沥青混合料骨架细观接触的高通量计算

为实现沥青混合料骨架细观接触的高通量计算，首先提出了近邻列表法与改进的窗搜索法两种接触计算方法；然后，使用4种（AC13、AC16、OGFC13及SMA13）沥青混合料对比了两种新方法与遍历法、窗搜索法及iPas软件在计算精度与效率方面的差异，采用虚拟试件研究了可实现计算速度与精度均衡的图像分辨率范围；最后，就高通量计算方法的适用性进行了验证。结果表明：近邻列表法可避免遍历法不可能发生接触集料对的冗余接触计算，改进的窗搜索法通过形态学膨胀处理即可完成传统窗搜索法环扫一周的目的；近邻列表法、遍历法、窗搜索法、改进的窗搜索法及iPas软件尽管计算原理存在差异但具有一致的精度；不同计算方法的计算效率排序为近邻列表法>遍历法>改进的窗搜索法>iPas软件>窗搜索法；图像分辨率的降低会提高接触计算的速度但是会降低接触点计算结果的准确性，综合考虑精度与效率的要求，图像分辨率范围处于0.05～0.075 mm/pixel时可实现计算速度与精度的均衡；近邻列表法能有效地实现沥青混合料骨架细观接触的高通量计算。     

融合BERT词嵌入和BiLSTM的微博谣言持续检测模型

针对微博谣言带标签数据不足，且当下的谣言检测模型无法持续学习应对不断变化的微博网络语言等问题，本文提出BERT-BiLSTM-LML微博谣言持续检测模型.首先，使用BERT(Bidirectional Encoder Representations from Transformers)预训练模型提取两个任务输入文本数据的词向量；其次，使用双向长短时记忆(Bi-directional Long Short-Term Memory, BiLSTM)网络充分提取文本的上下文特征；最后，基于BiLSTM深层特征使用终身监督学习算法ELLA(Efficient Lifelong Learning Algorithm)对两个任务的特征数据进行建模，以实现对微博谣言的持续检测.实验结果表明：BERT词向量有效优化了模型性能，比基于Word2vec词向量的Word2vec-BiLSTM-LML模型在准确率和F1值都提升了5.5%.相较于独立学习，在持续学习争议检测任务后，模型的谣言检测准确率提升了1.7%,F1值提升了1.8%.同时，在持续学习过程中，随着知识的积累，谣言检测准确率持续提升.最终在公开...