中文知识库问答中的路径选择

路径选择是知识库问答任务的关键步骤,语义相似度常被用来计算路径对于问句的相似度得分。针对测试集中存在大量未见的关系,该文提出使用一种负例动态采样的语义相似度模型的训练方法,去丰富训练集中关系的多样性,模型性能得到显著提升。针对复杂问题候选路径数量组合爆炸问题,该文比较了两种路径剪枝方法,即基于分类的方法和基于集束搜索的方法。在包含简单问题和复杂问题的CCKS 2019-CKBQA评测数据集上,该方法能达到较优异的性能,测试集上单模型系统平均F₁值达到0.694,系统融合后达到0.731。     

基于信道状态特征的手势动作识别技术研究

手势识别作为人和机器之间重要的交互手段,在日常生活中具有广泛的应用场景。基于无线信号特别是WiFi的手势识别由于其无接触、成本低等优点成为当前热门的方式。为解决传统基于无线信号手势识别算法没有充分利用信号相位特征的缺点,本文提出利用WiFi信道状态信息幅值和相位结合的方式进行手势识别。通过子载波降维和动作曲线提取对接收的WiFi信号进行处理,并将信号的幅值和相位结合,利用机器学习算法对数据进行训练和分类,实现了单手向前、单手向后、单手向左、单手向右、单手向上和单手向下六种手势的识别。实验结果显示,本文算法在近距离和远距离下的精确度分别为96%和92%。     

基于MEMS电容式加速度计的闭环读出电路设计

设计了面向圆片级封装的一种闭环加速度计读出电路.在基于电容式微加速度计结构的读出电路设计中考虑了寄生电容对整个系统的影响.用MATLAB SIMULINK对所设计的读出电路进行了建模仿真.在仿真过程中分析了噪声、圆片级封装与普通封装的寄生参数及实际工艺中流水结构的不对称性的影响并进行了比较.结果表明,所设计传感器及读出电路的非线性误差在量程±20 gn范围内小于0.5％;圆片级封装的稳定时间在2 ms,小于普通封装的稳定时间;基于圆片级封装的对称性梳齿结构的输出电压灵敏度为328 mV/gn.     

空洞弧段引导下异构传感网的覆盖优化策略

应对异构传感器网络部署时引发的随机空洞与冗余均衡问题,论文提出一种空洞弧段引导下异构传感网的覆盖优化策略(Coverage Optimization Strategy of Heterogeneous Sensor Network guided by Hollow Arc,CHHA).节点仅以自身邻居信息为支撑剖分覆盖圆周,对弧子段特性进行分析,从而评估邻接空洞,并将其串连勾勒;节点基于可视范围内的弧段信息,完成自我冗余判断与修补适配评估,继而选择增容式自修复或招募式调配修复策略以补偿空洞弧段.论文提出的方法相较于常规将空洞识别与修复问题进行各自假设的分割研究,仿真实验表明:CHHA算法针对随机出现的感知空洞,给出了探测、勾勒至修复的全流程方案,在包容异构通信差异的同时,实现了本地化的空洞识别和低耗适配的空洞修补.     

基于云模型与PROMETHEE方法的语言型Z-number多属性决策

针对属性权重未知,属性值为语言型Z-number的多属性决策问题,提出了一种基于云模型与丰富度评估的偏好排序组织方法（Preference ranking organization method for enrichment evaluation, PROMETHEE）的决策方法。首先,引入语言尺度函数,然后利用其建立转化模型完成语言型Z-number向云模型的转化。此外,通过定义云可能度函数,建立属性权重求解公式及构建正弦偏好函数,进而计算方案的优先指数,通过计算方案的正负方向优序级别值得到备选方案综合优序级别值,进而得到方案排序。最后通过算例及比较分析验证本方法的有效性和可行性。     

一种基于深度强化学习的Spark Streaming参数优化方法

Spark Streaming作为主流的开源分布式流分析框架,性能优化是目前的研究热点之一。在Spark Streaming性能优化中,业务场景下的配置参数优化是其性能提升的重要因素。在Spark Streaming系统中,可配置的参数有200多个,对参数调优人员的经验要求较高,未经优化的参数配置会影响流作业执行性能。因此,针对Spark Streaming的参数配置优化问题,提出一种基于深度强化学习的Spark Streaming参数优化方法（DQN-SSPO）,将Spark Streaming参数优化配置问题转化为深度强化学习模型训练中的最大回报获得问题,并提出权重状态空间转移方法来增加模型训练获得高反馈奖励的概率。在3种典型的流分析任务上进行实验,结果表明经参数优化后Spark Streaming上的流作业性能在总调度时间上平均缩减27.93%,在总处理时间上平均缩减42%。     

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。     

面向空铁联运的枢纽航线网络优化模型

为减缓枢纽机场的客流量拥堵问题,减少机场运营成本,设计面向空铁联运的枢纽航线网络优化模型.在枢纽航线网络基础上,引入高铁线路建立优化模型;设计高维多角标变量表示方法和禁忌搜索算法的求解方法,减少算法的计算负担,科学规划线路客流量和运输方式.实验结果表明,与严格和非严格的枢纽航线网络相比,该优化模型可以较好减缓枢纽机场的拥堵,降低枢纽机场的负荷率,减少网络成本.该模型求解算法具有收敛速度快且解分布稳定的特点.     

IWSNs中的混合式共享链路调度

针对工业无线传感器网络中的链路调度问题,提出一种混合式共享链路调度方案.通过对现有典型集中式调度方案存在的不足进行分析,将属于同一路径或多跳路由的节点间的共享链路集中分配给属于同一路径的节点,采用分布式决策决定哪些节点应当在每个时间点使用共享链路;推导出描述调度方案的可靠性和延迟性能指标的解析表达式,表明提出方案能灵活分配和利用链路,具有更好的防止传输差错和减小延迟的能力.仿真结果表明,与现有IWSNs链路调度方案相比,提出方案可以提高可靠性和延迟性能,更有效地利用链路资源.     

面向交通流量预测的时空超关系图卷积网络

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象（如站点、传感器）之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络（STHGCN）预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络（STSGCN）等时空预测模型,STHGCN在均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。