BERT蒙古文词向量学习

以Word2Vec为代表的静态蒙古文词向量学习方法,将处于不同语境的多种语义词汇综合表示成一个词向量,这种上下文无关的文本表示方法对后续任务的提升非常有限。通过二次训练多语言BERT预训练模型与CRF相结合,并采用两种子词融合方式,提出一种新的蒙古文动态词向量学习方法。为验证方法的有效性,在内蒙古师范大学蒙古文硕博论文的教育领域、文学领域数据集上用不同的模型进行了同义词对比实验,并利用K-means聚类算法对蒙古文词语进行聚类分析,最后在嵌入式主题词挖掘任务中进行了验证。实验结果表明,BERT学出的词向量质量高于Word2Vec,相近词的向量在向量空间中的距离非常近,不相近词的向量较远,在主题词挖掘任务中获取的主题词有密切的关联。     

基于多任务学习的多罪名案件信息联合抽取

面向法律文本的实体关系联合抽取技术对于案情关键信息的智能提取至关重要,是智慧司法领域应用中的重要环节。目前的联合抽取方法虽然已经在特定罪名案件的数据集上取得了较好的效果,但是由于模型在训练时只关注了特定罪名类型文本数据的特点,使得模型的泛化能力有限,在应用到多罪名案件的情况下常常使得模型的效果下降。因此引入多任务学习的方法对多罪名情形下的实体关系联合抽取进行了研究,以涉毒类案件和盗窃类案件两大类罪名的文书数据为基础,构建了一个罪名分类任务作为联合抽取的辅助任务,通过基于特征筛选的动态加权多任务模型同时对两个任务进行学习,在单任务模型的基础上整体F1值提升了2.4个百分点,在涉毒类案件和盗窃类案件上的F1值分别提升了1.6和3.2个百分点。     

面向快递员揽收到达时间预测的多任务深度时空网络

快递员揽件到达时间预测,即预测用户下单后快递员的上门揽收时间,一直都是物流企业所关心的重要问题。准确的揽件到达时间预测可以优化揽件效率,提升用户体验。该问题主要存在以下挑战：(1)快递员揽件到达时间受到多种复杂时空因素的影响,包括待预测订单自身的时空特征,以及与其他待揽收订单之间的相互影响;(2)快递员在执行揽件任务期间,会不断接收到系统分配的新订单,造成揽收路线的动态变化,从而给揽件到达时间预测带来了更大的不确定性。针对以上挑战,提出了一种面向揽件到达时间预测的多任务深度时空网络MSTN4PAT模型,从海量的揽件历史数据中学习快递员揽件到达时间的复杂时空模式。MSTN4PAT充分挖掘待预测订单始发地与目的地之间的内在关联,使用多任务学习来建模订单之间的相互影响,并从特征宽度和特征深度2个角度高效融合各种特征,实现准确的揽件到达时间预测。在真实的揽件数据集上的实验结果表明,MSTN4PAT的预测效果明显优于对比模型。     

基于改进的GABP算法优化5G天线阵列

为了加快天线建模速度,针对现有天线设计软件天线参数优化速度过慢问题进行了建模研究。首先通过几种常用的启发式算法优化后的多层前馈（Back propagation,BP）神经网络对天线参数进行优化比较,并对其中最优的算法遗传算法优化BP（Genetic algorithm BP,GABP）神经网络算法进行深度改进。其次采用自适应算法和模拟退火算法优化算法对GABP进行优化。最终通过模拟试验验证出自适应GABP算法对于天线参数优化的误差最小。该研究为天线设计软件中天线优化方法提供了一种误差较小的新方法,拥有更高的预测准确度,拟合速度也大大提升。实验对比证明了该算法的可行性。     

融合MAML和CBAM的安卓恶意应用家族分类模型

为满足对新兴安卓恶意应用家族的快速检测需求,提出一种融合MAML(model-agnostic meta-learning)和CBAM(convolutional block attention module)的安卓恶意应用家族分类模型MAML-CAS。将安卓恶意应用样本集中的DEX文件可视化为灰度图,并构建任务集;融合混合域注意力机制CBAM,设计两个具有同等结构的卷积神经网络,分别作为基学习器和元学习器,这两个学习器在自动提取任务集中样本特征的同时,可从通道和空间两个维度来增强关键特征表达;利用元学习方法 MAML对两个学习器进行训练,其中基学习器完成特定恶意家族分类任务的属性学习,元学习器则学习不同任务的共性;在两个学习器训练完成后,MAML-CAS将获得初始化参数,在面对新的安卓恶意应用家族分类任务时,不需要重新训练,只需要少量样本就可以快速迭代;利用训练完成的基学习器提取安卓恶意应用家族特征,并利用SVM进行恶意家族分类。实验结果表明,MAML-CAS模型对新兴小样本安卓恶意应用家族具有良好的检测效果,检测速度较快,并具有较好的稳定性。     

