构造先验知识空间利用模糊集合进行情报检索

根据检索的关键词群与文献内容的属性群的新近距离，使关键词空间结构化，在先验知识空间中用模糊集合表示识别概念，使类推过程模型化，实现人机对话识别检索要求概念的更新过程。     

结合先验知识的神经网络在生化系统建模中的应用

生化系统由于其高度的非线性，往往难以得到一个精确的数学模型，虽然许多学者为此做了很多工作，提出了各种模型，但这些模型的精确度和适应性还有待提高。而单纯用神经网络建立的模型由于其各种局限性，精确度也很难得到保证。将神经网络和先验模型结合而构成混合模型可以提高整个模型的精确度和泛化能力。本研究将动态递归神经网络和废水生化处理系统的先验模型结合，说明了结合先验模型的神经网络模型的优越性。     

先验知识辅助的金属涂层损伤分割方法

金属涂层损伤的自动识别是一项具有重大实际应用价值的研究。随着深度学习在各类材质的表面损伤图像分割任务中取得突破性进展,大部分研究工作使用端到端的深度卷积神经网络分割模型分割损伤区域。然而,端到端深度学习方法很难利用金属涂层损伤相关的先验知识来识别损伤尺度差异大、训练数据不足等问题。因此,设计了一种基于先验知识的金属涂层损伤区域分割算法,结合深度学习分割模型U-Net实现金属涂层损伤的自动识别。该算法基于Hue通道分布和边缘响应对金属涂层图像中的异常区域进行分割,深度学习分割模型利用先验知识排除异常样本,可有效避免过拟合。在含有开裂、起泡、生锈和脱落这4类损伤的金属涂层数据集中,该算法取得了81.24%mIoU的分割效果,优于端到端的深度学习方法。实验结果表明,先验知识辅助能够有效提升深度学习分割模型对金属涂层损伤的分割效果。     

基于先验知识的多类CVM航班延误预警模型

基于使用现有的支持向量机解决机场航班延误预警问题存在未充分利用先验知识和训练需花费大量时间和空间的问题,提出了基于中心约束最小闭包球的加权多类算法。该算法首先利用先验知识确定一种新的基于相对紧密度的方法计算样本权值并将其融合到支持向量机中,然后转化为中心约束的最小闭包球进行训练。实验结果表明,该方法比现有的支持向量机具有更合理的分类面并且训练速度得到大大提高。     

基于注意力和长短时记忆网络的视觉里程计

近年来通过利用视觉信息估计相机的位姿,实现对无人车的定位成为研究热点,视觉里程计是其中的重要组成部分.传统的视觉里程计需要复杂的流程如特征提取、特征匹配、后端优化,难以求解出最优情况.因此,提出融合注意力和长短时记忆网络的视觉里程计,通过注意力机制增强的卷积网络从帧间变化中提取运动特征,然后使用长短时记忆网络进行时序建模,输入RGB图片序列,模型端到端地输出位姿.在公开的无人驾驶KITTI数据集上完成实验,并与其他算法进行对比.结果表明,该方法在位姿估计上的误差低于其他单目算法,定性分析显示该算法具有较好的泛化能力.     

利用先验知识的空时自适应检测方法

针对雷达空时自适应检测中非均匀杂波造成可用均匀训练样本数少的问题,研究了在自适应检测器设计过程中融合先验知识的方法．自适应检测器中的协方差矩阵通常由多个独立同高斯分布向量估计得到,由于这些向量的外积之和服从Wishart分布,所以假定Wald检测器中的协方差矩阵是随机的且服从逆Wishart先验分布,该分布的参数矩阵可根据雷达探测环境的先验知识获得．基于上述假定推导出融合先验知识的Wald准则检测器,不仅利用了训练样本中的信息,还充分利用了探测环境先验信息．仿真实验表明,小样本情况下利用先验知识的Wald检测器的检测性能优于传统的检测器．     

基于领域知识的神经网络泛化性能研究进展

从样本复杂性、结构复杂性、学习策略和建模技术4个方面对基于领域知识的神经网络泛化性能研究进展进行了评述,指出了目前基于领域知识神经网络泛化性能研究存在的主要问题是只是利用研究对象的单调性、凸性、对称性和增益等一些简单非线性特征来虚拟训练样本、形成非监督学习算法约束条件、构造节点作用函数等方面.利用关于研究复杂对象部分已知的物理机制或动力学特性来建立有一定物理基础的神经网络模型,从而有效控制网络训练存在的过学习问题是今后神经网络泛化理论与方法研究的主要发展趋势.     

融合先验知识的深度学习模型快速训练方法

为了提高深度学习神经网络的训练效率,本文提出基于模型训练先验知识进行神经网络训练优化的方法.在深度学习中参数同构的思想指导下,利用神经网络多次迭代的卷积层参数训练回归模型,并指导神经网络参数变化.实验表明:本文提出的方法可以在不修改原网络模型结构的同时显著降低模型在训练过程中引发的震荡现象;在保持模型分类准确率的情况下...     

