结合句法依存信息的方面级情感分类

引入句法依存信息到原方面术语,提出一种新的方面术语表示方法,利用Glove词向量表示单词以及单词与单词之间的依存关系,构造出包含句法依存信息的依存关系邻接矩阵和依存关系表示矩阵,利用图卷积神经网络和多头注意力机制将句法依存信息融入到方面术语中,使得方面术语表达与上下文结构高度相关。将改进后的方面词术语表示替换到现有模型后,模型泛化能力得到有效提升。对比试验和分析结果表明:该方法具有有效性和泛化性。     

卡特里娜飓风引起的新奥尔良市溃坝洪水演进过程模拟

卡特里娜飓风于2005年袭击了美国墨西哥湾沿海地区，给路易斯安那、密西西比和亚拉巴马等州带来了巨大灾难，造成经济损失800亿美元。其中位于路易斯安那州的新奥尔良市由于堤坝故障导致庞恰特雷恩湖湖水倒灌，80%的地区发生了洪水，损失尤为严重。为了动态且高效地模拟其溃坝后洪水的演进过程，建立了基于“体积法”与元胞自动机的溃坝洪水演进模型。模型通过设置元胞属性来考虑洪水流向以及不同土地覆盖类型的汇流差异性；提出了一种洪水淹没元胞多级分类的快速搜索算法(MLCFC),采用不同准则处理各类元胞以提高计算效率；利用“体积法”计算不同时刻元胞的水深来间接反映洪水演进的时空特性。以新奥尔良市为例，计算其溃坝发生后2～20 h不同时刻的淹没情况。结果表明，模型模拟的淹没过程符合溃坝洪水的蔓延特性；试验结果与遥感影像中提取的水体重合率为61.18%,能较好地模拟城市地区溃坝时洪水演进的时空特性。     

基于GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性，将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中，构建了GR4J-LSTM混合模型，并与GR4J、LSTM模型进行对比。基于2012～2019年陆水水库汛期与洪水事件相关的数据集，并结合欧洲中期天气预报中心的3 h预报降水产品，驱动GR4J-LSTM混合模型，预报陆水水库3～12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明：GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力，但GR4J-LSTM混合模型的预报性能最优，既可以学习GR4J模型的产汇流过程，又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。     

基于Bert预训练模型的虚假新闻文本检测

虚假新闻剥夺了人们获取真相的权利,也给社会和国家带来了许多危害。文中以虚假新闻文本为例,分析和验证了多种预训练语言模型在虚假新闻文本分类上的分类效果。经实验证明,相较于其他语言模型,Bert预训练语言模型取得了较好的结果,预测准确率为86.97%,召回率为88.12%,F1值为87.54%。     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。     

土家数纱花纹样特征及造物美学新探

土家数纱花是土家族古朴艺术的表现形式之一，其造物艺术形式却独具土家特色。文章以土家族现存的挑绣作品为研究对象，通过文献研究、实物分析及复原设计对土家族数纱花纹样特点及构图规律进行总结，同时通过实地调研、对比分析土家苗瑶族数纱花在艺术表现上的差异，从而深入探究表象艺术下折射出的土家文化内涵。研究表明：土家数纱花与苗、瑶族数纱花有相似之处，但也存在一定视觉差异。土家数纱花纹样题材丰富多样，构图、色彩与整体布局都充分展现出土家挑绣文化的造物美学思想。土家数纱花以小众艺术形式添补了土家文化的诠释。     

复杂工况下二阶碰撞时间自动紧急制动模型

自动紧急制动是汽车安全行驶的重要保障，也是汽车智能化关键技术研究的重点和难点。针对传统防撞时间（Time To Collision,TTC）模型在复杂工况下，本车与目标车车辆速度接近时易出现无限大的问题导致预警过早或过晚的问题，以四轮独立驱动电动汽车为研究对象，提出一种基于二阶TTC的自动紧急制动模型。将目标车按照场景分为静止、ACC和Cut-in等三种类型，通过二阶TTC计算到可能碰撞时间，并与预设的时间阈值进行对比，力矩分配控制器根据当前输入信息计算得到制动力矩并传给车辆执行机构，车辆根据当前信息进行减速或紧急等辅助措施。利用联合仿真对该紧急制动模型进行了验证，结果表明当目标车存在加速度的情况下，该自动紧急制动模型相较与传统一阶TTC紧急制动模型能够很好地进行制动，防止车辆碰撞，并能有效适应复杂工况。