基于GTO-CNN-BiLSTM模型的公交车到站时间预测

提升公交车到站时间预测精度可以提高乘客出行效率和公交服务质量、节省公交运营成本。通过分析公交车运行的影响因素、周期与相关性,文章建立了基于人工大猩猩部队算法的卷积双向长短期记忆神经网络(GTO-CNN-BiLSTM),通过人工大猩猩部队算法进行超参数寻优,获得更好的预测效果,采用呼和浩特62路公交到站时间数据进行预测,验证模型预测精度。研究表明:不论是在工作日还是非工作日,早晚高峰还是平峰,GTO-CNN-BiLSTM都能有最优预测效果,相较于卷积双向长短期记忆神经网络(CNN-BiLSTM)、双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM),GTO-CNN-BiLSTM预测结果的平均绝对误差至少减少7.57%,均方根误差至少减少3.84%,平均绝对百分比误差至少减少7.86%。

基于改进NSGA-II的轨道交通接驳公交线路优化

为解决接驳公交线路规划不合理和时间安排不完善的问题,提出了基于改进NSGA-II算法的环形接驳公交线路优化方法。首先,结合双层规划理论,以乘客出行时间成本最小化、公交企业运营收益和接驳公交服务率最大化为目标函数,以接驳公交线路站点数、线路长度和发车频率作为约束条件构建上层模型,采用Logit模型构建了下层接驳客流分配模型;其次,运用Floyd算法对NSGA-II算法的初始化种群进行了优化,针对所提出的模型设计了模型求解流程;最后,以哈尔滨市轨道交通1号线医大一院轨道交通站为案例,运用笔者提出的多目标双层规划模型和算法进行求解,并与原NSGA-II算法和基于Logistic混沌映射的NSGA-II算法进行对比。研究结果表明:基于Floyd算法改进的NSGA-II算法在多目标双层规划模型求解时,收敛速度更快效果更好,求解结果可以在Pareto前沿得到多个相互非支配的最优解;不同解集对应目标函数值不同,但可以达到接驳公交网络整体效益最优,采用折衷最优解集表述求解结果。

基于互补PWM控制的Buck/Boost双向变换器在超级电容器储能中的应用

超级电容器等快速储能技术在短时大功率应用中具有较好的技术经济性,非常适宜于微型电网运行过程中的瞬时功率平衡控制。提出超级电容器通过Buck/Boost双向变换器与脉宽调制(pulse width modulation,PWM)逆变器相连的储能主电路结构,以实现功率的双向调节并提高超级电容器利用率。为解决直流母线电压易受PWM逆变器工作状态切换而波动的问题,采用互补PWM控制技术,分析其特点及其在提高系统运行稳定性与动态响应的优势;建立互补PWM控制的Buck/Boost双向变换器的小信号模型,应用电压电流双闭环与功率前馈相结合的方法以抑制直流母线电压波动;针对直流母线负载电流不易测量的问题,提出采用最小拍观测器的方法对负载电流进行虚拟测量。仿真和实验证实了该方法的有效性。

抵消恒功率负载负阻抗特性影响的双向Buck/Boost变换器控制策略

对双向Buck/Boost变换器带恒功率负载时的稳定性问题进行了研究。首先对电机控制器的直流侧双向Buck/Boost变换器提出了一种功率前馈控制策略。分析了恒功率负载负阻抗特性不利于母线电压稳定的机理,对双向Buck/Boost变换器提出了一种反映直流母线电压变化趋势的前馈控制策略抵消了负阻抗特性对直流母线电压的影响。小信号模型分析、仿真和实验结果都证实了这种控制策略能够有效抵消恒功率负载负阻抗特性对母线电压稳定性的影响,有利于提高驱动系统稳定范围。

电机控制器直流侧前置Buck/Boost双向变换器的母线电容电流控制策略研究

电机控制器直流侧的前置Buck/Boost双向变换器可以根据驱动系统需要调节母线电压,提高系统的效率和输出功率。分析传统控制策略不能有效抑制电机工作状态快速切换导致的母线电压波动原因,在此基础上对双向Buck/Boost变换器提出一种母线电压、母线电容电流双闭环的控制策略。由于母线电容电流不能直接测量,提出一种母线电容电流间接计算方法。小信号模型的对比分析结果证明,母线电容电流控制策略比传统控制策略有更好的抑制母线电压波动的能力。仿真和实验结果都证实了理论分析的正确性。

电机控制器直流侧前置双向Buck/Boost变换器的直接功率控制策略研究

对电机驱动系统前置双向Buck/Boost变换器后直流母线电压的波动抑制问题进行研究。分析功率前馈控制策略抑制母线电压波动能力较弱的原因。对双向Buck/Boost变换器提出一种母线电容能量外环、输出功率内环的直接功率控制策略,并将输出功率的变化趋势反映到双向Buck/Boost变换器的发波环节,进一步提高了变换器的动态响应特性。基于小信号模型分析上述两种控制策略的本质区别。小信号模型分析结果、仿真和实验结果都证实,提出的直接功率控制策略比功率前馈控制策略有更好的抑制母线电压波动的能力。

