联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

Box-Jenkins模型阶次与参数同时估计的递推算法

研究了Box-Jenkins模型阶次与参数的同时估计问题。基于信息压缩阵的UD分解技术和广义增广最小二乘原理,提出Box-Jenkins模型阶次与参数同时估计的一种速推算法,减少了辨识计算量,改善数值稳定性,提高了辨识精度。仿真结果表明该算法的有效性。

基于模型微调的空中无人机小样本目标识别方法

空中无人机目标识别是现代军事、航空领域的迫切需求,由于目前无人机的功能和种类繁多,对于新机型很难采集大量的无人机样本用于训练目标识别模型;针对该问题,提出了一种基于模型微调的空中无人机小样本目标识别方法;方法以Faster R-CNN为基础架构,首先采用具有大量标记样本的常见机型数据预训练Faster R-CNN模型;然后将基础架构最后的分类层替换为余弦度量,构建联合新机型与常见机型的小样本平衡数据集以较小的学习率微调分类层;实验结果表明,在标记样本数量为5、10和50的情况下,基于模型微调的小样本目标识别模型的mAP分别为88.6%,89.2%和90.8%,能够满足空中无人机小样本目标识别任务需求,且优于其它小样本目标识别方法。

基于Box-Jenkins建模法的就业增长率预测模型

几十年来困扰发展中国家经济的一个重要问题就是人力资源的利用不充分问题,直接反映出来的就是就业的问题。就业率是反映就业程度的直观数据,是反映社会和经济发展的一个重要变量,对其进行有效预测可以更好的帮助政府进行宏观控制和微观管理。鉴于经济发展和就业二者关系密切,文章采用Box-Jenkins建模法,将其应用于中国就业增长率变化的预测,以期为经济发展提供有益借鉴。

自动语音识别模型压缩算法综述

随着深度学习技术的发展,自动语音识别任务模型的参数数量越来越庞大,使得模型的计算开销、存储需求和功耗花费逐渐增加,难以在资源受限设备上部署.因此对基于深度学习的自动语音识别模型进行压缩,在降低模型大小的同时尽量保持原有性能具有重要价值.针对上述问题,全面综述了近年来该领域的主要工作,将其归纳为知识蒸馏、模型量化、低秩分解、网络剪枝、参数共享以及组合模型几类方法,并进行了系统综述,为模型在资源受限设备的部署提供可选的解决方案.

基于正交切削逆识别井下管柱的Johnson-Cook本构模型

在有限元仿真金属切削过程中,本构模型是仿真的基础,目前井下生产管柱J55油管材料的本构模型参数尚不明确,为此,提出一种基于正交切削理论逆识别油管材料Johnson-Cook(J-C)本构模型参数的方法。首先,通过准静态拉伸试验得到油管材料的应力-应变曲线,根据曲线拟合确定J55油管的初始屈服强度A、应变硬化系数B和应变硬化因子n;其次,通过正交切削试验获得切削力以及进给力,根据正交切削试验和平行剪切区模型,计算正交切削过程主剪切区中的流动应力、应变、应变率以及切削温度,并将这些参数与计算出的A、B、n代入J-C模型中,得到多组应变率敏感性参数C以及热软化效应参数m,从而确定其约束范围;第三,采用自适应权重粒子群算法在约束范围中搜索出参数C和m的最优值,进而确定J55油管材料本构模型参数;最后,使用逆识别法得出的J-C本构模型进行有限元仿真,将仿真结果与试验结果进行了对比。研究结果表明:与试验相比,有限元仿真的切削力和进给力最大相对误差分别为14.4%和13.64%,有限元仿真模拟温度与实际测量温度的最大相对误差为10.57%,仿真模型和实际切削过程在切屑形态上表现出了一致规律,验证了逆识别方法可行性和本构模型的可靠性。

颠覆性技术识别与扩散趋势预测:概念模型与实证分析

发现并判断技术颠覆性潜力和扩散趋势,能够为国家和政府科技资源分配与未来产业的超前布局提供精准决策依据。首先,本文构建了颠覆性技术识别与扩散趋势预测的概念模型;其次,依据此模型以3D打印领域为例,从离群性和影响力维度识别颠覆性专利,提取颠覆性技术;最后,基于识别的颠覆性专利的施引专利,将自动标签和战略坐标应用于技术主题扩散路径绘制中,提出一种新的多位态自动标签技术主题扩散趋势预测方法,用于揭示核心、边缘、成熟、新兴等位态主题之间的动态扩散关系。研究发现,离群专利与颠覆性技术之间存在共生、匹配和关联的内在逻辑关系,从离群专利视角识别颠覆性技术具有可行性;1955—2017年,3D打印领域的颠覆性技术主要分布在高端装备制造、生物医药和材料3大方向,突出的技术领域是运输、发动机/泵/涡轮机、生物材料分析、半导体、环境技术;多位态自动标签技术主题扩散趋势预测结果显示,生物医疗3D打印技术主题未来发展潜力巨大。

