快速近似计算Shapley值的归因解释方法

Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性.     

基于先验知识的文本实体识别方法

阐述文本实体识别作为医疗相关人工智能应用的关键中间任务，其效果直接决定下游任务表现上限，然而传统方法中通常忽略医学知识的应用，很难取得良好表现。提出一种基于RoBERTa与CRF并融合医学知识的医学文本实体识别方法，将医学知识作为先验引入到CRF最优路径搜索环节，极大程度地提升了标签转换的连贯性，并在相关数据集主指标上取得了改善。     

Chapter 1 时计简史

在研究学习一门专业知识之前,如果能先对其有个整体、结构性的认识,就可以以此为基础逐步深入了解,收到事半功倍之效。诚所谓"历史可以断经纬",因此在本书的第一章,希望读者利用简短的钟表发展历史作为研习钟表知识的基础,再结合本书数量庞大的钟表专业名词以及详尽解释,跟着我们一起进入钟表殿堂。本章分为两个小节,先从16世纪初的怀表历史展开,接着来到20世纪初期,即第二节的腕表历史,两小节串接起长达将近五百年的时间轴线,让我们循着时间线,欣赏各种时计如何承载着时间,遨游于传统和现代,并展现机械与艺术的美感。     

基于CiteSpace的资源型产业研究知识图谱分析

资源型产业发展为推进国家经济增长和工业化进程提供了重要保障。为深入了解资源型产业的研究情况，以CNKI数据库为数据源，搜集2000—2020年关于资源型产业的核心及以上期刊论文，利用CiteSpace软件从发文作者与研究机构分布、关键词共现网络和时区图谱等方面，绘制知识图谱，进行可视化分析。研究发现：资源型产业领域的研究成果愈加丰富，但研究群体间联系合作较少，且现有的合作研究主要集中在所处地域资源富集和具有学科优势的研究机构及学者；资源型产业领域的研究热点可概括为产业发展、资源型城市、产业集群、产业结构、产业链和产业集聚等方面；针对资源型产业领域未来可从资源型产业相关理论研究、创新发展模式和可持续发展等方面深入展开。     

基于随机搜索树法的机械臂视觉伺服研究

在当今的工业应用中,机械臂完成某一特定作业任务的基础是进行轨迹规划。针对单纯基于图像的视觉伺服(the image-based visual servoing,IBVS),不能直接对相机或机械臂的运行轨迹进行控制,容易造成跟踪目标脱离视野、机械臂与工作空间障碍物相碰撞的问题,本文提出了三维随机搜索树算法(the three-dimensional Rapidly-exploring Random Trees algorithm,3D-RRT)实现机械臂的轨迹规划,将轨迹规划与视觉伺服相融合,使机械臂在跟踪移动过程中,满足图像视野范围限制和空间障碍物约束问题。在MATLAB平台建立算法仿真实验,结果表明三维随机搜索树算法(3D-RRT)可以较好解决基于图像的视觉伺服(IBVS)中存在的问题。     

化工容器腐蚀评价分析

化工容器广泛应用于石油、化工行业，对国民经济的发展起着无可替代的作用。化工容器一旦发生事故将会造成无法估量的后果。本文选择一座十万方原油储罐容器，用事故树分析法对其因腐蚀而发生的事故进行评价分析，绘制出事故树结构图，得到事故树的最小割集，采取近似法算出其结构重要度，最后利用这些分析数据结合实践工作提出了一些可行的防腐措施。     

金属增材制造技术研究热点聚类分析

为深入分析金属增材制造技术分类和发展状况,采集中国期刊全文数据库(CNKI)收录的核心期刊上的768篇科技文献,借助文献分析可视化软件CiteSpace,对关键词聚类进行了全景式描绘,构建金属增材制造技术知识图谱,揭示该技术研究分类以及演化趋势。     

基于知识图谱和协同过滤的电影推荐算法研究

针对协同过滤算法在推荐电影过程中只能考虑电影外部评论而不能考虑电影内部的相似度关系,提出构建知识图谱辅助计算电影内部相似度。已有的电影数据可能是不完整的,因此采用知识图谱推理补全缺失的电影知识。基于TransE模型的知识图谱无法有效描述电影间的片名、演员、导演等复杂的多关系。首先采用改进的TransHR模型表示出电影信息之间的多关系,提升关系表示的准确率;然后通过用户评分矩阵计算电影间相似度;最后将2种相似度融合并应用于矩阵分解的推荐技术中。对比实验结果表明,该算法在召回率、准确率、平均绝对误差MAE等指标上都有所提升。     

基于智能电表大数据的异常用电检测

异常或欺诈造成的非技术性电力损失是电力公司损失的主要源头之一。智能电表的广泛使用，使得运用大数据方法实现对非技术性电力损失的有效检测成为可能。提出了一种使用监督学习进行非技术损失检测的方法。该方法基于智能仪表记录的所有信息（耗电量、异常警报等）结合辅助数据库所提供的有关每个智能电表的地理位置和技术参数的附加信息，使用最优的机器算法来深入分析用电客户的用电行为，生成异常用电客户列表。通过现场检查的结果表明，该方法能够较为准确地识别智能电网中所存在异常用电客户。