面向长尾分布数据的在线流特征选择

在开放动态环境下分类学习的任务中，数据通常存在类别长尾分布的特点，且数据标记空间存在层次化结构关系以及动态性.针对实际任务中不同的需求，许多特征选择算法被提出，但是这些已有的特征选择算法忽略数据的长尾分布特点和特征空间的不确定性.针对上述问题，文中提出基于邻域粗糙集的长尾分布数据在线流特征选择算法.借助邻域粗糙集模型，并考虑邻域内样本间的关系后，定义了自适应邻域关系，设计基于稀有类样本重要性的依赖度计算公式.同时，利用层次结构降低类别不平衡性，提出在线冗余度分析和在线重要度分析两种在线特征评价指标，用于选出具有高可分离性和强区分性的特征子集.实验结果表明所提算法优于其它先进算法.     

N-甲基-N''-硝基-N-亚硝基胍的制备研究

以硝基胍为原料，经碱溶液中甲基化和酸溶液中亚硝化两步反应合成了N－甲基－N‘-硝基－N－亚硝基胍，同时还研究了反应时间，反应温度和反应物摩尔比对产品收率的影响。     

N-甲基-N′-硝基-N-亚硝基胍的制备研究

以硝基胍为原料 ,经碱溶液中甲基化和酸溶液中亚硝化两步反应合成了 N-甲基 -N′-硝基 -N-亚硝基胍 ,同时还研究了反应时间、反应温度和反应物摩尔比对产品收率的影响     

硅粉直接氮化反应热力学分析及动力学机理研究

用TG-DSC热重同步热实验分析的方法,研究不同升温速率下,硅粉氮化机理及化学反应动力学.发现温度在1 000~1 300 ℃时:差示扫描量热曲线各出现一个吸热、一个放热峰,说明氮化机理已发生改变.在1 000~1 100 ℃温度范围内,氮化硅转化率显著增加,即温度是影响其转化率的主要因素.实验表明:氮化反应的限制性环节由反应开始阶段的界面化学反应控制和之后的界面化学反应与内扩散混合控制组成;通过动力学计算得到表观活化能E=404.5 kJ/mol,频率因子A=9.57×1015 m/s,反应级数n=0.95,最终得到反应的速率方程的数学表达式.      

融合事件信息的中文问答系统问题语义表征

复杂类问题理解是中文问答系统研究的难点,基于组块的问句分析方法将整个问句转化为若干组块,降低了问句分析的难度和复杂性。针对以含有事件(动作)信息的复杂类问题,提出基于语义组块的中文问答系统问题语义表征模型,采用语义组块的思想将问题的语义成分定义为疑问焦点块、问题主题块和问题事件块三个语义组块,对问句中的事件语义信息,建立了问题事件语义结构,将一个问句表征为一个基于语义组块的问题语义表征结构,用于问答系统的问题理解。通过序列标注学习方法实现问题语义表征中语义组块自动标注。实验结果表明:问题语义组块标注效果较好,问题语义表征模型获取了问题的关键语义信息,为语义层面上的问题理解提供基础。     

融合多重注意力机制的卷积神经网络文本分类设计与实现

针对单一的卷积神经网络文本分类模型忽视词语在上下文的语义变化,未对影响文本分类效果的关键特征赋予更高权值的问题,提出了一种融合多重注意力机制的卷积神经网络文本分类模型.该模型将注意力机制分别嵌入卷积神经网络的卷积层前后,对影响文本分类效果的高维特征和低维特征进行权值的重新分配,优化特征提取过程,实现特征向量的精确分类.在池化层采用平均池化和最大池化相结合的方法,从而减少特征图的尺寸,避免过拟合现象的发生,最后使用softmax函数进行分类.本文在三个不同的中英文数据集上进行实验,同时设计注意力机制重要性对比实验,分析自注意力机制与CNN结合对文本分类效果提升的重要性,结果表明该分类模型有效地提高了分类的准确性.     

亚甲基二磷酸四异丙基酯的合成研究

研究了以二溴甲烷和亚磷酸三异丙基酯为原料合成亚甲基二磷酸四异丙基酯的生产工艺 ,确定了优惠反应条件。     

N,N-二甲基苯胺类衍生物的合成方法

本文介绍了N，N－二甲基苯胺类衍生的的主要制备方法，对其合成途径作了分析和比较，并研究改进了其中几种化合物的制备工艺。     

探索用户自然输入标记及其在构建分词语料库中的作用

当分词算法优化到接近极限时,分词器的性能指标就较多地取决于训练语料的覆盖度和完备程度。因此,如何快速、省力、自动化地构建具有较完备的分词语料库是一个亟待解决的问题。该文对用户输入过程中留下的大量可用且珍贵的自然分词信息进行了探索和研究,为自动构建分词语料库提供了一种新的观点。前人的研究中,对用户在输入过程中留下的自然分词标记信息并没有关注,而该文通过实验验证了这些分词标记信息确实可以用于构建分词语料库,并且具有相当好的效果。其中经过甄别优秀用户在输入时留下的分词标记十分接近标准的分词结果。该文使用分类模型结合投票机制的方法找到三个此类优秀用户,获取了他们带有输入标记的文本,快速构建了分词训练语料库,极大地提升了分词器的精度;更重要的是,揭示并验证了自然输入分词标记信息的有效作用。     

基于邻域决策误差率的多标记特征选择

多标记学习可以同时处理与一组标记相关的数据,多标记学习的研究对于多义性对象的学习建模具有十分重要的意义. 与传统的单标记学习一样,数据的高维性是多标记学习的阻碍,因此数据降维是一项十分重要的工作,而特征选择是一种有效的数据降维技术. 提出了基于邻域近似误差率的多标记特征选择算法. 首先,在邻域粗糙集理论的基础上,引入实例的边界来对所有实例进行粒度化. 其次,基于邻域决策误差率提出了邻域近似误差率的策略来评价特征. 最后,在公开的数据集上进行了大量的实验,结果表明所提算法的有效性.