基于依存分析的事件识别

事件抽取是信息抽取的重要组成部分,事件识别是事件抽取的基础,事件识别的效果直接影响了事件抽取的结果.基于机器学习的方法识别事件需要从词汇中发掘更多的特征.针对当前事件识别方法中存在的不足,提出了一种基于依存分析的事件识别方法.用依存分析发掘触发词与其它词之间的句法关系,以此为特征在SVM分类器上对事件进行分类,最终实现事件识别.实验表明,基于依存分析的事件识别优于传统的事件识别方法,而融合多特征的事件识别F值可提高到69.3%.     

基于异常数据驱动的WSN簇内数据融合方法

引入数据驱动的思想,提出了一种基于异常数据驱动的簇内数据融合方法.在节点数据采集过程中,仅当异常数据发生时才发送给簇头,减少了监测网络的数据传输量.在簇头数据融合过程中,建立了各传感器之间的相互支持度矩阵,支持度值较低的监测数据将被剔除,支持度值较高的监测数据进行最优加权融合,从而保证了融合结果的准确性和有效性.仿真实验结果表明,与算术平均值法及自适应加权融合法相比,本文方法能有效去除冗余信息,在融合精度、能量消耗方面具有明显的优势.     

多功能电能表通信规约功能的实现

如何保证多功能电能表与主站之间的通信顺利进行非常重要，本结合DL／T645－1997《多功能电能表通信规约》的内容，介绍多功能电能表通信规约功能的实现。     

基于开放域抽取的多文档概念图构建研究

在信息过载的背景下,如何从拥有共同主题的多篇文档中挖掘并组织核心概念及其语义连接已成为当前开放式信息抽取任务中的一项重要挑战。为此,提出了一个基于开放域抽取的多文档概念图构建模型。首先基于预定主题挖掘主题词,通过改进的TF-IDF算法对文档进行排序;然后通过共指消解、篇章权重计算、开放域抽取等一系列的方法从多篇文章中抽取出大量具有事实表达能力的三元组实例。为去除开放域方法本身的噪声以及提升信息抽取的准确率,提出一种事实过滤算法。通过该算法可有效提取置信度高且具有良好语义兼容性的显著事实知识集合,并构成多个概念子图。最后,将不同子图中等价的概念以及关系进行合并,形成一张具有主题表达能力的连通概念图。通过在signal media新闻数据集上进行验证,实验结果表明,所提出的模型能够跨文档挖掘并有效组织与特定主题相关的关键信息,形成的概念图在主题概念覆盖率、事实知识的兼容性等指标上均取得了较好的效果。除此之外,该模型对于自动文档摘要的应用也具有重要的参考价值。     

基于小波有限元的平面问题求解方法

利用B-样条小波的性质,以小波尺度函数作为插值函数,构造了常用的三角形和矩形小波单元,在此基础上,推导出了利用小波有限元求解平面问题的计算公式,为平面问题的求解提供了一种新的计算方法。数值算例表明,与理论解及商用软件Ansys的分析结果相比较,本文构造的小波单元求解方法具有计算精度高,收敛比较快的特点。     

基于TBM的自适应模糊k-NN分类器

针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊k-NN（k-Nearest Neighbor）分类器。利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策。采用梯度下降最小化误差函数,以实现参数的自适应学习。实验结果表明,该分类器误分类率低、鲁棒性强。     

煤矿井下掘进工作面安全高效过断层方法

屯宝煤矿I0110502上顺槽掘进过程中遇7条断层。针对井下煤矿掘进过断层期间顶板管控的难题,对巷道施工工艺、支护方法进行优化,调整巷道坡度,加注加固材料,加密支护间距,增加U形钢支架补强支护。围岩变形监测数据表明,过断层期间顶板管控良好,巷道围岩稳定性高,未发生顶板事故,证明该方法有效。     

细毛羊主要毛用性状检测及其评定方法

羊毛品质的检测方法、检测标准在推动毛纺工业发展、羊毛贸易以及细毛羊育种中具有重要作用。通过归纳国内外相关文献及标准,总结了国内外主要毛用性状及其检测标准;依据已有标准并结合国内在生产中的实际应用,详细介绍了2个羊毛产量性状与6类羊毛品质性状的客观测定方法,最后系统介绍了澳大利亚和中国开发的羊毛表型目测评定方法。文章可为开展羊毛纤维品质的统一测定和评估提供参考。     

计算机网络课程实验教学探讨

计算机网络课程实验教学是理解网络原理的重要手段,通过分析当前计算机网络教学现状与实验课程的主要内容,在参照其他院校计算机网络实验课程方案和立足于学校现有的计算机网络实验的软、硬件的基础上,探讨了计算机网络实验教学项目的设计与安排。     

基于可传递信度模型的自适应k-NN分类器

针对训练模式类标签不精确的识别问题,提出了基于可传递信度模型(TBM)的自适应k-NN分类器,它通过运用pignistic变换,可以方便地对待识别模式真正所属的类做出决策,并通过梯度下降来最小化训练模式的输出类标签与目标类标签之间的误差函数,以实现参数的自适应学习.实验表明,该分类器用于处理训练模式类标签不精确的模式识别问题是有效的,且与参数优化前的基于TBM的k-NN分类器相比,其误分类率更低、鲁棒性更强.