基于YOLOv5神经网络模型的变电所压板开关状态的识别方法

煤矿变电所是大型煤矿供电系统的重要组成部分,变电所压板开关状态的精确识别是监测煤矿供电状态的重要环节。然而,随着变电所电气控制柜上压板开关数量的大幅增加,传统人工巡检存在的巡检速度慢、巡检精度低的问题愈发显著。针对上述问题,提出了一种基于YOLOv5神经网络模型的变电所压板开关状态识别方法。使用Pytorch深度学习框架进行了模型训练;设计了针对压板开关图像的预处理方法;采用得到的最佳模型对预处理后的压板开关图像进行检测并评估检测结果。实验结果表明该方法可以实现压板开关状态的智能识别,且具有速度快、精度高的特点。

基于量子衍生涡流算法和T⁃S模糊推理模型的储层岩性识别

鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛,提出一种基于量子衍生涡流算法(Quantum Vortex Search Algorithm,QVSA)和T⁃S模糊推理模型的岩性识别方法,QVSA具有操作简单、收敛速度快、寻优能力强等优点,有助于T⁃S模糊推理模型获得最优参数配置,从而实现储层岩性的准确识别。首先利用具有全局搜索能力的QVSA优化T⁃S模糊推理模型的各种参数;然后利用主成分分析方法降低获取的地震属性维度;再利用优化的T⁃S模糊推理模型识别储层岩性。实验结果表明,利用反映储层特征的8个地震属性识别储层岩性时,所提方法的识别正确率达到92%,比普通BP网络方法高5.1%,同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。

基于隐含空间模型降维和LDA模型的学科主题识别研究

【目的/意义】现有学科研究主题的梳理多为领域专家的定性分析和学科学者的文献梳理,一定程度会由于研究思维的局限性和获取知识的片面性造成学科研究主题误判,为有效避免漏判误判现象的发生,提出识别模型。【方法/过程】首先,运用传统LDA模型分析主题特征词;其次,结合上下文语义信息进行中文分词,形成学科主题词库;最后,结合隐含位置聚类算法发现潜在社区,提高主题识别效果。【结果/结论】提出的方法一定程度上优化了主题挖掘算法在识别短文本主题的效果,消除主观意愿。由计算机自行分类并实现科学研究前沿主题的预测,揭示前沿领域的研究热点,为致力于研究前沿学科的新兴学者提供参考价值。

基于层次分解、主成分分析和高斯混合模型的火成岩岩性识别——以惠州26洼古潜山为例

火成岩油气成藏规律复杂,受到火山运动、强构造运动以及风化剥蚀等叠加影响,火成岩的化学成分和结构构造复杂多样,非均质性极强,采用常规岩性识别方法难以一次性将所有岩性准确识别。借鉴层次分解思路,以惠州26洼古潜山为例,提出了一种火成岩岩性测井识别分类方法:综合考虑火成岩地质分类原则和测井响应特征来确定岩性识别层级,基于这种层次性的分类原则,在每一层次定量优选岩性识别敏感参数,建立研究区岩性识别优选层级;在明确岩性识别优选层级的基础上,逐级逐次使用主成分分析(PCA)和高斯混合模型(GMM)对岩性进行判别并确定其计算函数,建立分级优选岩性识别模型,最终达到整体岩性区分的目的。研究结果表明,研究区辉绿岩和闪长岩识别正确率分别为87.31%和84.32%,未分级未优选辉绿岩和闪长岩识别正确率为60.45%和54.88%,分级未优选其岩性识别正确率为69.61%和67.04%,有效提高了研究区的复杂岩性识别精度。该方法的提出对提高火成岩岩性识别精度提供了一种思路,也为研究区古潜山火成岩岩性精确识别提供了参考依据。

面向高校图书馆智慧服务的大语言模型探索性研究——以命名实体识别任务为例

[目的/意义]智慧服务已成为高校图书馆转型发展的重要方向。自然语言处理技术赋能了高校图书馆智慧化服务,带来了服务模式与流程的重构,有助于提升高校图书馆的整体服务水平。命名实体识别是自然语言处理中的一个重要任务,对图书馆智慧化服务产生重要影响和价值,可有效识别信息中的人名、地名、组织机构、资源利用、服务特色和文化推广等实体,为知识组织、信息检索等提供支持。[方法/过程]本文利用命名实体识别技术分析高校图书馆智慧化服务系统的应用前景,通过构建高质量的高校图情语料库,提供高质量训练数据,以满足领域内特定的实体识别需求的准确性和适应性,为优化图书馆智慧服务系统提供基础。采用基于深度学习的ALBERT-BILSTM-CRF模型,用以验证命名实体识别任务的效果,将该模型应用于高校图书馆服务推荐和知识图谱的案例分析,并与现有的国内外主流大语言模型进行了效果比较。[结果/结论]结果表明,本文提出的方法有效地提高了高校图情领域命名实体识别的性能,有助于实现图书馆智慧化服务的推广与应用,同时也减少了资源浪费和训练成本。此外,本文还探讨了服务于图书馆领域大语言模型LibraryGPT的可能性,以便对未来高校图书馆智慧服务的推广和发展提供参考和借鉴。

