开放领域新闻中基于自适应决策边界的突发事件识别和分类研究

[目的/意义]网络新闻是获取突发事件情报的重要来源之一,提高海量网络新闻中突发事件的识别准确率和分类效果,并减少非突发事件新闻造成的开放集识别问题和降低人工标注非突发事件新闻的成本,这是当前突发事件识别与分类研究的重要课题。[方法/过程]选择BERT预训练模型获得文本的特征表示,融合不同层级之间的语义信息增强文本表示的质量,采用自适应决策边界模型,学习各突发事件类别在高维语义表示空间上的球形最佳决策边界,根据新闻样本的文本表示和各突发事件类别的球形最佳决策边界的欧几里得距离,检测出突发事件新闻并判断突发事件的类别,并在CEC公开数据集和实时爬取的中文新闻数据集CEN上对模型的有效性进行验证。[结果/结论]实验结果表明,本文模型在CEC数据集和CEN数据集上的宏F1值分别为98.46%和95.80%,与基准模型相比,本文模型的宏F1值分别提升了5.15%和19.69%。模型应用展示了提出方法在解决实际问题时的有效性。[局限]未考虑突发事件新闻可能存在多标签的情况。

模糊关联优化下的峰谷分时电价自适应决策模型

针对供电方与用户矛盾较大的问题,提出了模糊关联优化下的峰谷分时电价自适应决策模型。根据电力用户不同用电需求,模糊化处理峰谷时段数据,在平衡供电方和用户利益的基础上,确定模糊关联优化下的峰谷时段。通过减小峰谷时段电价,制定调整电价上下浮动比例的方案。通过对电力需求侧的管理,指导电力用户合理用电,是解决电力供需紧张、维护电力市场稳定的一项重要措施。

自适应决策粒子群的相关搜索优化

在传统粒子群相关搜索算法(PSO)基础上提出一种新的数字相关算法,自适应决策粒子群优化(ADI-PSO)相关搜索算法。ADI-PSO综合了自适应惯性因子和决策终止判定两种特点,使得该算法能够通过在迭代过程中不断更新惯性因子加快收敛速度,同时能够智能判定终止与否,因而能更快的获取准确的搜索结果。通过两组对比试验验证了ADI-PSO算法的精度相对N-R算法接近一致,但搜索速度更快;粗糙散斑图下三种不同粒子群方法得到最佳适应度均值为-0.038 6、0.888 1、0.917 6,相较于传统PSO、LDI-PSO,ADI-PSO运算时间均值最少,稳定性更高,收敛速度更快,并能有效避免过早收敛。

基于并行搜索优化的指控系统自适应决策方法

指挥控制信息系统(指控系统)运行在动态变化的复杂环境中且任务需求时刻变更,亟需一种自适应决策方法以动态产生调整系统的最优策略,从而适应环境或任务变化,确保系统长期稳定运行.随着指控系统自身及其运行环境的持续复杂化,自适应决策方法需具备应对多个非预期变化的在线权衡决策能力,以避免造成冲突的调整后果或无法及时响应未知情况.然而,当前指控系统多采用基于先验知识、应对单一变化的自适应决策方法,尚无法完全满足该能力需求.因此,提出了一种基于并行搜索优化的指控系统自适应决策方法.方法采用基于搜索的软件工程思想,将自适应决策问题建模为搜索优化问题,并采用遗传粒子群算法,实现针对同时发生的多个变化进行在线权衡的目标.并且,为解决该方法在指控系统中实际应用时存在的搜索效率保障、策略择优选择问题,分别采用并行遗传算法和后优化理论,对决策方法实现了并行化并建立了策略多指标排序法,以确保方法的实用性.

