快速扫描机载气象雷达多普勒解模糊算法

本文针对机载气象雷达前视快速扫描下的多普勒模糊问题,提出了两种多普勒解模糊算法：基于改进方位向波束形成算法和基于阻塞矩阵算法。基于改进方位向波束形成算法在传统的Capon波束形成的基础上,利用空间谱积分的方法对非期望信号协方差矩阵进行重构和对导向矢量进行估计,进一步提高了算法的鲁棒性,降低方位角估计误差;基于阻塞矩阵算法需要估计导向矢量,并利用导向矢量计算阻塞矩阵,将接收信号进行多普勒模糊相消预处理,阻塞每个多普勒频点的模糊多普勒分量,以达到解模糊的目的。通过仿真实验证明,两种方法均可以有效地恢复信号的多普勒信息,其中基于阻塞矩阵算法与基于改进方位向波束形成算法相比,有更优良的性能,并有更小的运算量。     

融合自注意力机制和多路金字塔卷积的软件需求聚类算法

随着软件数量的急剧增长以及种类的日益多样化,挖掘软件需求文本特征并对软件需求特征聚类,成为了软件工程领域的一大挑战。软件需求文本的聚类为软件开发过程提供了可靠的保障,同时降低了需求分析阶段的潜在风险和负面影响。然而,软件需求文本存在离散度高、噪声大和数据稀疏等特点,目前有关聚类的工作局限于单一类型的文本,鲜有考虑软件需求的功能语义。文中鉴于需求文本的特点和传统型聚类方法的局限性,提出了融合自注意力机制和多路金字塔卷积的软件需求聚类算法(SA-MPCN&SOM)。该方法通过自注意力机制捕获全局特征,然后基于多路金字塔卷积从不同窗口的通路深度挖掘需求文本特征,使得感知的文本片段逐倍增加,最终融合多路文本特征,利用SOM完成聚类。在软件需求数据上的实验表明,所提方法能较好地挖掘需求特征并对其聚类,性能上优于其他特征提取方式和聚类算法。     

基于主题相似性聚类的自适应文本分类

传统的文本分类方法仅使用一种模型进行分类,容易忽略不同类别特征词出现交叉的情况,影响分类性能。为提高文本分类的准确率,提出基于主题相似性聚类的文本分类算法。通过CHI和WordCount相结合的方法提取类特征词,利用K-means算法进行聚类并提取簇特征词构成簇特征词库。在此基础上,通过Adaptive Strategy算法自适应地选择fasttext、TextCNN或RCNN模型进行分类,得到最终分类结果。在AG News数据集上的实验结果表明,该算法可较好地解决不同类别特征词交叉的问题,与单独使用的fasttext、TextCNN、RCNN模型相比,其文本分类性能显著提升。     

面向方面记忆网络的IT产品细粒度情感分析

以用户情感需求为导向进行产品的设计和营销定位已成为研究热点,细粒度的情感挖掘可进一步提高评论分析的效率。提出一种面向方面深度记忆网络模型进行细粒度情感分析。对京东等IT产品评论数据进行爬取,应用依存句法分析方法抽取评论中的方面词,采用基于self-attention机制的深度记忆网络模型实现基于方面的细粒度情感分类。实验结果表明,面向方面深度记忆网络模型在英文数据集上的准确率相比一些经典模型有所提升,同时在京东等40?000条IT的用户评价数据进行情感倾向分析也具有良好的效果。     

注意力协同辅助变分推荐算法

针对推荐算法中辅助信息和用户评论输入的高维度和样本不足的问题,基于变分自动编码器的非线性建模能力,与注意力机制的关联数据增强的特质,提出了注意力协同辅助变分自编码器推荐模型（sVAE-a）。该模型采用协同辅助变分自动编码来对辅助信息进行建模;同时通过注意力机制将辅助信息结合到协同变分自动编码器架构中,对隐变量进行加强,为解码器提供更干净的特征;最后通过变分推断来对辅助信息和用户评论近似分布,通过训练参数得到推荐模型。在MovieLens-20M数据集上的实验结果表明,该方法无论在基本的召回率,还是进一步的覆盖率和归一化折损累计增益度（NDCG）指标上都有相应的提升。该模型易于实现,可结合不同类型的输入与辅助信息,提升推荐效能。     

分层技术在计算机软件开发中的应用

文中探讨了分层技术在计算机软件开发中的应用,着重分析了其原理、结构和关键特性。此外,阐明了分层技术简化复杂性、促进模块化的方式,并具体展示了其在企业应用、移动应用和嵌入式系统中的广泛应用。通过案例研究,文中证实了分层技术在提高代码复用、维护性和可扩展性方面的有效性。同时,强调了分层设计对提高开发效率、促进团队协作以及增强系统稳定性和可靠性的积极影响。     

基于双通道词向量的卷积胶囊网络文本分类

基于向量空间模型的文本分类方法的文本表示具有高纬度、高稀疏的特点,特征表达能力较弱,且特征工程依赖人工提取,成本较高。针对该问题,提出基于双通道词向量的卷积胶囊网络文本分类算法。将Word2Vec训练的词向量与基于特定文本分类任务扩展的语境词向量作为神经网络的2个输入通道,并采用具有动态路由机制的卷积胶囊网络模型进行文本分类。在多个英文数据集上的实验结果表明,双通道的词向量训练方式优于单通道策略,与LSTM、RAE、MV-RNN等算法相比,该算法具有较高的文本分类准确率。