Encoding and retrieval processes in short term memory

Ｅｎｃｏｄｉｎｇａｎｄｒｅｔｒｉｅｖａｌａｒｅｉｍｐｏｒｔａｎｔｐｒｏｃｅｓｓｅｓｉｎｍｅｍｏｒｙ.Ｈｏｗｅｖｅｒ,ｔｈｅｎａｔｕｒｅｏｆｔｈｅｓｅｐｒｏｃｅｓｓｅｓｈａｓｎｏｔｂｅｅｎｕｎｄｅｒｓｔｏｏｄｖｅｒｙｗｅｌｌ[1].Ａｒｅｔｈｅｙａｕｔｏｍａｔｉｃｏｒｎｏｔ?ＤｏｔｈｅｙｎｅｅｄａｔｔｅｎｔｉｏｎａｌｏｒＣＥｒｅｓｏｕｒｃｅｓ?Ａｒｅｔｈｅｙｔｈｅｓａｍｅｉｎｎａｔｕｒｅ?Ｔｈｅｓｅａｒｅｉｍｐｏｒｔａｎｔｑｕｅｓｔｉｏｎｓｉｎｔｈｅｓｔｕｄｉｅｓｏｆｍｅｍｏｒｙ[1,2].Ｓｏｆａｒ,ｍｏｓｔｓ…     

A new quantitative method in analysing the experiments on short term serial memory

Ｉｎｃｏｇｎｉｔｉｖｅｐｓｙｃｈｏｌｏｇｉｃａｌｒｅｓｅａｒｃｈｅｓｏｎｓｈｏｒｔｔｅｒｍｓｅｒｉａｌｍｅｍｏｒｙ(ＳＴＳＭ),ｍｅｍｏｒｙｓｐａｎ,ｓａｖｉｎｇｓｃｏｒｅ,ｏｒｒｅｃａｌｌｐｒｏｂａｂｉｌｉｔｙａｒｅｕｓｕａｌｌｙｕｓｅｄｔｏｅｖａｌｕａｔｅｔｈｅｍｅｍｏｒｙｐｅｒｆｏｒｍａｎｃｅ[1].ＩｔｉｓｋｎｏｗｎｔｈａｔＳＴＳＭｉｎｆｏｒｍａｔｉｏｎｃｏｎｓｉｓｔｓｏｆｔｗｏｔｙｐｅｓｏｆｉｎｆｏｒｍａｔｉｏｎ:ｏｎｅｉｓｉｔｅｍｉｎｆｏｒｍａｔｉｏｎ,ｔｈｅｏｔｈｅｒｉｓｔｉｍｅｏｒｄｅｒｉ…     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

Short-term power load forecasting using integrated methods based on long short-term memory

The development of power system informatization, the massive access of distributed power supply and electric vehicles have increased the complexity of power consumption in the distribution network, which puts forward higher requirements for the accuracy and stability of load forecasting. In this paper, an integrated network architecture which consists of the self-organized mapping, chaotic time series, intelligent optimization algorithm and long short-term memory (LSTM) is proposed to extend the load forecasting length, decrease artificial debugging, and improve the prediction precision for the short-term power load forecasting. Compared with LSTM prediction, the algorithm in this paper improves the prediction accuracy by 61.87% in terms of root mean square error (RMSE), and reduces the prediction error by 50% in the 40-fold forecast window under some circumstances.     

基于MIS的中长期配电网负荷预测系统研究与实现

为了消除网络结构变化(特别是农网改造)对负荷预测的影响,提出并应用负荷转移补偿法对原始数据进行预处理.以灰色预测法为基础,组合使用二阶自适应系数法进行预测,以提高配电网规划负荷预测准确性.在县级电力局管理信息系统的建设中,开发了负荷预测系统,提高了工作效率.     

ART-2 neural network based on eternal term memory vector： Architecture and algorithm

Aimed at the problem that the traditional ART-2 neural network can not recognize a gradually changing course, an eternal term memory (ETM) vector is introduced into ART-2 to simulate the function of human brain, i.e. the deep remembrance for the initial impression.. The eternal term memory vector is determined only by the initial vector that establishes category neuron node and is used to keep the remembrance for this vector for ever. Two times of vigilance algorithm are put forward, and the posterior input vector must first pass the first vigilance of this eternal term memory vector, only succeeded has it the qualification to begin the second vigilance of long term memory vector. The long term memory vector can be revised only when both of the vigilances are passed. Results of recognition examples show that the improved ART-2 overcomes the defect of traditional ART-2 and can recognize a gradually changing course effectively.     

基于全监督算法RBF神经网络的语音识别

利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。     

基于可拓知识库的短文本敏感信息查询扩展方法

为了解决一般检测算法在短文本查询上效率较低的问题,基于可拓学的方法构建特定领域可拓知识库并定义一种新的菱形推理模式,提出了基于可拓知识库的概念查询扩展算法,通过概念间的可拓关联性及可拓推理来处理短文本中敏感信息检测问题,并通过实例验证了算法的可行性。实验证明该算法克服了短文本自身长度较短,描述概念能力弱的问题,可减少相关信息的遗漏,该算法提高了文档敏感信息检测的准确率与召回率。     

基于知识图谱的公路工程领域GIS应用研究现状

为洞悉我国公路工程领域地理信息系统（Geographic Information System,GIS）应用研究的现状及热点,以2010—2020年中国知网（CNKI）数据库中的相关文献为数据源,综合运用COOC、GIGO、SPSS与UCINET等软件,通过聚类树状图分析、因子分析与多维尺度分析对公路工程领域GIS研究的高频关键词进行研究主题归类;采用社会网络分析法对公路工程领域GIS研究的关键词进行共现网络图谱绘制与中心性分析,以直观揭示其研究热点与结构. 研究结果表明:公路工程领域GIS研究的热点关键词为路线设计、边坡地质灾害易发性评价、滑坡监测和路面管理系统等;研究主题主要可分为GIS多样化研究及应用、公路交通网与地质灾害评价、公路管理信息化与可视化3大类.