基于度量学习的意图识别和槽填充方法

人机对话中小样本学习场景下的意图识别和槽填充,是自然语言处理的一个重要课题.本文采用基于度量学习的方法,通过计算query set中的样本与support set中样本的距离,寻找距离最近的类别样本作为分类标签,同时将两个任务联合进行训练,用以提升模型的效果.从实验结果中可以得出,本文提出的Fine-tune方法,对意图识别和槽填充任务都有一定的帮助和提升.胶囊网络在意图识别中也起到了一定的效果,可以帮助去除一部分无关信息,但对槽填充任务的帮助不明显;而任务自适应的投影网络,可以更好地将不同类的向量分开,提升了两个任务的性能.     

GS1编码应用在生物取样储存管追溯管理

生物实验室、医院手写标记的取样储存管已经很难满足样本库的大容量储存需求。当前常见的解决方案是现场编辑并打印一维条码及样本信息,然后手工粘贴到普通储存管上。打印编码对标签纸张、打印质量、粘合剂都有特殊的要求,需要耐受长期低温及一定的湿度,生物样本库还存在被化合物粘合剂及文字油墨污染的风险,并且不方便管理。同时,在生产和流通环节出现问题,也无法有效追溯。因此,需要提出更好的方案解决上述问题。     

DCNN深度特征与交替方向乘子的相关滤波跟踪

针对采用相关滤波的判别式目标跟踪遇到的瓶颈问题：由于目标快速移动引起边界效应，使得相关滤波器在学习与更新过程中可能会引入错误，最终错误的累积将导致跟踪失败。在采集深度学习特征与样本相似性度量的基础上，提出一种引入交替方向乘子方法的改进相关滤波目标跟踪算法，选择DCNN深度特征有效地表征待跟踪目标的初始状态，通过在线分类过程中样本相似性比对与半监督学习，辅助解决相关滤波器在学习过程中存在的自学习问题。所提目标跟踪算法特别适合训练样本为持续获得的、同时存储空间较小的机器学习过程，提高目标在快速运动与部分遮挡等复杂情况下的跟踪成功率，针对VOT2016标准测试视频的实验表明：当目标面临快速运动时，对比CN、SAMF、STC算法，所提DA-CFT跟踪算法将跟踪成功率分别由60.4%～73.4%、67.2%～82.9%、80.9%～88.1%提升至85.6%～91.0%。     

基于PU学习的链接预测方法

基于分类的链接预测方法中,由于链接未知节点对的大规模性与不确定性,选择可靠负例成为构造链接预测分类器的难点问题.为此,文中提出基于正例和无标识样本(PU)学习的链接预测方法.首先,提取节点对的拓扑信息以构造样本集.再利用社区结构确定候选负例的分布,基于分布进行多次欠采样,获得多个候选负例子集,集成多个负例集与正例集中构建的分类器选择可靠负例.最后基于正例与可靠负例构造链接预测分类器.在4个网络数据集上的实验表明文中方法预测结果较优.     

一种非平衡数据分类的过采样随机森林算法

在灾害天气、故障诊断、网络攻击和金融欺诈等领域经常存在不平衡的数据集。针对随机森林算法在非平衡数据集上表现的分类性能差的问题,提出一种新的过采样方法:SCSMOTE(Seed Center Synthetic Minority Over-sampling Technique)算法。该算法的关键是在数据集的少数类样本中找出合适的候选样本,计算出候选样本的中心,在候选样本与样本中心之间产生新的少数类样本,实现了对合成少数类样本质量的控制。结合SCSMOTE算法与随机森林算法来处理非平衡数据集,通过在UCI数据集上对比实验结果表明,该算法有效提高了随机森林在非平衡数据集上的分类性能。     

面向早期溢流监测的钻井工程参数仿真建模方法

研究表明,智能识别方法能够有效提高早期溢流监测的准确性,但由于溢流是钻井过程中的小概率事件,现场可获取的溢流样本数据十分有限,限制了智能识别方法的应用。针对该问题,在分析常用溢流监测参数与钻井设计参数、地质相关参数以及钻井工况之间关系的基础上,建立了钻进、起钻、下钻三种工况下常用溢流监测参数的数值模拟模型,为溢流智能识别方法的应用提供数据基础。利用现场实测数据对所建模型进行了验证实验。结果表明:在给定的钻井条件下,仿真得到的数据与现场实测数据间的相似度达到83.85%,具有较高的吻合度;溢流智能识别模型识别准确率较缺乏训练样本的专家经验模型提高了23.1%,识别准确率得到了显著提升。     

双重不确定条件下危险品运输的多目标优化

针对危险品运输路径优化问题,考虑危险品终端需求量和人口中心的不确定性影响,构建了双重不确定条件下以运输成本和风险系数的期望值最低为目标的随机优化模型。设计了基于优先权的多目标粒子群遗传混合算法结合样本平均近似法对随机模型进行求解,并进一步采用基于动态拥挤距离的精英解集更新。通过算例分析和算法对比验证了模型的可行性和算法的有效性,并进一步对不同样本规模下的结果进行了稳定性分析,对需求量和人口数量两个不确定条件进行灵敏度分析。实验结果表明改进的多目标粒子群算法可有效解决该问题,且具有很好的收敛性和多样性,不同样本规模和不确定性条件均会对路径规划产生影响,所得结果可以为决策者提供参考。     

基于小样本下统计不确定性的边坡可靠度Bootstrap-BC_a方法

传统方法对小样本下的岩土抗剪强度参数估计区间较宽,会导致工程设计偏于保守,为此,提出一种考虑测量数据统计不确定性的边坡可靠度分析Bootstrap-BC_a法。该方法在Bootstrap的基础上加入偏差修正量■和加速量a,进一步校正了置信区间的端点值,提高了估计精度。在保证样本容量和变异性一致的条件下,对比分析Bootstrap-BC_a法和Bootstrap法在95%置信水平下的置信区间以及相对应的安全系数估计值。结果表明:Bootstrap-BC_a法能够有效收窄区间宽度且保证率下限值更趋近实际值;Bootstrap-BC_a法计算所得边坡安全系数均值相对较大,离散型更小,且与样本容量成正比,与安全系数方差成反比;3种变异水平的安全系数均值都随着样本容量n的增大而增大,而安全系数方差则逐渐减小,且大变异水平下计算所得安全系数均值更大。