基于主题相似性聚类的自适应文本分类

传统的文本分类方法仅使用一种模型进行分类,容易忽略不同类别特征词出现交叉的情况,影响分类性能。为提高文本分类的准确率,提出基于主题相似性聚类的文本分类算法。通过CHI和WordCount相结合的方法提取类特征词,利用K-means算法进行聚类并提取簇特征词构成簇特征词库。在此基础上,通过Adaptive Strategy算法自适应地选择fasttext、TextCNN或RCNN模型进行分类,得到最终分类结果。在AG News数据集上的实验结果表明,该算法可较好地解决不同类别特征词交叉的问题,与单独使用的fasttext、TextCNN、RCNN模型相比,其文本分类性能显著提升。     

基于ST-DCGAN的时序交通流量数据补全

时序交通流量数据作为一种新型城市数据,对智能交通和智慧城市的发展有着重要的意义,但是由于各种原因使得收集的交通数据存在大量的缺失,因此如何有效地补充缺失流量数据成为目前急需解决的问题。提出的ST-DCGAN模型利用了基于DCGAN网络的思想,引入补全损失函数和判别损失函数作为模型新的目标函数,通过生成器和鉴别器相互博弈的原理学习区域流量数据之间的时空特征性,在常规的缺失数据补全的基础上利用数据生成思想进行了区域时序交通流量数据的补全,从而为交通流量缺失值提出一种新的补全方法。实验以北京TaxiBJ GPS开源数据集为基础,并用RMSE评估函数分析上述算法对缺失交通流量补全的效果,实验结果表明提出的方法与所比较补全方法相比,效果更好。     

分布式储能技术的现状及发展趋势

<正>随着全球能源需求的不断增加，各国都在不断探索新的能源技术，以应对日益严重的能源危机和气候变化问题。由此，分布式储能技术应运而生，成为一种越来越受人关注的新型能源技术。1分布式储能技术的发展情况及优势分析1.1分布式储能技术的背景分布式储能技术的背景可以追溯到上世纪末，当时技术含量较低，储能设备成本较高，主要应用于开发小规模独立电源和备用电源等方面。     

RDX、HMX及CL-20晶体的高温高压相变研究进展

环三亚甲基三硝胺(RDX)、环四亚甲基四硝胺(HMX)和六硝基六氮杂异伍兹烷(CL-20)三种多晶型含能材料在高压/高温高压下具有丰富的相变行为及相变特征,本文总结了三种炸药在不同压力环境下的相变路径、部分相结构及p-T相图,为含能材料的爆轰行为和理论研究工作提供参考。根据目前的研究现状,发现在较复杂的相变研究上仍存在分歧,大部分高压相的结构还不明确,p-T相图不够完善,相变理论的研究也存在明显不足。指出探索含能材料的不同晶型间转化机理和获取更多相结构信息将是未来的重点研究方向。     

针对文本情感分类任务的textSE-ResNeXt集成模型

针对深度学习方法中文本表示形式单一,难以有效地利用语料之间细化的特征的缺陷,利用中英文语料的不同特性,有区别地对照抽取中英文语料的特征提出了一种新型的textSE-ResNeXt集成模型。通过PDTB语料库对语料的显式关系进行分析,从而截取语料主要情感部分,针对不同中、英文情感词典进行情感程度关系划分以此获得不同情感程度的子数据集。在textSE-ResNeXt神经网络模型中采用了动态卷积核策略,以此对文本数据特征进行更为有效的提取,模型中融合了SEnet和ResNeXt,有效地进行了深层次文本特征的抽取和分类。将不同情感程度的子集上对textSE-ResNeXt模型采用投票集成的方法进一步提高分类效率。分别在中文酒店评论语料和六类常见英文分类数据集上进行实验。实验结果表明了本模型的有效性。     

针对文本情感转换的SMRFGAN模型

文本情感转换的任务需要调整文本的情感并保留与情感无关的内容。但是由于缺乏并行数据,很难提取独立于情感的内容并以无监督学习的方式对情感进行转换,并且由于GAN处理文本类的离散数据效果不如处理连续数据,为此使用了强化学习（Reinforcement Learning）的方法来解决GAN处理离散数据的问题。强化学习的奖励机制来自完整序列上的GAN的判别器,并且用蒙特卡罗搜索方法对生成器进行优化,从而提高生成文本的准确性。为了将源文本中的情感词的极性进行转换,在长短记忆神经网络（LSTM）中增加了自注意力机制（self-attention）,再通过情感记忆模块（sentiment-memory）结合上下文来生成情感词极性反转后的文本作为SMRFGAN（Self-attention Memory Reinforcement learning GAN）预训练的真实数据。实验结果表明,该模型较好地解决了独立于情感内容进行情感转换的问题,BLEU评分有较好的提升。