纳米CMOS器件中源/漏串联电阻栅长相关性研究

本文利用恒定迁移率、直接Id-Vgs和Y函数三种方法对纳米CMOS器件中提取的源/漏串联电阻(Rsd)与器件栅长(L)相关性进行了研究。结果表明,采用恒迁移率方法得到的Rsd具有与栅长无关的特性,纳米小尺寸CMOS器件的Rsd值在14.3Ω~10.9Ω之间。直接Id-Vgs和Y函数方法都得到了与L相关的Rsd值,误差分析发现从直接Id-Vgs和Y函数两种方法中提取的Rsd对L依赖性与提取过程中的栅极电压导致有效沟道迁移率(μeff)降低有关,推导过程中忽略了这种影响,Rsd值叠加了一个与栅长相关的量。本文计算了这个叠加的误差值,并得到消除此误差值之后各个栅长器件的Rsd值。     

基于分层学习的易混淆法条预测

目前针对法条预测的相关研究大都采用文本分类的思想,但模型构建过程都未考虑不同法条之间的从属关系或相似程度,因此对于易混淆法条预测效果普遍较差。针对现有方法在易混淆法条预测中存在的不足,提出基于分层学习的易混淆法条预测方法。将法条分为易区分法条和易混淆法条,按法条内容将易混淆法条组合为不同易混淆法条集并分别训练易混淆法条集预测模型,运用分层学习完成易混淆法条预测。在刑事案件的数据上进行实验,实验结果表明,该模型能较好解决易混淆法条预测问题,提高法条预测准确率。     

面向高考语文阅读理解的篇章标题选择研究

高考语文阅读理解篇章标题选择题要求机器根据对篇章内容的理解,从多个候选项中选取能够准确恰当的概括表达篇章内容的选项。标题往往是高度凝练且能准确表达文意、结构鲜明的词串。因此,如何对篇章内容进行归纳概括、对标题结构进行梳理和分析是解答篇章标题选择题的关键。针对该问题,提出了标题与篇章要点相关性分析模型。该模型通过分析标题与篇章要点的相关性,构建了基于标题和篇章要点的相关度矩阵。在此基础上融入标题结构特征,选取与篇章最相关的标题。在全国近10年高考真题和测试题上进行实验,验证了该方法的有效性。     

基于信任关系和词相关关系的冷启动用户词特征重建

文本是社交媒体用户的重要信息之一,从文本中获取用户的词特征是实现用户主题建模、兴趣挖掘及个性化推荐等任务的基础。然而社交媒体中存在许多用户(冷启动用户)只含有少量甚至缺乏文本信息,为此该文提出一种融合用户信任关系及词相关关系的词特征重建方法。该方法通过对用户信任关系矩阵、词相关关系矩阵和用户词特征矩阵进行联合概率矩阵分解来实现对冷启动用户的词特征重建。在新浪微博和Twitter的四组数据集上的实验结果表明,该文所提出的冷启动用户词特征重建算法能够取得较好的词特征重建结果。     

基于词语语义差异性的多标签罪名预测

罪名预测是智慧司法领域中的一项重要研究内容,其旨在依据犯罪事实自动预测出犯罪主体触犯的罪名。犯罪事实是案件的真实客观描述,犯罪事实中各词语的语义重要性在不同罪名的判决中有所差异,而现有方法在对犯罪事实建模的过程中往往忽略了这种语义差异性,且缺乏对数罪并罚情形的处理。为此,该文在对犯罪事实的建模过程中将词语的语义差异融入注意力机制;并将数罪并罚情形下的多标签罪名预测转化为多个独立的单标签罪名预测。实验结果表明,该文基于词语语义差异性建模和多标签转化策略均有利于提升罪名预测的效果,在“中国法研杯”2018司法人工智能挑战赛公布的数据集上达到了88.0%的F1值。     

