还可以提高资源利用效率,从而给企业带来更多效益。因此,个性化推荐算法不仅获得了工业界广泛的关注,也是科研领域的研究热点之一。在个性化推荐的研究中,受限于平台与效率等因素,研究者大多无法将算法部署到在线系统上进行评价,因此离线评价成为推荐领域研究的主要方式。然而个性化推荐涉及到的场景复杂,可获得的数据信息多种多样,用户行为多为隐式反馈且存在许多噪声,这使得推荐系统离线评价的实验设定复杂多变,存在大量易被忽视却十分重要的细节。比如在训练采样负例时,既可以仅从用户没有交互过的商品中采样,也可以将验证测试集的商品视作未知交互加入采样池。同样,从训练到测试在很多其他环节也涉及这样的实现细节（如数据集处理、已知负样本的使用、Top-N排序候选集范围等）。这些实验细节通常不会在学术论文中被显式提及,却潜在影响了模型效果的对比,还决定着实验的科学性,甚至会导致相反或错误的分析结论。本文从数据集处理、模型训练、验证与测试、效果评价等多个角度,系统地讨论与反思了推荐系统实验中的细节设定。对于每个环节,我们枚举了若干常见设定,并在真实数据集上验证了其中某些设定的实际影响。实验结果表明一些细节确实会导致关于模型优劣的不同结论。最终我们形成了关于推荐系统实验细节的指导性总结,包括可选、建议、必须的三类设定,希望帮助推荐算法研究者规避实现细节上的陷阱,更科学合理地设计实验。