基于相位变换和CNN-BiLSTM的自动调制识别算法

针对真实信道使无线通信信号发生相位偏移导致信号识别率下降的问题,提出了相位变换算法。该算法将信号输入神经网络,通过Flatten层和Dense层估计出相位参数,再利用参数变换器完成相位变换,减轻相位偏移对调制识别准确率的影响,提高了调制识别的准确率。同时提出一种卷积双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short-Term Memory,CNN-BiLSTM)网络,其中CNN用于提取信号的高维特征,BiLSTM用于提取信号的双向时间特征。所提出的调制信号分类模型识别率达到96.7%,相较于卷积神经网络(Convolutional Neural Network,CNN)提高了12%。

基于深度学习的高速铁路工务设备巡检修数字化应用

高速铁路工务设备是铁路运输的基础,其使用状态直接关系到运输的安全性。为提升工务段巡检员和管理层的巡检效率和决策的准确性,解决巡检预警状态缺乏直观性、周期天数设置不合理以及春秋季专项检查缺乏电子化等问题,本文研究了两项关键技术,以构建数字化技术体系。首先利用深度学习建立了基于卷积神经网络的病害自动识别模型,并通过对几个高速铁路沿线车间的数据进行采集与验证分析,证明该模型在巡检员上传病害影像后,能够自动识别病害。训练精度高达97%,验证精度达到76%。其次,本文基于大数据技术,结合卷积神经网络和长短期神经网络建立设备状态判断模型,并构建出巡检周期预测算法。通过分析两个高速铁路工务段的数据,结果显示,设备状态识别模型能够通过捕捉巡检记录中的关键信息,准确判断设备运行状态,预测巡检次数的平均相对误差为14.3%,精度为85.7%。最后,通过高速铁路工务设备巡检修数字化实现案例,充分证明了两项应用的设计与融合方案能够为高速铁路工务设备的巡检修作业提供充分的技术支持,并能为实时而高效的检修决策提供全面可靠的数据依据。

基于VMD-CNN-BiLSTM的轴承故障多级分类识别

双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMD-CNN-BiLSTM)故障诊断模型。首先,采用改进的麻雀优化算法——鱼鹰-柯西-麻雀搜索算法(OCSSA)对变分模态分解(VMD)的惩罚因子、模态分量进行了优化,OCSSA算法是将鱼鹰算法和柯西变异策略与麻雀算法进行了融合,形成了一种新的优化算法,该算法利用强大的参数搜索能力获取了更精确的频率特征;然后,利用卷积神经网络(CNN)提取了信号的时域和频域特征,并对特征进行了融合;最后,利用双向长短期记忆网络(BiLSTM)学习了故障的序列模式,完成了故障的多级分类任务。研究结果表明:基于OCSSA算法优化的VMD-CNN-BiLSTM模型在多级轴承故障识别方面表现出明显的优势,平均识别准确率可达98.36%,与CNN-LSTM、CNN-BiLSTM和VMD-BiLSTM模型进行对比,该模型具有更卓越的故障诊断性能、出色的泛化能力和快速的计算速度。这一结果充分验证了该模型在双馈风力发电机轴承故障的多级分类识别任务上的有效性,且适用于在线监测和智能诊断,为实现高效、可靠的风能发电提供了重要的实际应用价值。

基于变分模态分解的暖通空调短期负荷自动预测方法

常规的暖通空调短期负荷自动预测方法以热负荷预测为主,忽视了冷负荷,影响短期负荷预测的准确性。因此,设计了基于变分模态分解的暖通空调短期负荷自动预测方法。首先将室外干球温度、风速、太阳辐射对预测时刻负荷的影响作为输入变量,构建暖通空调短期负荷变分模态分解自动预测模型,以确保模型预测的精准度。然后预测暖通空调短期冷热负荷序列,将室内外环境因素、建筑结构、设备负荷、历史数据考虑在内,综合预测暖通空调短期负荷,以满足负荷预测需求。最后通过对比实验,验证了该方法的负荷预测准确性更高,能够应用于实际生活。

基于参数优化的VMD-SVD和LSTM的输电杆塔倾斜状态识别

针对输电杆塔结构状态信息提取难度大、精度低等问题,提出了一种基于北方苍鹰算法优化的变分模态分解(northern goshawk optimized variational mode decomposition,NGO-VMD)与长短期记忆(long shortterm memory,LSTM)神经网络的输电杆塔倾斜状态识别方案。通过北方苍鹰优化算法解决了变分模态分解参数难确定的问题,并且证明其分解的各阶本征模态分量(intrinsic mode function,IMF)可以有效提取出杆塔结构的模态信息。为了使信息特征更为明显,对IMF分量进行奇异值分解(singular value decomposition,SVD),发现各阶分量的奇异值在杆塔不同状态下有较为明显的区别。最后引入LSTM神经网络进行特征分类,形成故障诊断模型。依托某110kV猫头塔对模型进行试验验证,结果表明:所提方法对杆塔倾斜状态的识别准确率为96.68%,与其他方法相比,具有效率更高、稳定性更强、更加精准的优势。

