基于关联分析的F聚类模型及其应用

利用关联分析的基本性质，建立了一种关联分析的Ｆ聚类模型，把聚类与排序结合起来，弥补了现有聚类模型的只聚类不排序的不足，实际应用表明，该模型快速要靠适于多目标方案的决策。     

一种基于线程关系的软件水印算法

针对目前基于线程顺序的软件水印算法存在的隐藏信息量小效率不高的不足,提出了一种新的基于线程间关系的软件水印算法.其主要思想是通过修改程序的源代码控制程序运行中线程间的相互关系,从而在线程关系中隐藏软件水印.文中给出了关系和关系矩阵等概念的形式化定义,描述了软件水印的嵌入和提取过程.文章对该算法的不易觉察性和数据率进行分析比较,总结了有针对性的攻击方式,并对攻击下软件水印的安全性进行实验验证.     

基于图的分布式平飞航迹关联算法

航迹关联是分布式传感器信息融合的关键问题之一,其主要问题在于多目标平飞航迹难以关联,而实际工程应用中无法实时获取方差数据又增加了关联难度.将同一传感器获取的平飞航迹抽象为图论中无分辨的点,应用综合B型关联理论计算各点间距,进而构造反映航迹间关联关系的双向连通图,并用邻接矩阵描述其关联拓扑关系.不同节点的公共观测连通图对应的邻接矩阵必然是相似的,继而将图二分为单点图及其对应补图,利用辩证的思想将补图所对应的邻接矩阵的特征值抽象为对应点的特征向量,最终将平飞航迹关联落脚至多维分配问题.实验仿真表明,该方法具有较好的关联效果.     

基于拓扑邻接关系的草图元素命名机制

针对传统的三维造型系统中对于设计历史维护不力的问题,基于在实际的零件设计过程中大理的形状特征是通过轮廓扫的方式生成的这一事实,提出三维中的通过轮廓扫的方式而形成的拓扑实体的命名实现利用二维的轮廓元素的命名来完成。在草图和轮廓扫的关系的基础上,提出基于拓扑邻接的草图命名机制,并对于草图命名的修正,草图命名原则以及一致性问题进行了较为深入的分析     

基于动约束求解的协同设计研究

协同设计是由多功能小组共同参与到产品开发过程中的设计方式 ,良好的任务关联和分解是协同设计的前提和保证 ,任务分解使多功能小组之间必然存在许多的相互制约、相互依赖的关系可以通过约束网络图清晰地表达 ,这样设计问题就成为一个约束求解问题 ,本文在分析了约束求解的研究现状和不足的基础上 ,提出了一种基于动约束的约束求解方法     

基于多层级注意力机制和动态阈值的远程监督关系抽取

远程监督关系抽取面临着数据质量的问题,即生成的数据集存在多类噪声,包括噪声词、噪声句和噪声包。现有研究主要集中在噪声句方面,忽略了其他噪声的影响,无法彻底消除噪声。为此,提出一种基于多层级注意力机制和动态阈值的远程监督关系抽取模型（MADT）。该模型首先采用预训练语言模型获取实体对语义表示,再通过双向门控循环单元和自注意力机制获得蕴涵关键词信息的语义特征,然后结合句子深层上下文表示依次处理三种噪声问题。此外,还提出一种动态阈值方法进一步剔除噪声句,增强正例句对包表示的贡献,并采用基于语义相似性的注意力机制降低噪声包的影响。在NYT10d和NYT10m数据集上的实验表明,MADT模型能够解决远程监督关系抽取中各个层面的噪声,有效提升关系抽取性能。     

融合对抗训练及全局指针的实体关系联合抽取

实体关系联合抽取旨在从文本中抽取出实体关系三元组, 是构建知识图谱十分重要的步骤之一. 针对实体关系抽取中存在的信息表达能力不强、泛化能力较差、实体重叠和关系冗余等问题, 提出了一种实体关系联合抽取模型RGPNRE. 使用RoBERTa预训练模型作为编码器, 提高了模型的表达信息能力. 在训练过程中引入了对抗训练, 提升了模型的泛化能力. 使用全局指针, 解决了实体重叠的问题. 使用关系预测, 排除不可能的关系, 减少了冗余的关系. 在基于schema的中文医学信息抽取数据集CMeIE上进行的实体关系抽取实验表明, 模型的F1值比基准模型提升了约2个百分点, 在实体对重叠的情况下, 模型的F1值提升了近10个百分点, 在单一实体重叠情况下, 模型的F1值提升了大约1个百分点, 说明该模型能够更准确地提取实体关系三元组, 从而有效提升知识图谱构建的准确度. 在含有1–5个三元组的对比实验中, 在拥有4个三元组的句子中, 模型的F1值提升了约2个百分点, 而在拥有5个及以上三元组的复杂句子中, F1值提升了约1个百分点, 说明该模型能够较好地处理复杂句子场景.     

融合多重实例关系的无监督跨模态哈希检索

大多数跨模态哈希检索方法仅使用余弦相似度进行特征匹配,计算方式过于单一,没有考虑到实例的关系对于性能的影响.为此,提出一种基于多重实例关系图推理的方法,通过构造相似度矩阵,建立全局和局部的实例关系图,充分挖掘实例之间的细粒度关系.在多重实例关系图的基础上进行相似度推理,首先分别进行图像模态和文本模态关系图内部的推理,然后将模态内的关系映射到实例图中进行推理,最后执行实例图内部的推理.此外,为了适应图像和文本两种模态的特点,使用分步训练策略训练神经网络.在MIRFlickr和NUS-WIDE数据集上实验表明,提出的方法在mAP指标上具有很明显的优势,在Top-k-Precision曲线上也获得良好的效果.这也说明所提方法对实例关系进行深入挖掘,从而显著地提升检索性能.     

二型模糊决策理论与方法研究综述

二型模糊集(type-2 fuzzy set, T2FS)是将模糊集中的隶属函数拓展为一型模糊集而产生的集合,其具有表示更深层次不确定性的优势,能够极大程度地增强对客观世界不确定性的刻画能力.因此,近年来围绕二型模糊环境下的决策理论与方法研究得到了蓬勃发展.鉴于此,对二型模糊决策理论与方法进行系统性综述,梳理该领域的发展脉络,阐明现有工作的研究态势,总结二型模糊信息集成与决策的主要研究成果.首先,介绍二型模糊集的发展历程和基础理论研究现状;然后,分别针对基于二型模糊信息的决策基础理论(信息融合理论、偏好关系理论和测度理论)以及决策方法的研究现状进行概述;最后,对二型模糊决策理论与方法的未来研究方向进行展望.