基于深度学习的中文命名实体边界识别算法

为了解决中文命名实体边界识别产生歧义和识别不准确的问题,提出了基于深度学习的中文命名实体边界识别算法。对以“字”和“词”的中文实体边界识别方法存在的缺陷进行分析,根据句子中命名实体的位置编码原理,对每个命名实体的首尾位置添加标签,以划分每个实体的边界,同时用标签表示命名实体之间的关系,提出了基于位置标注的中文命名实体识别的词汇信息融合方法,并引入注意力机制对词汇信息融合模块进行改进。利用深度学习的优势,将深度学习与词汇信息融合相结合,构建基于深度学习的中文命名实体词汇信息融合模型和基于深度学习的中文命名实体边界识别算法。该算法在Resume等数据集上进行对比实验和消融实验,查准率为95.94%,查全率为96.46%,F1值为96.58%。实验结果表明,该算法与Lattice等算法相比,准确率、查准率、F1值分别提高了1.13%、2.35%、2.12%。该算法在解决目前中文命名实体识别存在的边界识别不准确和存在歧义的问题上更优。

快速边界识别算法用于达曼光栅掩模数据生成的研究

针对达曼光栅的数据写入问题,提出了一种快速边界识别算法(FBIA)用于复杂二元光学图形掩模的CIF格式数据的生成。该算法首先识别出达曼光栅图形的边界点,然后按照左手原则对边界点进行排序并构成闭合曲线。针对闭合曲线中可能出现的"孤岛",该算法可自动识别并依据其数量对图形重新分割取点。结果表明FBIA算法具有搜索快、效率高等优点,可广泛应用于各种二元位相型元件CIF格式掩模板数据的生成。

基于"内点"识别的多边形布尔运算

在多边形内、外侧边界识别的基础上,充分利用多边形本身是一个整体的事实,我们提出了一种基于"内点"(多边形内的点)识别的布尔运算算法,简化了布尔运算的复杂性,从根本上解决了由于多边形间可能存在重合点、重合线而造成的布尔运算不稳定问题。