基于领域词典与CRF双层标注的中文电子病历实体识别

医疗实体识别是电子病历文本信息抽取的基本任务。针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状,提出了一种基于领域词典和条件随机场（CRF）的双层标注模型。该模型通过对外部资源的统计分析构建医疗领域词典,再结合条件随机场,进行了两次不同粒度的标注,将领域词典识别的准确性和机器学习的自动性融为一体,从中文电子病历文本中识别出疾病、症状、药品、操作四类医疗实体。该模型在测试数据中的宏精确率为96.7%、宏召回率为97.7%、宏F1值为97.2%。同时对比分析了采用注意力机制的深度神经网络的识别效果,因受到领域数据集大小的限制,在该测试数据集中后者表现不佳。实验结果表明了该双层标注模型对中文医疗实体识别的高效性。      

基于条件随机场的动态手势识别技术研究

本文将条件随机场用于动态手势识别,以描述动作序列之间的依赖性.并利用联合树算法,将存在回路的条件随机场图形架构转换成子图树,用树状推演算法来计算整体的联合概率.利用其进行了手势识别实验,识别率较高.     

融合多特征嵌入与注意力机制的中文电子病历命名实体识别

中文电子病历文本包含大量嵌套实体、句子语法结构复杂、句式偏短。为有效识别其医疗实体,提出一种融合多特征嵌入与注意力机制的命名实体识别算法,在输入表示层融合字符、单词、字形三个粒度的特征,并在双向长短期记忆网络的隐含层引入注意力机制,使算法在捕获特征时更加关注于医疗实体相关的字符,最终实现对中文电子病历中疾病、身体部位、症状、药物、操作五类实体的最优标注。面向开源和自建糖尿病数据集的实验结果中所提算法的实体识别准确率、召回率和F1值都达到97%以上,表明其可以更加有效地识别中文电子病历中各类实体。      

基于BiLSTM-Attention的钢板表面手写板号识别算法

国内钢铁企业生产厂的信息化物料跟踪大都依赖于钢板号。由于生产流程复杂,急需高准确率的板号在线识别技术。自然场景下机器喷号的识别技术较成熟,但复杂场景下的手写板号难以实现自动识别。针对复杂工作场景下钢板表面手写板号特点,提出一种以BiLSTM-Attention为主体结构的深度学习算法。首先结合复杂场景,对图像数据进行预处理,保证模型输入图片质量;然后利用残差神经网络(ResNet)提取图片特征、利用双向长短期记忆网络(BiLSTM)提取基于图像的序列特征;最后基于注意力机制捕获序列内的信息流,对每个字符的特征进行整合,形成文本特征向量以预测输出序列。经现场测试,实现钢板表面手写板号识别任务准确率达86.15%,结果表明算法可行有效,满足实际生产需求。     

基于S-LRCN的微表情识别算法

基于面部动态表情序列,针对静态表情缺少时间信息等问题,将空间特征与时间特征融合,利用神经网络在图像分类领域良好的特征,对需要进行细节分析的表情序列进行处理,提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列,引入迁移学习的方法,通过预训练的卷积神经网络模型提取表情帧的空间特征,降低网络训练中过拟合的危险,并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库,将该方法用于辅助教学评价。      

基于BiLSTM的公共安全事件触发词识别

提出基于双向长短期记忆网络（bidirectional long short-term memory,BiLSTM）和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过BiLSTM提取整段文本的高层语义特征,避免了以往机器学习方法需要人工提取特征的问题,其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型,本文方法在中文突发事件语料库（Chinese emergency corpus,CEC）上取得了更为突出的性能,Micro-F1值为78.47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性,对文本分析中3类特征（词性、句法、实体）的重要程度进行了比较和分析,得出句法特征对于事件触发词识别任务助益最大的结论.      

基于BiLSTM的公共安全事件触发词识别

提出基于双向长短期记忆网络(bidirectional long short-term memory,Bi LSTM)和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过Bi LSTM提取整段文本的高层语义特征,避免了以往机器学习方法需要人工提取特征的问题,其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型,本文方法在中文突发事件语料库(Chinese emergency corpus,CEC)上取得了更为突出的性能,Micro-F1值为78. 47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性,对文本分析中3类特征(词性、句法、实体)的重要程度进行了比较和分析,得出句法特征对于事件触发词识别任务助益最大的结论.     

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性.     