面向农业领域知识的自适应决策模型研究

随着信息技术的快速发展,农业知识和数据在互联网中呈现爆发式增长,如何实现农业信息的精准推送是农业信息化领域所面临的重要问题。为此,提出一种面向农业领域知识的自适应决策模型,设计了面向农业领域知识的思维决策模型AKDM(agriculture knowledge decision-making model),利用软件Agent主动采集网络环境中的知识信息,基于信息内容来推理、分析并导出结果,进而指导知识推送行为。结果表明:将农业本体知识转换成信念、愿望和意图集合,同时利用三者之间的决策推理关系指导知识推送行为,可以实现基于农业领域知识的自适应决策推理过程,且涉及的试验过程为实现农业信息的个性化智能推送提供了一个可行模型参考。

基于MDP的服务不确定性自适应决策方法

服务系统运行中因环境变化而面临各种不确定性事件,导致期望价值无法完全实现.有多种应对不确定性的策略,不同的策略导致服务最终成功执行的概率不同,所导致的质量变化(时间延迟、成本溢出等)也不同,需要寻求最优的应对策略,使不确定性造成的损失和应对策略所付出的代价最小.对不确定性事件和相应的应对策略进行了分类,根据流程结构定义服务执行中的各种状态,采用不确定性触发关系图(UTG)刻画状态与决策动作之间的关系,进而采用Markov决策过程(MDP)进行最优策略的选择.通过仿真实验验证了方法的有效性,并给出了影响决策效果的若干因素.

马尔可夫决策过程自适应决策的进展

在介绍一般马尔可夫决策过程的基础上 ,分析了当前主要马尔可夫过程自适应决策方法的基本思想、具体算法实现以及相应结论 ,总结了现有马尔可夫过程自适应决策算法的特点 。

指挥控制信息系统动态演化的自适应决策方法

军事指挥控制信息系统的高复杂性和高动态环境,给指挥控制系统动态演化带来新挑战,传统的通过专家定义的离线决策方法已不适用于复杂动态的运行环境。分析了复杂动态环境中的2个挑战:同时发生的多个变化之间存在演化方向冲突问题;变化发生的上下文状态无法预知。基于双层感知—分析—决策—执行(MAPE)控制循环的自适应框架,在上下2层使用不同的自适应决策方法。上层采用基于搜索的自适应决策,解决演化方向冲突问题,并进行全局决策;下层采用易实现且开销更低的基于强化学习的自适应决策进行局部决策和调整。

一类Markov决策过程自适应决策的新方法

提出一种计算效率高且能以任意给定精度实现决策近优的新方法。该方法的原理是根据要求的决策精度对参数集进行有限分区 ,利用有偏极大似然估计器估计未知参数 ,并在决策过程中根据估计参数所在的分区获得控制对 Markov过程进行决策。

基于MDP自适应决策的库存控制

MDP自适应决策是求解信息不完全马尔可夫决策问题的方法。本文采用一种强化学习算法—在线Q(λ)算法来进行MDP自适应决策,并用神经网络实现该算法来有效地求解了一类典型的有连续状态和决策空间的库存控制问题。仿真表明,该算法所求解的控制策略与用值迭代法在模型已知的情况下,所求得的最优策略非常逼近,且该算法使得策略的收敛速度大大地加快了。

错误管理在自适应决策中的应用

人类在判断和决策时总会出现一系列的错误,然而,在违反直觉的情形下,错误偏见本身代表了对决策判断问题的自适应性解决办法。本文描述错误偏见在自适应性决策过程中的逻辑关系,通过对错误管理理论在自适应性决策中的运用,解释了人们为什么愿意与陌生人合作的决策过程。

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达(synthetic apertureradar,SAR)图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。

多假设最大联合概率决策融合准则的自适应算法

为获得多假设最大联合概率决策融合准则的多假设自适应算法,通过对原算法中各权重系数求偏微分,结合简单计数方法,给出了自适应决策融合中的各个系数增量表达式,并进行了收敛性证明.该算法在系统参数未知及参数发生改变的情况下,均能进行决策融合.针对两假设自适应决策融合问题,将该算法与Mansouri的算法进行了比较.最后在多假设情况下对该算法进行了应用,并给出了提高收敛速度的方法.

