基于频繁依存子树模式的中心词提取方法研究

条件随机场模型通过抓取问句中心词各方面统计特征来进行中心词标注,但未能充分利用中心词特征间存在的深层统计关系。该文利用中文问句的依存关系树结构,通过挖掘问句依存关系树所蕴藏的中心词各维度特征之间的统计概率关系,为正确提取中心词提供依据,通过挖掘频繁依存子树模式以生成相应统计规则模式,使用条件随机场模型进行中心词初始标注,使用频繁依存子树模式统计规则进行中心词标注校正等。该文方法属于典型的客观方法,建立在严格的统计语料基础上,标注的稳定性、适应性和鲁棒性较好。实验结果表明,该文方法将条件随机场模型的中心词标注准确率提高约3%。
     

基于马尔可夫随机场模型的运动对象分割算法

提出了一种基于马尔可夫随机场(MRF)模型的运动分割算法,仅使用了压缩流中的运动矢量和块编码模式信息,可以在复杂场景下对运动对象有很好的分割效果.利用运动矢量量化的方法来对运动矢量进行预处理,对运动矢量进行马尔可夫建模,利用能量最小函数进行优化得到运动对象分割的效果.实验表明:与现有的方法相比,该方法可从复杂场景中更准确地对运动对象进行分割.     

基于组合方法的三亚机场客流量预测

准确地预测机场客流量对机场的建设和发展有着至关重要的作用. 在三亚机场2005-2015年客流量数据的基础上,分别采用Holt-Winter季节模型、ARMA和线性回归模型分别对三亚机场2016-2017年的客流量进行了预测. 为了减少预测误差提高预测精度,采用了组合加权的方法对数据进行了组合预测. 经验证,该方法可以作为有效预测机场客流量的一种方法.     

基于多Agent的机场地面服务车辆调度方法研究

机场地面服务车辆调度失误是机场航班延误的主要原因之一。通过对机场地面服务车辆调度问题进行分析,建立多目标带有时间窗非满载机场地面服务车辆数学模型。将多Agent技术以及用于旅行商问题(TSP)的最近插入法加以结合改进,设计出一种基于多Agent的机场地面服务车辆启发式调度方法。最后结合实验数据进行验证,实验结果表明该调度方法在满足所有约束的条件下,所用车辆总数平均减少65.5%,车辆总运输距离平均减少48.3%。     

基于检测的荧光显微图像中的神经丝蛋白质跟踪

神经丝蛋白质是沿神经轴突运输的功能性蛋白聚合物,神经丝蛋白质的运动研究对于如神经退行性疾病的诊断等应用是非常重要的。传统的方法在很大程度上依赖于在荧光显微镜图像下手工标记神经丝蛋白质。描述了一种基于检测跟踪的自动神经丝运动分析方法,用这种方法提取出沿轴突运动的神经丝轨迹并描绘成一条参数化曲线。首先,将轴突分解成块,然后利用马尔可夫随机场图形标签来确定包含运动神经丝的轴突块,最后将神经丝的首端和尾端位置细化到亚像素精度。神经丝运动的实际延时荧光图像序列实验表明了所提方法的有效性和可靠性。     

基于条件随机场的矿工检测方法

针对现有视频图像目标检测算法应用于矿工检测时检出率、定位准确率、检测效率等均较低的问题,提出了一种基于条件随机场的矿工检测方法。该方法包括矿工检测模型建立与矿工检测识别2部分。在模型建立阶段,提取若干样本图像的方向梯度直方图特征,并利用主成分分析法对特征进行降维处理;以条件随机场为框架进行感兴趣区域标志,以标定训练样本,并训练条件随机场模型参数。在检测识别阶段,提取待检测图像的方向梯度直方图特征,并对特征进行降维,采用训练得到的条件随机场模型,通过局部二元模式推断标定图像各子窗口,最终得到矿工所在区域。实验结果表明,该方法可准确地检测出矿工在图像中的位置。     

一种基于SVR回归的机场航迹预测方法

文章针对新机场噪音预测问题建立一种利用旧有数据进行预测的机器学习方法。该方法使用原机场噪声观测记录与其飞行计划建立噪声预测模型,然后使用该模型以及新机场飞行计划预测新机场航迹分布作为噪音预测的基础。为保证该预测结果准确性,引入交叉验证方法,将预测数据与原有数据混合建立验证模型评估预测准确率。使用长期机场噪音数据进行的验证实验表明,该方法具有可靠的准确率。     

无线AP在机场WLAN中的部署规划中的探讨

如今,网络已成为大多数机场旅客办理值机、移动支付、休闲娱乐的必备工具,进港大厅、安检大厅、登机口和行李提取大厅可以非常方便地接入互联网,享受互联网提供的各项服务。无线AP作为WLAN的核心作用越来越大,全国各个机场对各自的WLAN都在进行组建或改造,在组建和改造WLAN的过程中,无线AP的部署规划就愈发显得格外重要,合理的部署规划无线AP,对WLAN的质量将会起到决定性的作用,针对无线AP部署规划中存在的问题,进行了研究和探讨。     

加入自注意力机制的BERT命名实体识别模型

命名实体识别属于自然语言处理领域词法分析中的一部分,是计算机正确理解自然语言的基础。为了加强模型对命名实体的识别效果,本文使用预训练模型BERT(bidirectional encoder representation from transformers)作为模型的嵌入层,并针对BERT微调训练对计算机性能要求较高的问题,采用了固定参数嵌入的方式对BERT进行应用,搭建了BERT-BiLSTM-CRF模型。并在该模型的基础上进行了两种改进实验。方法一,继续增加自注意力(self-attention)层,实验结果显示,自注意力层的加入对模型的识别效果提升不明显。方法二,减小BERT模型嵌入层数。实验结果显示,适度减少BERT嵌入层数能够提升模型的命名实体识别准确性,同时又节约了模型的整体训练时间。采用9层嵌入时,在MSRA中文数据集上F₁值提升至94.79%,在Weibo中文数据集上F₁值达到了68.82%。