基于冶炼设备故障的炼钢-连铸重调度

针对炼钢-连铸生产过程中某一冶炼设备发生故障之后的重调度问题,为保证生产的稳定性,减少重调度方案相对于初始调度方案的变化程度,以开始作业时间、作业周期和设备指派的加权差异度最小化为目标,采用数学规划方法建立了重调度模型。通过分析炼钢厂生产运行模式和生产工艺过程,提出了由基于“炉-机对应”调度策略的设备指派算法和基于工序柔性缓冲调控策略的时间调整算法两部分组成的重调度算法。以国内某中大型炼钢厂炼钢-连铸实际生产中经常发生的转炉设备故障或精炼炉设备故障问题为仿真案例进行研究,结果表明,调度前/后开始作业时间、作业周期与设备指派的总加权差异度分别为0.29、1.43和1.21,可有效保持重调度方案与初始调度方案的一致性,保证生产的稳定性,且求解时间均小于0.6 s,能够针对冶炼设备发生故障后的重调度问题快速给出较优的解决方案,在冶炼设备故障频发的实际生产过程中能够保证炼钢-连铸有序、稳定、高效运行。     

基于事故树的甲苯回收装置火灾风险分析

为了保障甲苯回收装置的安全运行,在对已发事故进行分析的基础上,采用了事故树分析方法建立了甲苯回收装置火灾的事故树,通过对该事故树的分析,找出了甲苯回收装置在设计和运行阶段存在的主要问题,并提出了有针对性的改进方案和预防措施,以降低甲苯回收装置发生事故的风险。     

基于机器视觉的烧结终点识别方法研究

烧结生产中,烧结终点的准确识别是控制烧结质量和降低成本的关键所在。因此,当采用基于机器视觉技术判断烧结终点时,烧结图像的阈值分割精度就显得尤为重要。本文针对一般预处理方法很难消除烧结机尾断面图像光晕现象这一缺陷,在图像预处理中增加色彩模型转换环节,从而达到减弱光晕的效果。由于烧结图像红火区和气孔区闽值极为接近,采用一般阈值分割方法很难达到良好的分割效果,因此笔者采用基于粒子对优化的C均值聚类分割的方法进行分割。此方法具有分割速度快、分割效果明显的特点。图像识别中采用改进BP网络对烧结终点进行识别,解决了传统BP算法容易陷入局部极小及学习速率慢的问题。通过实验验证,上述方法对烧结终点的正确识别率可达到93％。     

基于核主元分析法和支持向量机的人耳识别

对人耳识别中若干关键问题进行了研究.介绍了两种人耳图像归一化处理的方法,即基于外耳轮廓长轴的线标记法和基于外耳轮廓起始点的点标记法,并对这两种方法进行了对比.在分析现有人耳识别方法不足的基础上,提出利用核主元分析法提取人耳图像的代数特征,再利用支持向量机分类模型进行人耳识别.在带有角度、光照变化的北京科技大学人耳图像库上得到的识别率为98.7%,表明了该识别方法的有效性以及利用人耳图像进行身份识别的可行性.     

基于故障树法对钢包加盖设备常见故障分析

首钢京唐炼钢部钢包加盖设备自2015年投入运行以来,在机械和液压方面时有故障发生,严重制约着生产。为实现钢包加盖设备的快速顺稳运行,结合钢包加盖设备独特的布置结构,针对设备运行中存在的各项问题,应用故障树法对影响钢包加盖设备的因素进行了定量分析,计算出各个故障的最小割集重要度,得出对钢包加盖设备造成影响较大的故障事件有导轮支架变形、插齿连接螺栓断裂和生产喷溅。通过实际案例证实,采用故障树法对钢包加盖设备进行维护,与过去单纯采用点检定修制维护相比取得了很好的效果,为钢包加盖设备的日常维护提出了较为科学的维护指导说明。     

基于CNN电流数据形态识别的电动机故障诊断研究

为实现层冷辊电动机由预防性批量更换向预测性定点维修转变的目标,提出一种基于卷积神经网络(CNN)电流数据形态识别的故障智能诊断方法.该方法首先对电流采集数据进行特征提取,并建立分类故障的各关键特征形态图形集;采用卷积神经网络识别故障下各特征的异常形态,建立以误报率和漏报率为目标的优化模型,通过以异常形态为基因片段的遗传算法寻优不同故障类型的各特征形态组合,建立分类故障形态组合模式库.现场数据验证结果表明所提方法能够满足现场漏报率和误报率要求.     

浅谈现代数控机床故障诊断与维修

数控加工在现代制造业中占有举足轻重的地位,数控机床故障的诊断与维修在数控生产中的地位愈来愈重要,其故障诊断与维修技术与传统机床的维修技术有很大区别,本文对现代数控机床的故障诊断方法及维修技术进行了探讨和分析.     

故障诊断技术在转炉风机振动问题中的应用

系统地总结了设备故障诊断技术在包钢薄板坯连铸连轧厂设备维护管理中解决210t转炉一次除尘风机振动问题的实践应用.反映了设备故障诊断作为一种科学的设备技术管理手段在钢铁企业处理设备问题中发挥的作用,并展望了其在设备维护管理方面的应用前景.