一种供水管网泄漏区域定位的机器学习方法

当采用模式识别方法识别供水管网的泄漏时,如果将每一个节点作为分类器的一个标签,由于供水管网节点泄漏特征的相似性,模型训练的准确率会比较低,因此可以通过聚类泄漏特征相似的节点形成区域,以每个区域作为分类器的标签从而提高模型训练的准确率。提出了一种基于随机森林分类器的二分迭代法识别泄漏区域,根据上一级分类器识别的泄漏区域的节点泄漏变化矩阵,采用k-means聚类将上一级迭代识别的泄漏区域聚类为两类(包含泄漏节点的区域和不包含泄漏节点的区域),从而识别包含泄漏节点的区域。随着候选泄漏区域的缩小,对识别泄漏区域有帮助的测点数量也逐渐减少,因此采用平均准确率减少(MDA)进行分类器特征(所需测点)的选择,在保证识别准确率不变的情况下减少分类器训练时所需的特征。与直接进行区域分块的识别方法相比,二分迭代法降低了选择区域分块数目时的盲目性,对于泄漏区域的识别更有目的性,提高了泄漏区域识别的准确率和效率。     

多特征融合的中文实体关系抽取研究

词性等特征在句子中扮演着重要的角色,往往能揭示命名实体之间的关系,而当前的实体关系抽取任务大多仅基于词向量进行,忽视了词性等对实体关系抽取任务有益的特征。因此,文章采用了一种多特征融合的方式进行中文实体关系抽取模型的训练,在以词向量作为输入单元的前提下融合了句子中词语的词性、距离实体对的位置、实体标注相关特征,并以双向长短期记忆网络结合注意力机制的模型进行了中文实体关系抽取的实验,实验结果表明,基于多特征融合的训练方式提升了中文实体关系抽取的效果。     

最大熵和HMM在中文词性标注中的应用

隐马尔可夫模型(HMM)基于n-元语法的标注效果虽然不错,但由于预测信息的不足,对汉语的词性标注,特别是未登录词的词性标注精度影响很大。而最大熵模型使用特征的形式,有效的利用了上下文信息,在一定的约束条件下可以得到与训练数据一致的概率分布,即使是未登录词,由于其丰富的上下文信息,对它的词性标注也起到了很好的预测作用。实验结果证明最大熵方法取得了较好的标注效果。     

基于交叉验证和神经网络融合的医学数据分类

在医学诊断过程中采集到的数据具有低样本数量、少特征的特点,作为神经网络输入会导致网络收敛速度过慢或者陷入局部最优。针对这一问题,在现有神经网络和交叉验证算法的基础上,给出将留一法和神经网络融合的医学数据分类方法。首先对获取到的医学数据进行预处理,然后使用深度学习Keras框架搭建神经网络模型,最后对网络模型训练和预测分析。实验表明,给出的方法能在较少的迭代次数内使网络模型达到收敛,避免陷入局部最优,有效地提升网络模型的拟合程度和稳性,与传统机器学习算法相比有更高的分类准确性。     

波达方向初始化空间混合概率模型的语音增强

提出了波达方向初始化空间混合概率模型的语音增强算法。通过声源定位估计出声源波达方向,再根据此计算相对传递函数,进而构造空间协方差矩阵来初始化空间混合概率模型。论证了相对传递函数在作为模型参数中语音协方差矩阵的主特征向量时,空间混合概率模型对应的概率分布可达到最大值,进而使期望最大化算法在迭代时更易收敛,以得到期望的掩蔽值。实验先后在自建仿真数据集和CHiME-4的两通道数据集中进行验证,结果表明,将波达方向信息引入到语音增强后语音识别系统的词错误率可以比未引入波达方向的词错误率最多降低3.79%,信号失真比最多提升2.00 dB,验证了在结合波达方向后的空间混合概率模型进行语音增强时性能有所提升。     