通道门控Res2Net卷积神经网络自动调制识别

针对低信噪比条件下自动调制识别准确率不高的问题,提出了通道门控Res2Net卷积神经网络自动调制识别模型。该模型主要由二维卷积神经(Two-dimensional Convolutional Neural Network,2D-CNN)网络、多尺度残差网络(Residual 2-network,Res2Net)、压缩与激励网络(Squeeze-and-Excitation Network,SENet)和长短期记忆(Long Short-Term Memory,LSTM)网络组成,通过卷积从原始I/Q数据中提取多尺度特征,结合门控机制对特征通道进行权重调整,并利用LSTM对卷积所得特征进行序列建模,确保数据特征被有效挖掘,从而提升自动调制识别的准确率。在基准数据集RML2016.10a下的调制识别实验表明,所提模型在信噪比为12 dB时识别精度为92.68%,在信噪比2 dB以上时平均识别精度大于91%,较经典CLDNN模型、LSTM模型和同类型PET-CGDNN模型、CGDNet模型能取得更高的调制类型识别准确率。

基于VME-M1DCNN-LSTM的齿轮异常状态智能识别

针对工程实际中齿轮振动信号受噪声污染严重导致其异常状态难以准确识别的问题,提出了一种基于变分模态提取(variational mode extraction,VME)和多尺度一维卷积(multiscale one-dimensional convolution,M1DCNN)融合长短时记忆神经网络(long short-term memory,LSTM)的齿轮异常状态智能识别新方法。首先,采用VME方法分别对采集到的齿轮处于正常状态、轮齿碎裂、齿轮断齿、齿根裂纹以及齿轮磨损等5种状态的原始振动信号进行预处理,去除原始振动信号中的噪声干扰,提取齿轮不同状态的主模态分量作为齿轮状态的特征信息;其次,由提取的齿轮状态主模态分量构建训练数据集与测试数据集;最后,设计了M1DCNN-LSTM异常状态识别模型,并采用所构建的数据集对设计的异常状态识别模型进行了测试试验验证。结果表明,所提出的方法可以很好地实现齿轮异常状态智能识别效能,异常状态识别准确率达99.25%,明显高于其他相关齿轮异常状态识别方法。

自动术语识别--对科技文献进行文本挖掘的重要技术方法

自动术语识别是知识抽取和文本挖掘等信息技术中的关键步骤。研究现有自动术语识别的主要思路,明确其中的关键问题,研究已有的相关项目和系统的术语识别方法,并分析现有的一些术语资源。借此丰富基于术语识别的文本挖掘理论和方法,为进一步构建相关试验系统提供良好借鉴。

一种基于加权投票的术语自动识别方法

术语自动识别目的是获取领域术语表中未登录的规范化词汇,是信息抽取、文本挖掘等领域中的重要任务。近年来,利用统计方法抽取术语取得了一定进展,出现了C-Value、NC-Value、TermExtractor等有效方法。但是,对各种统计指标进行加权投票的方法研究较少。该文首先从大量已知术语中收集术语的词性模板,并借之抽取候选术语,接着利用了统计指标加权投票对这些候选术语进行排序。在IEEE 2006-2007电子工程领域文献上的实验结果表明,加权投票方法比任一单独指标的识别效果更好。

采用双向LSTM模型的雷达HRRP目标识别

针对传统雷达高分辨距离像目标识别方法只考虑高分辨距离像样本的包络信息而没有考虑其时序相关特性问题,提出了一种采用双向长短时记忆网络模型的识别算法。该算法首先选取出高分辨距离像样本的目标区域,并根据目标区域提取对于平移敏感性稳健的输入特征;然后采用双向长短时记忆模型对输入特征提取双向时序信息;最后通过投票策略融合双向信息,输出样本类别。采用实测数据的实验结果表明,该算法不仅可以有效地识别雷达目标,而且对于平移敏感性非常稳健。

中文专利文献术语自动识别研究

中文专利文献中含有大量领域术语,对这些术语进行自动识别是信息抽取、文本挖掘等领域的重要任务。该文提出了基于专利文献标题的术语词性规则自动生成方法以及针对候选术语排序的TermRank算法。该方法首先从大量的中文专利文献标题中自动生成词性规则;然后利用生成的词性规则对中文专利文献正文部分进行规则匹配获得候选术语表;再利用提出的TermRank排序算法对候选术语表排序,最终得到术语列表。通过在9 725篇中文专利文献数据上实验,证实了该方法的有效性。

科技政策术语自动识别技术初探

在对科技政策领域术语的特点分析基础上,提出一种适用于科技政策领域的术语识别方法,即结合科技政策术语的语言特点,采用统计计算的方法进行两次术语过滤过程,实现科技政策术语的自动识别。实验结果表明,本文提出的基于科技政策术语语言特点和统计计算相结合的科技政策术语自动识别的方法具有一定的可行性,将用于科技政策词典的构建和科技政策文本内容的深层次语义分析。