基于机器学习的地铁轨道不平顺维修决策优化模型

针对传统地铁轨道不平顺维修决策慢的问题,介绍一种基于机器学习的地铁轨道不平顺维修决策优化模型。首先,简单对问题进行了描述,然后以自适应学习马尔可夫决策过程为依据,构建出轨道不平顺维修决策优化模型,并提出了该模型的求解算法。最后,通过具体案例对该决策优化模型的应用效果进行了分析,通过应用分析可以发现,相对于传统维修决策模型来说,本模型可以减少10%左右的维修成本,表明该维修决策优化模型是合理的,可推广到现代地铁轨道维修领域。

基于自适应决策支持系统的体系结构研究

基于构件的软件开发过程中,需要不同层次的开发人员的参与,如何进行自动化开发以及怎样有效使用分布式的异地构件库变得越来越重要。本文提出了一个基于自适应决策支持系统的体系结构,主要包括构件的识别和构件的集成,不需要用户了解构件的具体位置和详细信息就可以利用构件开发软件。

基于情景感知的制造组合服务自适应决策机制

针对组合服务面临复杂、动态的业务需求和运行环境,提出基于情景感知的自适应决策机制,保证制造过程的顺利执行,为用户持续稳定地提供高质量服务.从智能制造单元个体视角,构建制造组合服务自适应调整系统架构.根据多变的应用场景,充分考虑决策主体状态和情境因素对服务调整活动的影响,设计情景感知、主体-情景-活动(Subject-situation-action, SSA)2种自适应决策机制,并通过多Agent技术搭建实验环境,应用关联规则方法挖掘决策知识.通过汽车制造云服务实例与现有事件驱动机制对比,验证所提出的2类机制在不同场景下的效果,并从决策准确率、时间和服务QoS两方面证明情景感知、SSA机制的优势和可行性.

有限规划水平自适应Markov决策过程的参数决策

针对现有Ｍａｒｋｏｖ决策过程自适应决策方法仅研究无限规划水平自适应决策的不足，提出了一种有限规划水平Ｍａｒｋｏｖ决策过程自适应决策算法．算法的基本思想是运用Ｂａｙｅｓ理论对未知系统进行“学习”，并且在每次决策时以最大概率保证实际决策为最优决策．最后用仿真结果表明了算法的有效性．

水面无人艇自适应危险规避决策过程收敛性分析

水面无人艇(unmanned surface vehicle,USV)是一种重要的海洋自主机器人,当前正被广泛研究并逐渐应用于实际.然而USV的安全航行问题仍严重制约其自主性能的提高,尤其是在复杂海况下的危险规避问题亟待解决.以Sarsa在线策略强化学习算法为基础,提出了USV在复杂海况下的自适应危险规避决策模型,并以渐进贪心策略作为行为探索策略,证明了USV自适应危险规避决策过程能够以概率1收敛到最优行为策略.论证结果表明,采用在线策略强化学习算法提升USV在复杂海况下的危险规避性能是可行的.

全域指控背景下舰船作战指控决策方法研究

作战理论的发展对指挥系统提出了极大的挑战,也对作战管理系统的发展提出了更高的要求。在全域指控背景下,面临大量异构复杂多源的信息同时进行提取与分类处理的需要,作战过程的高速化特点,以及复杂多变战争条件下转瞬即逝的作战需求,采用新技术、新方法和新手段研制符合未来战斗模式的作战管理系统是当务之急。以搜寻软件工程理论为基础,利用自适应决策算法,在由所有调整策略组成的集合中选择最优策略的搜索优化问题。通过自适应决策方法在线权衡,合理面对环境变换和任务需要变换。

基于快速编码单元划分和自适应模式决策的HEVC效率改进算法

为提高HEVC在实时视频中的编码效率,文中提出了基于快速编码单元划分和自适应模式决策的HEVC效率改进算法。通过利用上边和左边相邻编码单元的分离深度信息,确定当前编码单元能否提早分离或提早结束。当不满足该条件时,利用训练帧在线学习确定率失真代价阀值使编码单元可以尽早结束其四叉树分离。通过最小的率失真代价模式和第二小的率失真代价模式减少候选集的数量并确定候选集CS5。然后最优化CS5以减少候选率失真优化数量,最后进行率失真优化计算选择最优模式,达到减少预测模式数量的目的。实验结果证实,与HM标准测试结果相比,文中算法在保证编码质量的前提下可降低45.93%的视频编码时间,仅伴有0.5978%的BDBR上升。