基于自注意力的隧道视频火灾识别技术研究

针对公路隧道火灾样本量少、深度学习效果不理想的问题，研究一种小样本学习技术，以提高对隧道火灾样本的利用率，并在此基础上利用成熟的机器学习方法，提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型，该模型针对各项特征对火焰识别的重要性分配不同的注意力权重，形成注意力矩阵，并将权重矩阵与特征向量的值相加权，通过SVM的Hinge Loss进行线性支持向量机分类，对公路隧道火灾进行识别和预警。在火灾识别训练过程中，通过对火焰疑似区域进行检测，并利用数据增强技术达到样本扩增的目的，随后采用多通道融合的特征提取方式构建特征向量，输入设计的自注意力火焰识别模型中，通过梯度下降优化器进行小批量模型训练，降低迭代次数，最终获得最优特征权重参数，得到最佳识别模型。试验结果表明，该方法在模型训练时收敛较快，在火焰识别时相比未使用小样本学习的传统SVM算法，准确率提高了5%，因此能在小样本环境下有效提高火灾识别的准确度。     

基于BiLSTM的公共安全事件触发词识别

提出基于双向长短期记忆网络(bidirectional long short-term memory,Bi LSTM)和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过Bi LSTM提取整段文本的高层语义特征,避免了以往机器学习方法需要人工提取特征的问题,其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型,本文方法在中文突发事件语料库(Chinese emergency corpus,CEC)上取得了更为突出的性能,Micro-F1值为78. 47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性,对文本分析中3类特征(词性、句法、实体)的重要程度进行了比较和分析,得出句法特征对于事件触发词识别任务助益最大的结论.     

基于注意力机制和深度学习模型的外来海洋生物命名实体识别

为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题,提出基于融合注意力机制的卷积神经网络(CNN)-双向门控循环单元网络(BiGRU)-条件随机场(CRF)网络模型进行外来海洋生物命名实体识别,并构造词向量、词性特征向量等特征作为网络模型的联合输入,以提升网络模型识别效果。结果表明:使用融合多特征向量的CNN-BiGRU-CRF网络模型对外来海洋生物名称实体、时间实体、地名实体3类实体上的命名实体识别结果平均准确率达到了90.62%,平均召回率达到了89.50%,平均F1值达到了90.05%,较传统命名实体识别方法均有较大提高。研究表明,本研究中提出的网络模型可以充分提取文本特征,解决了文本的长距离依赖问题,对外来海洋生物领域的命名实体识别具有较好的识别效果。     

关于实体关系信息在答案选择网络中应用

论文研究利用神经网络模型解决答案选择问题时,如何有效融入外部知识库关系信息对模型效果进行优化。文章使用深层神经网络、双向注意力机制等算法,将问答句中单词对应的空间词向量进行编码,得到问答句的句矩阵表示,并将句矩阵压缩为句向量表示,通过比对问答句句向量间的特征,判断两句话是否存在问答关系。文章在句矩阵压缩为句向量的池化步骤中,融入了知识库关系信息,优化了句子中单词之间的权重。模型在WikiQA和TRECQA两个数据集上进行对比实验,MAP、MRR两个指标均有提升,证明此方法的有效性。     

RC梁-钢管混凝土柱单跨框架抗震性能试验研究

为了探讨钢筋混凝土(RC)梁-钢管混凝土柱框架的抗震性能,进行一榀单跨两层RC梁-钢管混凝土柱框架的拟静力试验,对结构的破坏形态、破坏机制、滞回曲线、骨架曲线、位移延性、刚度退化、耗能能力等性能进行了研究。试验结果表明:RC梁-钢管混凝土柱框架滞回曲线比较饱满;框架在低周反复荷载下,承载力较高,变形能力和耗能能力较强;正向和反向的位移延性系数分别达到9.5和6.8;在反复荷载作用下,框架的水平刚度(割线刚度)随着位移循环次数的增加而降低,模型框架的割线刚度在荷载达到最大后下降变缓;框架的强度随着位移的循环次数的增加降低不大;当梁端出现塑性铰时钢管工作状态良好。