融合语义差别和流型学习的偏标记学习方法

偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法(partial label learning by semantic difference and manifold learning, PL-SDML)。该方法是一个两阶段的方法：在训练阶段,基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度;在预测阶段,使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中,在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了0.3%～13.8%的性能提升。     

基于数据挖掘的用户行为特征提取系统构建

为充分缓解电量负荷压力,本文设计了基于数据挖掘的用户行为特征提取系统.按照电力信息提取框架的处置需求,连接用户行为管理模块与电力数据挖掘驱动单元,完成用户行为特征提取系统的硬件环境搭建.采用关联电力用户行为特征树,存储各类待挖掘的电力数据,完成系统的软件环境搭建,结合相关硬件设备结构,完成基于数据挖掘的用户行为特征提取系统设计.实验结果表明,与基于k-means的提取系统相比,应用新型特征提取系统后,电力用户的总负荷水平明显下降,电子转存频率也由47％提升至98％,用户端主体的电量负荷压力得到良好的平均与协调.     

基于多重差异特征网络的街景变化检测

街景变化检测对于自然灾害破坏和城市发展变化的研究起着重要作用.其主要目标是将成对的输入图片中变化的区域标注出来,其实质是二分类的语义分割问题.不同时间拍摄的街景图片可能受到如光线、天气、背景噪声、视角误差等诸多干扰因素的影响,这给传统的变化检测方法带来挑战.针对该问题,提出了一种新的神经网络模型(Multiple Difference Features Network,MDFNet).该模型首先使用孪生网络提取成对输入图片的不同深度特征,并使用差异模块对相同深度特征计算差异,以此有效获得不同尺度的变化信息;然后通过JPU模块融合多重差异特征,在不损失细节信息的情况下提取其深层语义信息;最后使用金字塔池化模块结合全局和局部信息生成二分类的变化检测图像.在PCD数据集上的GSV和TSUNAMI部分分别采用5折交叉验证法对模型进行实验,实验结果表明,MDFNet获得了0.787和0.862的F-score,相比排名第二的DOF-CDNet方法,其值提高了约11.9％和2.9％,同时其能够更精准地分割变化细节.因此,所提模型可以有效应对干扰,对于复杂场景也具备优秀的检测能力.     

物流中心选址问题的二元语义决策方法

为了有效避免语言评价中信息的损失和扭曲,从而提高物流中心选址的准确性,在层次分析法中引入三角模糊数,将各评价指标量化,提出一种二元语义决策选址方法.给出二元语义评价的方法与步骤,并通过物流中心选址的算例分析说明该方法的合理性.     

基于BIM的钢筋骨架语义设计点云自动生成算法

当前预制构配件钢筋骨架质量检查主要依靠人工,存在效率低、容易出错的问题。建筑信息模 型(BIM)、三维重建等技术为改进预制构配件钢筋骨架质量检查方法提供可能。运用这些技术时,有必要由钢 筋骨架 BIM 模型生成可区分每根钢筋的点云。为此,提出了语义设计点云的概念,并构建了基于 BIM 的钢筋 骨架语义设计点云自动生成算法。该算法首先从钢筋骨架 BIM 模型中提取每根钢筋并分别存储于不同的文件, 然后对每根钢筋所在文件进行格式转换,接着生成每根钢筋的语义设计点云,最后基于每根钢筋的语义设计点 云生成钢筋骨架语义设计点云。分别用简单钢筋骨架和复杂钢筋骨架对基于 BIM 的钢筋骨架语义设计点云自 动生成算法进行实验验证,结果表明,该算法能够自动并快速地生成准确的钢筋骨架语义设计点云。      

利用虚拟传感器的巡视器机械臂碰撞检测算法

为提高传统AABB树碰撞检测的精度和效率,提出一种基于虚拟传感器的月面巡视器机械臂碰撞检测算法.建立月面巡视器机械臂的逆运动学解算模型;对地面环境点云数据进行Delaunay三角化,采用多叉树代替二叉树作为AABB树储存环境点云三角面集;利用虚拟传感器简化巡视器机械臂结构模型,通过虚拟传感器遍历AABB树中的环境点云三角面集进行碰撞检测,避免机械臂与环境发生干涉.月面巡视器就位探测任务内场实验表明:基于虚拟传感器的月面巡视器碰撞检测算法使碰撞检测精度在1 mm内,碰撞检测时间降低至10 s内.基于虚拟传感器的碰撞检测算法具有高效性和可行性.     

微信息大数据粗糙集的近似约简

为了应对微信息舆情数据的格式复杂、价值稀疏和收集困难等大数据处理技术难题,基于隐含语义分析和粗糙集近似约简理论,设计微信息的数据区间值集和近似匹配分类算法.在不影响数据主要关联关系的原则下,提炼核心属性、消减次要属性,实现一种微信息异常主题倾向的发现方法.结果表明,该近似约简算法能在完成微信息兴趣倾向主题分类的前提下,将数据集属性大幅度缩减,提高微信息的信息挖掘效率,为微信息大数据舆情处理工作提供了新的思路和案例.     

基于语义扩展度的中文分词交叉歧义处理方法

提出一种歧义字段与其所在句子语义联系为依据的中文分词交叉歧义处理方法。该方法模拟人浏览句子按照语义和词语相关度寻找消歧证据的经验,通过比较计算歧义字段与整个句子的语义相似度和语义相关度,提出基于语义扩展度的中文分词交叉歧义处理算法,进而提高分词准确率,与经典的ICTCLAS分词系统相比,切分准确率和召回率均有很大提高。     

适用于广域测量系统的实时数据寻址红黑树算法

随着广域测量系统(Wide Area Measurement System,WAMS)的迅速发展,目前其数据主站的单站相量测量单元(Phasor Measurement Unit,PMU)的海量接入带来了一些规模化后的相关效率问题。主站实时数据通过层次化结构等方法在宏观上缓解了大量数据点的寻址效率问题,但在微观局部上当某一层次具有大量平行数据点时(如在含大量设备的站点或距离较长的线路上)的寻址时间飙升问题突出。本文对这种情况下的寻址操作提出了一种基于改进的红黑树数据结构组织和查询数据点的寻址算法RBA(Red-Black Tree Addressing Algrithm),并论证了其在此情况下的可行性以及对数据更新和搜索操作时间的大幅优化效果。实验和实际工程应用数据表明,RBA算法使平行节点搜索寻址效率大幅度提高,基本解决了WAMS系统在大量同层数据点下寻址时间过于滞后引起的同步周期速率延迟等问题。     

一种基于人工标签数据的行为识别模型迁移方法

针对通用模型对新用户行为识别准确率的问题,给出一种基于人工标签数据的模型迁移方法。对新用户采集少量带标签数据,经过带通滤波、特征提取和归一化预处理,将其加入到通用模型训练集中。对更新后的训练集进行重新训练,以所得模型与通用模型对新用户数据识别准确率的差值作为迁移必要性度量阈值,利用K-均值算法以及由底至顶的决策树子节点属性平均值替代法,对模型进行迁移。实验结果显示,与原通用模型相比,由所给方法迁移学习得到的个性化模型的识别准确率有明显提高。