基于深度学习的文本自动摘要方案

针对自然语言处理（NLP）生成式自动摘要领域的语义理解不充分、摘要语句不通顺和摘要准确度不够高的问题，提出了一种新的生成式自动摘要解决方案，包括一种改进的词向量生成技术和一个生成式自动摘要模型。改进的词向量生成技术以Skip-Gram方法生成的词向量为基础，结合摘要的特点，引入词性、词频和逆文本频率三个词特征，有效地提高了词语的理解；而提出的Bi-MulRnn+生成式自动摘要模型以序列映射（seq2seq）与自编码器结构为基础，引入注意力机制、门控循环单元（GRU）结构、双向循环神经网络（BiRnn）、多层循环神经网络（MultiRnn）和集束搜索，提高了生成式摘要准确性与语句流畅度。基于大规模中文短文本摘要（LCSTS）数据集的实验结果表明，该方案能够有效地解决短文本生成式摘要问题，并在Rouge标准评价体系中表现良好，提高了摘要准确性与语句流畅度。     

Back propagation genetic and recurrent neural network applications in modelling and analysis of squeeze casting process

Today, in competitive manufacturing environment reducing casting defects with improved mechanical properties is of industrial relevance. This led the present work to deal with developing the input-output relationship in squeeze casting process utilizing the neural network based forward and reverse mapping. Forward mapping is aimed to predict the casting quality (such as density, hardness and secondary dendrite arm spacing) for the known combination of casting variables (that is, squeeze pressure, pressure duration, die and pouring temperature). Conversely, attempt is also made to determine the appropriate set of casting variables for the required casting quality (that is, reverse mapping). Forward and reverse mapping tasks are carried out utilizing back propagation, recurrent and genetic algorithm tuned neural networks. Parameter study has been conducted to adjust and optimize the neural network parameters utilizing the batch mode of training. Since, batch mode of training requires huge data, the training data is generated artificially using response equations. Furthermore, neural network prediction performances are compared among themselves (reverse mapping) and with those of statistical regression models (forward mapping) with the help of test cases. The results shown all developed neural network models in both forward and reverse mappings are capable of making effective predictions. The results obtained will help the foundry personnel to automate and précised control of squeeze casting process.     

基于点迹时空关系的雷达目标航迹识别

雷达目标航迹的识别有助于指挥员判断对方作战意图和作战任务,从而为战场决策提供协助作用,但目前少有文献研 究目标航迹识别问题。 根据雷达检测到的目标物体的时间、距离和方位等时空数据,研究目标航迹识别问题,并提出了一种基 于雷达点迹数据时空关系的目标航迹识别算法(TRST)。 该算法首先对雷达点迹数据进行属性选择,然后挖掘点迹数据在空间 关系上的间距值特征,最后构建递归神经网络进一步捕捉点迹数据的时空关系特征,实现对目标航迹的分类识别。 实验结果表 明,TRST 算法能够有效提高目标航迹识的准确率、精确率、召回率和 F1-Score 性能。     

基于RBF循环神经网络的电力系统负荷建模

针对负荷模型难以精确建立的问题以及负荷非线性动态仿真的复杂性，提出了一种基于径向基循环神经网络的负荷建模方法。将循环神经网络和径向基网络相结合，利用循环神经网络对时间序列的学习能力和径向基网络具有结构自适应确定、快速收敛的优点，建立新的电力系统综合负荷模型。典型新英格兰测试系统的仿真证明了该模型对电力系统负荷模型辨识的有效性和准确性。     

Axial offset control of PWR nuclear reactor core using intelligent techniques

Improved load following capability is one of the main technical performances of advanced PWR (APWR). Controlling the nuclear reactor core during load following operation encounters some difficulties. These difficulties mainly arise from nuclear reactor core limitations in local power peaking, while the core is subject to large and sharp variation of local power density during transients. Axial offset (AO) is the parameter usually used to represent of core power peaking, in form of a practical parameter. This paper, proposes a new intelligent approach to AO control of PWR nuclear reactors core during load following operation. This method uses a neural network model of the core to predict the dynamic behavior of the core and a fuzzy critic based on the operator knowledge and experience for the purpose of decision-making during load following operations. Simulation results show that this method can use optimum control rod groups maneuver with variable overlapping and may improve the reactor load following capability.     

