基于多维复杂度的精神分裂症脑磁信号区分

为了更有效地识别脑磁信号,提出一种基于多维复杂度的脑磁信号分类方法。首先提取信号的AR模型系数、频带能量、近似熵和Lempel-Ziv复杂度作为特征。然后运用增[L]减[R]搜索算法结合距离准则选择通道。最后采用遗传算法选择特征子集,分别运用BP神经网络和SVM分类器检测特征子集的性能并对信号分类。实验结果表明精神分裂症患者的近似熵和Lempel-Ziv复杂度都高于正常人,患者的脑磁信号可能更加复杂。增[L]减[R]搜索算法选择的通道大多分布在颞叶区,即颞叶区域的通道可能携带了更多的差异信息。采用BP神经网络和SVM对特征数据分类,分别得到了98.5%和99.75%的正确率。     

几种移动IP的实现方案

讨论移动 IP涉及的问题及几种解决方案 ,重点阐述了 SIP和 RTP对移动性的支持 ,最后分析了几种方法的特点。     

对GSM与IP网络的互通及融合的几点理解

论述了 GSM与 IP网络的互通与融合 ,特别就网上 GSM作了较为详细的分析 ,认为网上 GSM是一种较好的企业网移动多媒体通信解决方案。     

宽带接入技术

介绍了ADSL /VDSL、以太网、IP无线本地环路、LMDS及无线移动等数据接入技术 ,并对其特点作了分析与比较。     

面向少量标注数据的中文命名实体识别

训练数据的缺乏是目前命名实体识别存在的一个典型问题。实体触发器可以提高模型的成本效益，但这种触发器需要大量的人工标注，并且只适用于英文文本，缺少对其他语言的研究。为了解决现有TMN模型实体触发器高成本和适用局限性的问题，提出了一种新的触发器自动标注方法及其标注模型GLDM-TMN。该模型不仅能够免去人工标注，而且引入了Mogrifier LSTM结构、Dice损失函数及多种注意力机制增强触发器匹配准确率及实体标注准确率。在两个公开数据集上的仿真实验表明：与TMN模型相比，在相同的训练数据下，GLDM-TMN模型的F₁值在Resume NER数据集和Weibo NER数据集上分别超出TMN模型0.0133和0.034。同时，该模型仅使用20%训练数据比例的性能就可以优于使用40%训练数据比例的BiLSTM-CRF模型性能。