关于高层建筑结构设计问题探讨

本文根据作者近些年的工作经验对钢筋混凝土高层建筑结构设计中概念设计、地基与基础设计、结构计算与分析等方面总结了一些常见问题,可供设计者参考     

基于Prompt学习的无监督关系抽取模型

无监督关系抽取旨在从无标签的自然语言文本中抽取实体之间的语义关系。目前,基于变分自编码器（VAE）架构的无监督关系抽取模型通过重构损失提供监督信号来训练模型,这为完成无监督关系抽取任务提供了新思路。针对此类模型无法有效地理解上下文信息、依赖数据集归纳偏置的问题,提出基于Prompt学习的无监督关系抽取（PURE）模型,其中包括关系抽取和链接预测两个模块。在关系抽取模块中设计了上下文感知的Prompt模板函数以融入上下文信息,并将无监督关系抽取任务转换为掩码预测任务,从而充分利用预训练阶段获得的知识完成关系抽取。在链接预测模块中则通过预测关系三元组中的缺失实体提供监督信号联合训练两个模块。在两个公开真实关系抽取数据集上进行了大量实验,得到的结果表明PURE模型能有效利用上下文信息并且不依赖数据集归纳偏置,相较于目前最优的基于VAE架构的模型UREVA(Variational Autoencoder-based Unsupervised Relation Extraction model)在NYT数据集上的B-cubed F1指标上提升了3.3个百分点。     

古汉语双字词自动获取方法的比较与分析

词汇的自动获取在自然语言生成、计算词典编纂、句法分析以及语料库语言学等领域均有着重要的研究价值。该文针对古汉语双字词的自动获取问题,以《史记》全文语料为例,分别应用基于频率、互信息、假设检验的统计方法获取古汉语双字词,并结合人工标注结果进行了详细的比较和分析,评价了各方法的优缺点及可靠性,为不同应用背景下的古汉语双字词自动获取提供了相应的解决方案。     

寻寻觅觅探底路 沪胶拷问一万八

评述沪胶近期走势, 深入剖析了产胶国供应情况、轮胎出口、国家调控政策等各个影响因素, 对天然橡胶后市进行了分析预测。     

基于协同进化的异构种群挖掘混沌迭代函数

混沌迭代序列是复杂系统动力学研究的一个分支,其序列值在不同参数条件下时会出现分叉及混沌现象.已有的方法不能同时挖掘拟合迭代序列的迭代函数的结构及其相应条件参量.文章则旨在同时挖掘出二者,主要工作包括:(1)提出了基于协同进化的异构种群挖掘模型,能融合不同种群的优势;(2)提出了新的适合挖掘迭代序列的适应度计算方式;(3)从理论上证明了多种群协同挖掘的进化难度远大于单种群进化难度,通过实验证实了在有效协同策略下,多种群进化得到的结果远优于单种群的进化结果;(4)提出3种协同进化策略,在对迭代序列的函数拟合以及参数拟合两方面,多路并行式结合策略能达到相对较优效果;(5)在合成数据和真实数据上进行了实验,证实了算法的正确性和有效性.     

VG模型参数对灌溉补给系数的敏感性分析

运用模型手段,计算灌溉补给系数时,VG模型中水力参数的不确定性严重影响了灌溉入渗补给系数的可靠性,且目前针对非均质岩土层入渗及其水力参数敏感性的研究较少。基于新疆伊犁霍城县原位试验场灌溉试验,运用HYDRUS-2D软件建立二维饱和-非饱和带水分运移数值模型,利用EFAST法和Morris筛选法分析了VG模型中水力参数对灌溉补给系数的敏感性,并分析比较两种方法的一致性。研究表明:当包气带岩性为均质结构时,θ_s(土壤的饱和含水率)及n(VG模型的形状参数)共同影响着灌溉补给系数。当包气带岩性处于上粗下细的结构时,θ_s对灌溉补给系数影响最大,即表明θ_s最为敏感,而且细颗粒θ_s相对于其他水力参数的耦合程度最大。n直接影响着土壤水分特征曲线的整体形状。同时EFAST法和Morris筛选法对参数敏感性分析结果呈现较高的相关性。由于VG模型中水力参数数量适中,EFAST法较Morris筛选法工作量合理,同时对模型参数敏感性分析更加贴近实际。研究成果对获取包气带水分运移模型参数有着重要意义。     

基于显露模式的对比挖掘研究及应用进展

对比挖掘是近年来数据挖掘领域的新热点之一。对比挖掘关注并描述不同类别和条件下,或随时间变化的知识,旨在设计能够发现刻画数据集中不同类别或条件的样本间差异的模式或模型的方法。由于对比挖掘技术能化繁为简、准确分类,在实践中得到广泛应用。显露模式的挖掘和应用是对比挖掘的重要分支。综述了显露模式的背景、基本概念和原理,分析了显露模式的挖掘方法,讨论了显露模式的扩展定义和挖掘,介绍了基于显露模式的分类器构造方法,展示了显露模式的若干实际应用,展望了基于显露模式的对比挖掘的未来研究。     

基于GEP和神经网络的属性约简分类算法

分类(Classification)是数据挖掘(DataMining)中的一个重要研究方向,目前传统的方法有神经网络,Fisher判别法等。神经网络缺乏对分类结果的直观解释;Fisher判别对于大数据集分类准确率大大下降,且不具有属性约简能力。为此,该文做了如下工作(1)提出了自动获取最佳阈值的思想;(2)对于错分的实例,提出了运用神经网络分类器二次分类的思想;(3)提出了基于基因表达式编程和神经网络的属性约简分类算法(AttributionReductionClassificationAlgo-rithmsBasedonGEPandNeuralNetwork,ARCA-GEPNN);(4)实验表明,ARCA-GEPNN的分类精度比Fisher判别提高了约25%,比GEP提高了约21%。