一种优化初始点与自适应半径的密度聚类算法

传统DBSCAN算法不能正确聚类密度不均匀的数据集,聚类结果受邻域阈值和密度阈值参数的影响较大。提出一种新的优化初始点和自适应半径的密度聚类算法。利用反向最近邻和相似度矩阵发现当前全局密度最大的数据样本,分析该样本周围密度的分布情况,采用自适应的方法计算当前簇的邻域阈值,并利用DBSCAN算法进行聚类。在人工数据集和UCI数据集上进行测试的结果表明,与经典的DBSCAN、OPTICS、RNN-DBSCAN算法相比,优化初始点和自适应半径的密度聚类算法在ARI、NMI、Homogeneity、Completeness和V-measure 5个评价指标上整体取得最优值,其中在Compound、Jain等数据集上达到1.0,具有较高的聚类效率和准确度。     

自适应斥力系数的无人机路径规划

使用人工势场法进行无人机路径规划时,往往存在目标不可达、运动轨迹迂回反复和路径长度过长等问题.传统的人工势场法不能根据环境具体信息对斥力系数进行调整,而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长.针对以上问题,提出了一种基于深度学习的无人机自适应斥力系数路径规划方法.首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集,其次利用该样本集训练残差神经网络,最后通过残差神经网络计算适应环境的斥力系数,进而使用人工势场法进行路径规划.仿真实验表明,该方法在一定程度上解决了人工势场法规划中目标不可达、运动轨迹迂回反复和路径长度过长等问题,规划效果和规划时长方面均有优异表现,能很好地满足无人机路径规划中对当前环境的自适应要求和快速规划的要求.     

基于深度学习的医疗命名实体识别

医疗命名实体识别指从海量的非结构化的医疗数据中提取关键信息, 为医学研究的发展和智慧医疗系统的普及提供了基础. 深度学习运用深层非线性的神经网络结构能够学习到复杂、抽象的特征, 可实现对数据更本质的表征. 医疗命名实体识别采用深度学习模型可明显提升效果. 首先, 本文综述了医疗命名实体识别特有的难点以及传统的识别方法; 其次, 总结了基于深度学习方法的模型并介绍了较为流行的模型改进方法, 包括针对特征向量的改进, 针对数据匮乏、 复杂命名实体识别等问题的改进; 最后, 通过综合论述对未来的研究方向进行展望.     

基于Bi-GRU的Webshell检测

Webshell是一种隐蔽性较高的Web攻击工具, 其作用是获取服务器的操作权限. 在编写Webshell时, 攻击者通过一系列免杀技术来绕过防火墙, 这导致现有方法检测Webshell的效果不佳. 针对这一现状, 本文从文本分类的角度出发, 提出一种基于Bi-GRU的Webshell检测方法. 首先将网页脚本文件进行编译, 得到opcode指令; 然后,通过word2vec算法将指令转换为特征向量; 最后, 使用多种深度学习模型进行训练, 以准确率、误报率、漏报率作为评估标准. 最终实验结果表明, Bi-GRU检测效果优于其他算法模型, 证明该算法是可行的.     

基于深度学习的文本分类技术研究进展

随着深度学习技术的快速发展,许多研究者尝试利用深度学习来解决文本分类问题,特别是在卷积神经网络和循环神经网络方面,出现了许多新颖且有效的分类方法。对基于深度神经网络的文本分类问题进行分析,介绍卷积神经网络、循环神经网络、注意力机制等方法在文本分类中的应用和发展,分析多种典型分类方法的特点和性能,从准确率和运行时间方面对基础网络结构进行比较,表明深度神经网络较传统机器学习方法在用于文本分类时更具优势,其中卷积神经网络具有优秀的分类性能和泛化能力。在此基础上,指出当前深度文本分类模型存在的不足,并对未来的研究方向进行展望。