基于新型公平盲签名和属性基加密的食用农产品溯源方案

为解决食用农产品溯源中存在的身份隐私易泄露、难监管以及溯源数据共享困难等问题,该文提出一种基于新型公平盲签名和属性基加密的食用农产品溯源方案。该方案在联盟链授权访问、不可篡改特性的基础上,结合椭圆曲线和零知识证明提出一种新型公平盲签名方法,实现了食用农产品数据上传者身份条件匿名并通过双重ID机制避免了签名方陷害问题;方案同时采用Asmuth-Bloom门限改进的属性基加密结合智能合约技术实现了权限分层的食用农产品溯源数据秘密共享。各项分析及实验结果表明,该方案具备良好的安全性和功能性。     

图像边缘权重优化的最小生成树分割提取

针对无监督图像分割方法对噪声敏感而导致图像建模困难、分割结果准确率低等问题,该文提出一种图像边缘权重优化的最小生成树分割提取方法。首先,利用L0梯度最小值平滑处理噪声再结合Otsu优化Canny边缘检测,得到更加准确的边缘信息;其次,重新设计权重函数,采用更加合理的色差空间构建加权图,通过改进分割准则优化物体合并与区分过程;最后,选择不同类型图片进行抗噪性、分割效果实验。实验结果表明：相对于其他算法,该文算法的抗噪性能优秀,分割精度平均提升5.15%,过分割率平均下降32.07%,欠分割率平均下降2.69%。将其运用在实际航空遥感图像的河道湖泊提取中,所得结果相比其他主流算法结构更加完整,无关信息更少,抗噪性能更好。     

交叉口混合交通流微观控制模型

为构建智能网联汽车(CAV)和有人驾驶汽车(HDV)混合通行情况下的交叉口通行机制与控制方法, 本文提出CAV专用道条件下交叉口协同通行模型. 首先, 设计CAV专用道条件下的交叉口布置, 对交叉口进行网格化处理,将CAV通行时隙和HDV绿灯相位对交叉口某部分网格某时段的占用统一到交叉口时空资源描述框架下; 其次, 建立兼顾CAV与HDV的交叉口时空网格资源分配模型, 构建自适应信号灯控制算法和CAV轨迹规划算法; 再次, 以车辆最小延误为目标进行自适应信号灯配时优化和CAV轨迹优化; 最后, 选取广州某典型交叉口建立仿真实验对所提方法的有效性进行了验证.     

基于知识Petri网的确定性和不确定性联合推理

知识推理是人工智能的核心领域,旨在研究如何从已知(知识库和推理规则)推理出未知,以帮助智能体做出科学决策.而智能体所处的环境存在不可观性和不确定性,因此知识库通常不仅包含确定性知识,还包含不确定性知识,而且推理过程需要两类知识紧密协作.然而,目前的推理方法无法将两类知识统一表示,常常将两者对应的推理过程割裂进行.基于此,为了实现在统一的模型架构下完成确定性和不确定性联合推理,给出了一种知识Petri网推理方法.首先,定义了一种新的知识Petri网,使其不仅能够描述确定性的知识规范,也可以描述先验概率知识;其次,根据知识Petri网的网结构,给出了一种知识Petri网概率独立剪枝算法,能够指数级地降低不确定性推理的计算复杂性;最后,利用知识Petri网及其概率独立剪枝算法,给出了一种新型推理算法,实现了确定性和不确定性的联合推理,并利用Wumpus世界进行了演示和验证.     

吊车钢丝绳非线性谐振建模及消谐控制

对于欠驱动吊车而言, 已有的方法都只考虑如何消除摆角. 然而当钢丝绳的摆角很小时, 钢丝绳上可能仍 然会存在严重的谐振. 针对吊车的消谐问题, 本文率先提出了一种基于钢丝绳–电机轴的非线性谐振力矩模型. 具体而言, 先利用振动力学的方法, 建立了非线性谐振力矩模型, 该模型可以将钢丝绳上的非线性谐振力矩归算到电机轴上, 然后通过电机控制器调节电机的输出力矩, 使得电机输出的基波主力矩上叠加一个大小相等方向相反的非线 性谐振力矩, 以达到消除钢丝绳上的谐振力矩的目的. 最后通过Simulink仿真和实验证明该方法具有良好的控制性 能, 不仅可以有效消除钢丝绳上的谐振, 并且能进一步减小摆角.