越南语的“bi”字句对越南学生学习汉语“被”字句的影响

本文利用前人的研究成果,分别系统地概括了汉语的“被”字句和越南语的“bi”字句的语法、语义结构及特点。通过对比指出两者之间是在语法结构、语义关系上的异同,明确了相互成分之间的对应关系。从第二语言的教与学的角度,初步论述了“bi”字句对越南学生学习汉语“被”字句的正负迁移的影响,以期为对外汉语教学提供一些有益的帮助。

结合Bi-LSTM和注意力模型的问答系统研究

针对传统的问答系统普遍存在回答准确率不高、语义识别能力差等问题,提出一种结合双向长短时记忆网络(Bi-LSTM)和注意力(Attention)模型的问答系统。利用生成的句向量,学习句子中的语义特征以及问答之间的匹配关系,获取上下文信息;融合注意力模型,能够找到对话的主题信息,从而为用户做出精准的回答。实验结果表明,该系统的回答准确率高于其他模型,可达到80.76%。

基于可比语料库的“比”字句研究

文章以“比”字句在口语语料中的分布为基础,将其归纳为5大类、14小类。考察发现:T1、T4是典型形式,T2下位句式最多;“比……还……”“比……更……”“A比B+形”“A比B+形+程度补语”在教材中的分布与母语者的实际使用存在较大差异,二语者与母语者在其使用上,也存在较大差距,应予以重视;教材输入与学习者输出基本成正比,但“比……还……”“A比B+动词+宾语+(补语)”“比……更……”例外;比较结果项的偏误为主要偏误,占66%。

基于时分复用技术的低功耗数据总线FV-BI自适应编码

对频率值（frequent value,FV）编码技术进行了改进,并结合总线反转（bus invert,BI）编码技术的优点提出了FV-BI自适应总线编码,利用时分复用技术解决了多套数据总线混合编码问题和需要两根额外数据线问题。基于基准测试程序、图片及音视频和随机数的测试,结果表明提出的FV-BI自适应总线编码技术能降低22%-53%的开关活动,相比单独FV编码和BI编码技术开关活动降低2-4倍。利用Matlab软件和PrimePower软件,在0.18μm工艺下针对不同互连线长度进行行为级和sign-off级功耗估计,结果表明在接近10mm互连线长度下,FV-BI自适应编码技术能有效降低芯片功耗。最后完成了FV、BI和FV-BI自适应编码技术在现场可编程门阵列（field programmable gate array,FPGA）的实现,利用Xpower软件分析其功耗,并进行FPGA板级测试,结果也证明了FV-BI编码技术降低功耗的有效性。

类型学视角下柬埔寨学生“比”字句习得考察

文章以柬埔寨学生汉语“比”字句的习得为研究对象,通过暨南大学中介语语料库搜集了柬埔寨学生学习“比”字句产生的中介语语料,在语言类型学视角下,借助研究工具SPSS26.0与越南学生的习得表现进行对比,考察了柬埔寨学生习得汉语的特殊性,研究发现,柬埔寨学生产生偏误的主要原因是受其多语际背景影响,并从教师、教材、教学法方面针对存在的问题提出了建议。

论产出导向法在对外汉语教学中的应用——以卢旺达孔子学院比字句教学为例

全球汉语学习热是我国综合国力提升的表现,对外汉语课堂更是彰显教学能力的手段。在对外汉语教学中,比字句是初级学生最先接触的较为难的语法点,为克服汉语教学中“学用分离”的弊端,产出导向法应运而生。本文利用产出导向法的教学理念、教学假设和教学流程对卢旺达孔子学院进行教学实践,实践证明产出导向法对对外汉语教学提供有效、可行的教学方法,有利于对外汉语教学学用一体化。

基于SA-BiLSTM的中文问句相似度计算方法

在智能客服问答系统中,用户所提的问句存在着特征稀疏性强、口语化严重以及错别字等特点,导致问句相似度计算的准确率不高,出现答非所问的情况。提出一种基于双向长短时记忆神经网络的问句相似度计算模型SA-BiLSTM。通过对问句进行字向量的表示方法,采用Bi-LSTM提取句子语序关系特征并结合Self-Attention机制动态的调整特征权重,提高模型对问题的理解能力。在微众银行智能客服问句匹配大赛数据集(CCKS2018 Task3)上的实验结果表明,对问句采用字向量表示比词向量表示效果更好,使用自注意力机制可以使模型能学习更多问句中关键特征,SA-BiLSTM模型对问句的识别能力更强,其F1值提高了1.42%。

