在Delphi中使用ODBC访问ORACLE数据库

(1)安装和配置ORACLE的SQL*NET 客户端SQL*NET的安装:运行ORACLE安装程序,选择安装SQL*NET产品,然后用SQL NET Easy Configuration工具配置SQL*NET,包括下面四项:①Database Alias:数据库别名,在用户访问数据库时使用该名字(如 ora7);②Protocol:用户使用网络的协议(如TCP/IP);③Host Name:服务器名称(可以是IP地址,形式为数值或域格式均可);④DatabaseInstance:数据库标识符,它唯一地标识一个数据库现场(在配置服务器端 SQL*NET时设定,     

基于卷积神经网络与特征聚类的荧光薄片分析方法

荧光薄片是研究储层原油性质、分布特征以及孔隙结构的重要手段。但目前荧光薄片数据处理仍以人工方式为主,分析效率低且受人为因素影响。基于卷积神经网络,提出一种无监督自动分割方法。首先统计出不同组分在紫外光源激发下产生的荧光颜色,建立出荧光颜色图版与标准色系图谱以此确定划分标准,然后使用卷积神经网络提取出荧光图像的高级语义特征,通过相似性和连续性约束进行特征融合,通过计算与荧光色系图谱的空间距离与角度确定相似度划分类别,最终实现荧光图像中颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青等组分的自动划分与定量分析。荧光薄片图像的实验证明,该方法不需要大量标记样本且总体各项平均误差较低,能够满足实际生产需求。     

面向普适计算的用户隐私量化方法研究

无论通信系统如何发展,隐私对于用户来说都是最重要的,用户的隐私是否想透露该由用户亲自决断。然而,由于信息互联业务的发展,用户经常被询问隐私信息的请求所打扰。而普适计算是强调用户和环境融为一体的计算,其出发点是想让用户尽量少地参与系统的计算、传输等过程。如果普适计算想要更广泛地得到推广,对隐私发放实现自动控制是根本目标。提出了以用户为中心、以系统为中心、混合量化等多种方法,并在对各种方法进行实验比对,明确其使用环境以及优缺点,在免除打扰用户和隐私保护等方面能达到比较好的平衡性能,可以为将来普适计算中关于隐私的自动防护提供参考。     

邻域信息分层感知的知识图谱补全方法

知识图谱补全（KGC）旨在利用知识图谱的现有知识推断三元组的缺失值。近期的一些研究表明,将图卷积网络（GCN）应用于KGC任务有助于改善模型的推理性能。针对目前大多数GCN模型存在的同等对待邻域信息、忽略了邻接实体对中心实体的不同贡献度、采用简单的线性变换更新关系嵌入等问题,提出了一个邻域信息分层感知的图神经网络模型NAHAT,在关系更新中引入实体特征信息,通过聚合实体和关系表征来丰富异质关系语义,提高模型的表达能力。同时,将自我对立的负样本训练应用到损失计算中,实现模型的高效训练。实验结果表明,与图卷积网络模型COMPGCN相比,所提出的模型在FB15K-237数据集上Hits@1、Hits@10指标分别提高了3%、2.6%;在WN18RR数据集上分别提高了0.9%、2.2%。验证了所提出的模型的有效性。     

面向地质领域的实体关系联合抽取研究

构建地质领域的知识图谱有助于便捷高效地共享和应用多源地质知识，而地质关系三元组抽取对地质领域知识图谱构建具有重要意义。针对现有实体关系联合抽取模型无法有效识别重叠三元组的问题，考虑地质领域专业知识的特殊性，基于预训练语言模型BERT建立一种用于地质领域关系三元组抽取的层级标注模型HtERT。采用中文预训练语言模型BERT-wwm替代原始的BERT模型作为底层编码器，以提高模型对中文的编码能力。在实体识别阶段，引入关于实体起始位置的嵌入表示来限制实体的抽取长度，从而提升实体识别的准确度。引入全局上下文信息和BiLSTM网络使得模型抽取到的特征能更精确地表示地质样本信息，增强模型对地质关系三元组以及重叠三元组的抽取能力。在地质领域数据集上的实验结果表明，HtERT模型相比于PCNN、BiLSTM、PCNN+ATT、CASREL等基线模型具有明显优势，精确率、召回率以及F1值分别平均提升15.24、10.96和13.20个百分点，验证了该模型在地质领域实体关系联合抽取任务中的有效性。     

波动方程正演引导的深度学习地震波形反演

物理驱动的全波形反演方法计算成本高，数据驱动的深度学习反演方法对标记数据集的依赖性强。为了在有限的数据条件下获得更好的反演结果，结合数据驱动与物理驱动，提出了波动方程正演引导的深度学习地震波形反演方法。首先，利用地震数据应用神经网络重建速度模型，对网络预测的速度模型进行正演建模，通过最小化速度模型的误差及地震数据的误差训练网络；其次，使用有限差分法将二阶偏微分波动方程近似为可微算子，使正演过程能够传递梯度，并根据梯度方向动态调整地震数据损失的权重。实验结果表明，该方法能在一定程度上降低数据驱动方法对标记数据集的依赖性，可得到更准确的速度模型，且具有较强的鲁棒性。