汽车近光模组热力光耦合仿真分析

汽车灯具点亮后将产生大量的热,灯具材料受到热量的影响会发生变形、软化、性能下降等问题,严重影响灯具的性能。远近光模组作为灯具中最重要的模块受到热量的影响,零部件会发生变形,从而导致近光截止线发生偏移现象。本文为了研究热-力耦合场对光线截止线的影响,以某款近光模组为研究对象,采用有限元仿真的方式对近光截止线偏移现象进行模拟分析,通过仿真分析得出,近光截止线在远处10 m屏幕上下跌52 mm;近光截止线偏移测试结果显示,灯具点亮至稳定后,10 m屏幕上截止线下跌56 mm,对比分析试验结果得出,仿真模拟的误差在7.1%左右。在汽车灯具前期设计阶段,可根据热力耦合场仿真分析结果进行灯具结构优化,提前规避风险点,缩短开发周期。     

基于MHSA和句法关系增强的机器阅读理解方法研究

机器阅读理解 (Machine reading comprehension, MRC)是自然语言处理领域中一项重要研究任务, 其目标是通过机器理解给定的阅读材料和问题, 最终实现自动答题. 目前联合观点类问题解答和答案依据挖掘的多任务联合学习研究在机器阅读理解应用中受到广泛关注, 它可以同时给出问题答案和支撑答案的相关证据, 然而现有观点类问题的答题方法在答案线索识别上表现还不是太好, 已有答案依据挖掘方法仍不能较好捕获段落中词语之间的依存关系. 基于此, 引入多头自注意力(Multi-head self-attention, MHSA)进一步挖掘阅读材料中观点类问题的文字线索, 改进了观点类问题的自动解答方法; 将句法关系融入到图构建过程中, 提出了基于关联要素关系图的多跳推理方法, 实现了答案支撑句挖掘; 通过联合优化两个子任务, 构建了基于多任务联合学习的阅读理解模型. 在2020中国“法研杯”司法人工智能挑战赛(China AI Law Challenge 2020, CAIL2020)和HotpotQA数据集上的实验结果表明, 本文提出的方法比已有基线模型的效果更好.     

一种基于主动学习的框架元素标注

框架元素标注是中文FrameNet众多任务中亟待解决的一个问题,目前仍主要采用有监督的机器学习方法,即依赖大规模人工标注的例句作为训练语料。但例句标注又是一件费时费力的工作,所以为了降低人工标注的代价,该文将主动学习应用到框架元素标注中,优先选择训练模型预测最不准的例句交由人工标注。该文以条件随机场为标注模型,并提出了进行样本选择时所依赖的准则。实验表明,一方面,与随机选择样本进行标注相比,当使用相同数量的例句训练模型时,主动学习使框架元素标注的性能最高提升4.83%;另一方面,主动学习使框架元素标注达到同等F值时只需更少的标注例句,人工标注量最高可减少30%。     

汉语篇章中零形式的识别与消解

传统的语义角色标注只能为句中显式表达的句法论元分配语义角色,但是忽略了一些隐式的语义成分,即零形式。该文基于汉语框架语义研究了零形式的识别及消解。在识别阶段,首先使用规则方法进行零形式检测,然后运用筛选过滤的策略去除部分错误识别的零形式;在消解阶段,将篇章中显式表达的框架元素填充项作为零形式的候选先行语,提出结合框架元素语义类型与框架关系的消解方法。在构建的164篇中文语料上进行实验,与其他方法相比,该方法能获得更好的结果。
     

基于框架的汉语篇章结构生成和篇章关系识别

针对汉语篇章分析的三个任务: 篇章单元切割、篇章结构生成和篇章关系识别,该文提出引入框架语义进行分析研究。首先基于框架构建了汉语篇章连贯性描述体系以及相应语料库;然后抽取句首、依存句法、短语结构、目标词、框架等特征,分别训练基于最大熵的篇章单元间有无关系分类器和篇章关系分类器;最后采用贪婪算法自下向上生成篇章结构树。实验证明,框架语义可以有效切割篇章单元,并且框架特征可以有效提升篇章结构以及篇章关系的识别效果。