基于SSA-Bi-LSTM神经网络的母线负荷预测方法

为了提高母线负荷预测精度,针对长短期记忆(long short term memory,LSTM)神经网络在母线负荷预测时存在对负荷规律提取不足导致精度下降、超参数设置依赖经验等问题,首先构建LSTM神经网络的变体网络———双向长短期记忆(Bi-directional LSTM,Bi-LSTM)神经网络,捕获时间序列未来可用的信息。然后采用麻雀搜索算法(sparrow search algorithm,SSA)搜索最优超参数,得到最优学习率、隐层神经元数目和迭代次数等。以实际10kV母线数据对SSA-Bi-LSTM神经网络模型进行验证,并与Bi-LSTM神经网络和BP神经网络进行对比,结果表明SSA-Bi-LSTM神经网络模型的预测效果更佳。

改进的BI低功耗总线编码

低功耗设计是设计者必须面对的最重要的一个挑战,而在VLSI设计中很大一部分功耗是由总线数据传输引起的,所以在CMOS电路中减小总线功耗的途径之一是减小总线上的数据翻转,目前许多编码技术被提出来以减小总线上数据的翻转率。其中,BI编码被广泛应用于数据总线的编码。为了进一步降低数据总线的功耗,在BI编码的基础上可以做一些改进。仿真结果显示,和BI码相比,在总线宽度较大时,针对完全随机的数据,改进的方法能有效减少总线上的数据翻转率。新的编码技术不需要假设数据有任何特性,无论数据宽度多大,仅需要增加2bits信号。

基于Bi-LSTM和Max Pooling的答案句抽取技术

针对传统问答系统答案抽取方式对答案片段的分词和上下文语义理解准确性的依赖严重,抽取过程耗费大量的人力和时间的问题,提出采用分步抽取答案的方法,先从答案片段中抽取包含答案的句子,再从提取的答案句中进行最终答案的抽取方式。在答案句抽取过程中使用Bi-LSTM(Bi-directional Long Short-Term Memory)和Max Pooling结合的方法构建答案句抽取模型。实验结果表明,在答案句的抽取中,该模型的MRR(Mean Average Precision)指数接近0. 75。

基于词聚类CNN和Bi-LSTM的汉语复句关系识别方法

复句关系识别是对分句间语义关系的甄别,是复句语义分析的关键。由于非充盈态汉语复句存在隐式关系的特点,给语义关系识别造成了困难。因此,为了深度挖掘复句中隐含的语义信息实现正确的关系分类,该文提出了一种基于词聚类的CNN与Bi-LSTM相结合的网络结构BCCNN。其中,通过使用词聚类算法对单词向量建模提取单词间的语义相似特征,并在此基础上使用CNN对复句进行深度建模以获得复句的局部特征。另外,该文将CNN中的池化层替换为Bi-LSTM网络层,在减少池化操作所带来语义信息丢失的同时又得到了全局的长距离语义依赖特征。与其他基于汉语复句语料库(CCCS)和清华汉语树库(TCT)的实验结果对比,论文的方法达到了较好的识别效果,其准确率分别达到了92.4%和90.7%。

结合残差BiLSTM与句袋注意力的远程监督关系抽取

实体关系抽取是从非结构化和程序化的海量文本中识别出实体之间的语义关系,为本体构建、智能检索等任务提供数据支持,然而现有远程监督关系抽取方法普遍存在需要大量人工标注语料库、提取特征含有噪声且忽略了实体与句子之间关联关系等问题。提出一种基于残差双向长短时记忆网络(BiLSTM)与句袋内和句袋间注意力机制的关系抽取模型,在将词向量和位置向量作为模型输入的基础上,通过残差BiLSTM网络提取语句与实体词中的长距离文本信息,利用句袋内和句袋间注意力机制对提取到的特征信息进行处理,使模型在远程监督过程中减少实体之间的特征提取噪声,并提高模型识别准确性。在NYT数据集上的实验结果表明,该模型能够充分利用实体与关系特征,平均精确率达到86.2%,相比于将卷积神经网络和分段卷积神经网络作为句子编码器的同类模型具有更好的远程监督关系抽取性能。

融合多路注意力机制的语句匹配模型

为了增强语句内关键信息和语句间交互信息的表征能力,有效整合匹配特征,提出一种融合多路注意力机制的语句匹配模型。采用双向长短时记忆网络获取文本的编码信息,通过自注意力机制学习语句内部的关键信息;将编码信息和自注意力信息拼接之后,通过多路注意力机制学习语句间的交互信息;结合并压缩多路注意力层之前和之后的信息,通过双向长短时记忆网络进行池化获得最终的语句特征,经过全连接层完成语句匹配。实验结果表明,该模型在SNLI和MultiNLI数据集上进行的自然语言推理任务、在Quora Question Pairs数据集上进行的释义识别任务和在SQuAD数据集上进行的问答语句选择任务中均表现出了更好效果,能够有效提升语句匹配的性能。