基于记忆交互网络的方面情感分析

目前大多数方面级情感分析的解决方案是基于显示方面词嵌入及其位置加权展开的,但在隐式方面词及长文本场景下这类方法不再适用。为此,提出记忆交互网络。将长文本拆分为多个短句,构造多[CLS]的输入结构,从BERT中获取方面短语向量、各短句向量以及各短句的[CLS]向量。经过多次注意力交互,得到深层的情感分类特征。最终该模型的F1-Macro达到了70.40%,各类别的F1值均高于其他模型。

基于LMD和DE-PNN的高压断路器机械故障识别方法

为了克服基于声音信号的断路器机械故障难以诊断的问题,提出一种基于局域均值分解(LMD)和差分进化算法(DE)优化后的概率神经网络(PNN)的断路器故障诊断方法。通过模拟故障发生条件采集传动机构卡涩、基座螺丝松动、合闸弹簧储能不足、正常合闸四种状态的声音数据,对采集到的数据进行LMD分解并利用皮尔逊相关系数法进行信号重构,计算重构信号的分段能量熵构成故障诊断特征向量。利用差分进化算法优化的概率神经网络对训练集进行训练,将测试集输入模型进行测试,实现断路器机械故障诊断。实验结果表明,基于LMD-DE-PNN的高压断路器机械故障诊断方法相较于传统断路器故障诊断方法能快速有效地识别断路器机械故障。

基于DE-VRF的猪声音分类识别

为了监测识别生猪健康状况以及情绪状态,提出一种基于差分进化优化加权随机森林(DE-VRF)猪只声音分类模型,以猪只咳嗽、尖叫和进食声作为研究对象,经预处理后提取改进的梅尔倒谱系数(MFCC_F)、短时能量和短时过零率进行特征融合。采用主成分分析法(PCA)将特征参数降至13维,利用差分进化算法优化加权随机森林模型参数,将融合特征参数输入DE-VRF进行训练与识别。实验结果表明,基于DE-VRF模型的猪只声音平均识别率达96.34%,较DNN、1D-CNN模型相比提高了系统识别的性能。

基于伪标注样本融合的领域分词方法

目前常用的神经网络分词模型,均需要大量的标注语料才可得到较好的泛化效果,但在面对领域标注语料稀缺的场景时,不能很好的适应。为解决这一问题,该文提出了一种基于伪标注样本融合的领域分词方法。该方法从领域专业辞典、电商及百科网站等数据源收集相关词汇组成领域词典,并从中随机抽取词汇生成伪标注样本。将伪标注样本与通用语料融合为训练样本,即将领域词典信息融合至模型训练当中。网络模型方面,该方法选用双向门限循环神经网络(Bidirectional Gate Recurrent Unit,BiGRU)作为主网络层,联合一维卷积(One-dimensional convolutional neural network,Conv1D)获取更多局部上下文信息,最终由条件随机场(Conditional random field,CRF)解码输出。通过实验证明,该文的方法可以有效提高模型的领域分词性能,与未使用伪样本的模型相比可提升F1值约6.67%。

基于VMD多尺度模糊熵的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低、远端高阻故障识别困难等问题,提出一种基于变分模态分解VMD(variational mode decomposition)多尺度模糊熵的HVDC输电线路智能故障识别方法。首先对暂态电流信号进行VMD分解,利用中心频率法则提取合适的IMF分量计算多尺度模糊熵、VMD能量和比值。分别利用VMD多尺度模糊熵和VMD能量和比值表征区内外故障特征和故障极特征,将它们组合成特征向量。将特征向量集分成训练集和测试集,将训练集进行训练得到Softmax分类器模型,利用测试集进行测试。仿真结果表明:基于VMD多尺度模糊熵和Softmax分类器的HVDC输电线路故障识别方法能在不同故障距离和不同过渡电阻情况下有效实现区内外故障识别和故障极选择,且耐受过渡电阻能力强,具有一定的抗干扰能力。

基于MRSVD-RF的同杆双回线路故障识别

为提高行波保护在各种工况下的可靠性,分析区内、外故障时线路两端的初始行波电流变化规律,提出一种基于多分辨奇异值分解和随机森林的同杆双回线路区内外故障识别方法。该方法通过提取故障后线路两端的行波电流数据进行相模变换,选取变换后的同向模量电流进行6层多分辨奇异值分解,计算每层的电流积分作为特征向量输入随机森林分类器模型中进行训练和测试,来识别区内、外故障。仿真结果表明,该方法在各种工况下都能够准确地进行故障识别,并在抗噪声干扰和CT饱和方面也具有良好的表现。

车床加工细长轴(尾轴)方法的探讨

细长轴在切削加工的过程中,受形状特征的影响,刚性、热扩散性较差,而且对加工刀具的磨损程度相比较严重,导致生产加工的产品不仅在规格上与设计存在一定的误差,而且加工的效率也相对较低,不利于生产调度工作的顺利开展,所以要满足细长轴产品的生产需要,必须对车床加工的方法进行改进。在此背景下,本文针对车床加工细长轴(尾轴)的方法展开研究,为相关工业生产提供参考。

基于多尺度行波功率的T接线路故障识别方法

为提高T接输电线路故障识别算法的精确性与可靠性,提出了一种基于多尺度行波有功功率和概率神经网络的T接输电线路故障识别方法。基于S变换分别计算区内3个行波保护单元多频率下的初始行波平均有功功率,并以此组成T接输电线路故障特征向量样本集。建立概率神经网络故障识别模型,并利用T接线路故障特征样本集对其进行训练和测试,从而识别出故障所在支路。仿真结果表明,所提算法在各种工况下均能快速准确地识别T接输电线路区内外故障所在支路,在近O点故障、数据丢失、噪声影响、CT饱和等情况下也能较好地识别故障支路。