融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性。而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度。对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交互(RTRM)的深度模型,该模型能够提取评论文本和评分矩阵的深层次特征,并结合它们进行评分预测;其次,通过使用预训练的Electra模型得到每条评论的隐表达,并结合深度情感分析及注意力机制实现从上下文语义层面对评论文本的分析,解决了短文本的语义难以分析的问题;同时,在融合层模块中,用户(物品)评论和评分矩阵进行交互,最终预测出用户对商品的评分;最后,在6组数据集上,采用均方误差(MSE)进行性能对比实验,实验结果表明该文模型性能优于其他系统,且平均预测误差最大降低了12.821%,该模型适用于向用户推荐精确的物品。     

分层土壤后向散射及其在深层土壤湿度探测中的应用

该文定量地分析了频率、入射角、土壤介电常数等主要因素对电磁波穿透性能的影响。计算了分层土壤后向散射系数与地表参数,介电常数,系统工作频率,极化方式,入射角的关系,并从理论上得到验证,为深层土壤湿度反演提供了一个比较合理的模型。文中结论对低频段(0.1-1GHz)合成孔径雷达系统设计及深层土壤湿度反演具有实际应用价值。     

雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。      

音频标记一致性约束CRNN声音事件检测

级联卷积神经网络(CNN)结构和循环神经网络(RNN)结构的卷积循环神经网络(CRNN)及其改进是当前主流的声音事件检测模型。然而,以端到端方式训练的CRNN声音事件检测模型无法从功能上约束CNN和RNN结构的作用。针对这一问题,该文提出了音频标记一致性约束CRNN声音事件检测方法(ATCC-CRNN)。该方法在CRNN模型的声音事件分类网络中添加了CRNN音频标记分支,同时增加了CNN音频标记网络对CRNN网络CNN结构输出的特征图进行音频标记。然后,通过在模型训练阶段限定CNN和CRNN的音频标记预测结果一致使CRNN模型的CNN结构更关注音频标记任务,RNN结构更关注建立音频样本的帧间关系。从而使CRNN模型的CNN和RNN结构具备了不同的特征描述功能。该文在IEEE DCASE 2019国际竞赛家庭环境声音事件检测任务(任务4)的数据集上进行了实验。实验结果显示：提出的ATCC-CRNN方法显著提高了CRNN模型的声音事件检测性能,在验证集和评估集上的F1得分提高了3.7%以上。这表明提出的ATCC-CRNN方法促进了CRNN模型的功能划分,有效改善了CRNN声音事件检测模型的泛化能力。     

无蜂窝大规模MIMO中基于深度强化学习的无人机辅助通信与资源调度

无蜂窝大规模多入多出(MIMO)网络中分布式接入点(AP)同时服务多个用户,可以实现较大区域内虚拟MIMO的大容量传输;而无人机辅助通信能够为该目标区域热点或边缘用户提供覆盖增强。为了降低反馈链路负载,并有效提升无人机辅助通信的频谱利用率,该文研究了基于AP功率分配、无人机服务区选择和接入用户选择的联合调度;首先将AP功率分配和无人机服务区选择问题联合建模为双动作马尔可夫决策过程 (DAMDP),提出了基于Q-learning和卷积神经网络(CNN)的深度强化学习(DRL)算法;然后将用户调度构造为一个0-1优化问题,并分解成子问题来求解。仿真结果表明,该文提出的基于DRL的资源调度方案与现有方案相比,可以有效提升无蜂窝大规模MIMO网络中频谱利用率。     

深亚微米CMOS集成电路抗热载流子效应设计

热载流子效应(HCE)、电介质击穿、静电放电，以及电迁移等失效机理，已经对VLSI电路的长期可靠性造成了极大的威胁。其中，热载流子效应是最主要的失效机理之一。影响CMOS电路热载流子效应的因素有：晶体管的几何尺寸、开关频率、负载电容、输入速率以及晶体管在电路中的位置。通过对这些因素的研完，提出了CMOS电路热载流子可靠性设计的通用准则。     

印制电路板通孔的电镀技术

印制板通孔的金属化是一个极其复杂的过程,它涉及到去残渣、活化、化学镀铜和电镀铜,为了得到品质优良的产品,必须严格控制每一项操作。本文通过对生产现场易出现的问题,提出了对上述各工序管理的注意点。     

基于样本选择的RGBD图像协同显著目标检测

协同显著目标检测的目的是在包含两张及以上相关图像的图像组中检测共同显著的物体。该文提出一种利用机器学习的方法对协同显著目标进行检测。首先,基于4个评分指标从图像组中选择部分显著目标易于检测的简单图像,构成简单图像集;接着,基于协同一致性的原则,从简单图像集中提取正负样本,并用深度学习模型提取的高维语义特征表示正负样本;再者,利用正负样本训练的协同显著分类器对图像中的超像素进行分类,得到协同显著目标区域;最后,经过一个平滑融合的操作,得到最终的协同显著图。在公开数据集上的测试结果表明,所提算法在检测精度和检测效率上优于目前的主流算法,并具有较强的鲁棒性。     

运营商网络中基于深度强化学习的服务功能链迁移机制

为改善运营商网络提供的移动服务体验,该文研究服务功能链(SFC)的在线迁移问题。首先基于马尔可夫决策过程(MDP)对服务功能链中的多个虚拟网络功能(VNF)在运营商网络中的驻留位置迁移进行模型化分析。通过将强化学习和深度神经网络相结合提出一种基于双深度Q网络(double DQN)的服务功能链迁移机制,该迁移方法能在连续时间下进行服务功能链的在线迁移决策并避免求解过程中的过度估计。实验结果表明,该文所提出的策略相比于固定部署算法和贪心算法在端到端时延和网络系统收益等方面优势明显,有助于运营商改善服务体验和资源的使用效率。     

扩展的Deep Web质量估计模型研究

Deep Web中蕴涵了海量的高质量信息.文中从Deep Web数据源的功能属性和非功能属性两个方面对数据源的质量进行度量,建立了一种基于综合模糊评价指标体系的扩展的数据源质量估计模型.实验结果表明该模型得到的数据源质量排序序列和人工排序序列的Kendall’s距离较扩展前有了很大提高,而且质量估计结果也能使数据源的选择得到较高精确度.