天文学英语新词自动提取系统

科技名词中文译名标准化和规范化工作是推动我国科技进步和科学知识传播的重要基础。新的科学概念和技术名词层出不穷,如何及时发现并确定新生术语的中文译名是一项普遍的社会需求。介绍了一套全新的天文学英语新词自动提取系统。该系统综合使用脚本过滤、术语识别、正则表达匹配等多种方法,能够自动追踪Ar Xiv论文数据库的更新,分析天文学论文的内容,生成推荐术语列表,从而将学科专家从繁重的科技新词收集整理工作中解放出来,把有限的精力集中到更能体现专业素养的新词审定工作当中。这个系统将为推动天文学等基础学科的新词收集,乃至学科标准化等工作发挥积极作用。

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。

基于雨量测站应急机制的洪水预报方法

为提高洪水预报方案的容错能力,改善雨量资料缺测或粗差情况下的预报效果,提出了基于雨量测站应急机制的洪水预报方法。通过构建测站降雨相似度矩阵(SRSM),量化表示测站间实测降雨的相似性。在此基础上,采用有限测站相似度加权法及时合理替换问题雨量资料,然后将处理后的雨量信息代入系统进行计算,从而保证洪水预报的及时性,同时改善预报效果,降低了预报方案对资料的敏感性。将该方法应用于上犹江流域,结果显示:对于典型洪水(洪号20010611),一般预报方法的洪峰、洪量预报误差分别为-24.8%、-6.3%。采用应急预报方法后,洪峰、洪量预报误差减小到-10.6%、1.3%。在雨量资料缺测情况下,对于流域的10场历史洪水,洪峰、洪量平均预报误差从18.3%、18.2%降为6.0%、6.7%,合格率从40%上升为100%。结果表明,基于雨量测站应急机制的洪水预报方法模拟效果明显优于一般预报方法,能够考虑实际应用中的突发情况,有效提高了洪水预报精度,保证了预报的及时性,改善了预报方案的容错能力,值得进一步研究与推广。

自动术语抽取研究综述

自动术语抽取是从文本集合中自动抽取领域相关的词或短语,是本体构建、文本摘要、知识图谱等领域的关键基础问题和研究热点.特别是,随着近年来对非结构化文本大数据研究的兴起,使得自动术语抽取技术进一步得到学者的广泛关注,取得了较为丰富的研究成果.以术语排序算法为主线,对自动术语抽取方法的理论、技术、现状及优缺点进行研究综述:首先概述了自动术语抽取问题的形式化定义和解决框架.然后围绕"浅层语言分析"中基础语言信息和关系结构信息两个层面的特征对近年来国内外的研究成果进行分类,系统总结了现有自动术语抽取方法的研究进展和面临的挑战.最后对术语抽取使用的数据资源及实验评价进行分析,并对自动术语抽取未来可能的研究趋势进行了探讨与展望.

汉语科技术语中的潜在歧义

汉语术语的PT结构和SF结构之间,一般不存在严格的一一对应关系。在计算机和人理解汉语术语的时候,如果一个PT结构对应于一个以上的SF结构,就可能产生歧义。这种歧义是潜在的,所以,叫做潜在歧义。本文以计算机科学中的术语为实例,分析了汉语科技术语中的十一种潜在歧义结构。这就是独具中国特色的“潜在歧义论”(Potential Ambiguity Theory,PA论)。

基于排序集成的自动术语识别方法

自动术语识别是信息抽取和文本挖掘等领域的关键步骤之一。基础自动术语识别算法采用某些方面的特征信息,有明显的局限性,引入局部Kemeny最优的方法来处理自动术语识别问题,并提出新的集成方法。实验结果表明该方法显著改善了自动术语识别的精准度。

一种基于CLSNN网络的通信信号自动调制识别算法

为了提高在复杂信道环境下调制信号的识别率,本文提出一种基于深度学习的通信信号自动调制识别方法,利用一维卷积神经网络以及长短时记忆网络构建一种新型训练网络——一维卷积长短时神经网络。使用一维卷积、长短时记忆网络构建轻量级神经网络提取特征,在提升识别率的同时能够减少训练参数数量、缩短训练时间,加入dropout和batchnormalization加强网络泛化能力,防止过拟合出现。通过对信号进行特征提取,实现通信信号调制方式分类识别。仿真实验表明,本文算法在0 dB以上信噪比环境下识别率高于90%,相较于现有识别方法,有效提高了调制信号的识别率。

科技翻译中的术语变体及译者对策

术语变体是科技翻译的一个重要现象。以术语变体定义作为出发点,从术语变体产生的五个理据,即学科共用、文体差异、篇章表达需要、地域命名差异以及认知发展差异,分析科技翻译中的术语变体陷阱及翻译策略。并对译者如何规避变体陷阱,提升术语规范素养提出了几点对策,具体包括:加强专业素养,建立学科术语库;树立差别意识,灵活应对各类文本;提高检索能力,借助搜索引擎验证。