法律案件要素识别混合专家大模型

智能司法判决正向符合法律判案逻辑的方向转变。案件要素识别是近年来提出的一项基础任务。相比于前期的基于深度学习和机器阅读理解的识别方法,采用大模型的生成式要素识别方法具有进行复杂推理的潜力。但是,目前司法大模型在这类基础任务上的效果不佳。提出了一种对话式混合专家要素识别大模型。该模型针对案件特点设计了特定的Prompt,供ChatGLM3-6B-base大模型学习;通过全参微调该大模型获得基础要素识别能力,其权重供后续混合专家共享,降低大模型学习成本;针对不同案件类型场景和标签不平衡场景,在大模型的注意力层引入案件DoRA专家和标签DoRA专家模块,提高模型对任务的区分度;设计可学习门控实现标签专家选择。在CAIL2019和某省脱敏盗窃案件要素识别数据集上,对比了三类方法的九个基准模型,并进行模型消融实验。实验结果显示,提出的模型综合性能F1值高于最优模型性能5.9个百分点;在标签不平衡的CAIL2019数据集上,标签专家一定程度上能够减缓数据极度不平衡给模型带来的影响;同时,CAIL2019上训练的模型不再需要全参微调,通过案件专家和标签专家轻量级微调后,在某省盗窃案件中取得最佳效果,证明模型具有易扩展性。

RIB-NER:基于跨度的中文命名实体识别模型

命名实体识别是自然语言处理领域中诸多下游任务的重要基础。汉语作为重要的国际语言,在许多方面具有独特性。传统上,中文命名实体识别任务模型使用序列标记机制,该机制需要条件随机场捕获标签的依赖性,然而,这种方法容易出现标签的错误分类。针对这个问题,提出基于跨度的命名实体识别模型RIB-NER。首先,以RoBERTa-wwm-ext作为模型嵌入层,提供字符级嵌入,以获得更多的上下文语义信息和词汇信息。其次,利用IDCNN的并行卷积核来增强词之间的位置信息,从而使词与词之间联系更加紧密。同时,在模型中融合BiLSTM网络来获取上下文信息。最后,采用双仿射模型对句子中的开始标记和结束标记评分,使用这些标记探索跨度。在MSRA和Weibo 2个语料库上的实验结果表明,RIB-NER能够较为准确地识别实体边界,并分别获得了95.11%和73.94%的F1值。与传统深度学习相比,有更好的识别效果。

轻量级多场景群养猪只行为识别模型研究

针对现有猪只行为识别模型体积大、识别场景单一、部署应用硬件要求高等问题,本文提出轻量级多场景群养猪只行为识别模型YOLO v5n-PBR(YOLO v5n for pig behavior recognition)。首先通过拍摄和收集不同养殖场景、不同猪只数量及不同角度的群养猪只行为数据构建多场景群养猪只行为数据集,并根据该数据集中猪只行为目标的特点引入迁移学习方法和OTA(Optimal transport assignment)标签分配方法对YOLO v5n模型进行训练,加快模型收敛速度并提升模型精度,构建高精度多场景群养猪只行为识别模型;然后利用L1-norm剪枝算法筛选并删减模型中不重要的通道,去除冗余参数;最后通过微调训练和中间特征知识蒸馏去除剪枝带来的性能劣化,从而得到轻量级多场景群养猪只行为识别模型YOLO v5n-PBR并进行嵌入式设备部署。实验结果表明,YOLO v5n-PBR模型平均精度均值(mean average precision,mAP)为96.9%,参数量、计算量和内存占用量分别为4.700×10^(5)、1.20×10^(9)和1.2 MB,在两种不同系统和不同硬件配置的嵌入式设备上的部署实时识别帧率分别为12.2帧/s和66.3帧/s,与原始模型YOLO v5n相比,mAP提高1.1个百分点,参数量、计算量和内存占用量分别减少73.3%、70.7%和68.4%,部署实时识别帧率分别提高74.3%和83.1%。此外,基于多场景群养猪只行为数据集训练得到的YOLO v5n-PBR模型在4个单场景或双场景的群养猪只行为数据集上的mAP均能达到98.1%,对2种不同养殖场景的6段猪只行为视频的嵌入式设备部署识别统计结果与人工统计结果相近,平均精确率和平均召回率均为95.3%,以较少的参数达到较强的泛化性。本文提出的YOLO v5n-PBR模型具有精度高、体积小、速度快、泛化性强等优点,可满足嵌入式设备部署要求,为猪只行为的实时、准确监测及猪只行为识别模型的部署应用提供技术基础。

以改进机器视觉算法构建纸张图像识别模型

为保障纸张生产加工质量,精准获取与识别纸张缺陷,以改进机器视觉算法构建了纸张图像识别模型。首先以由线阵CCD相机与双光源等构成的图像采集装备采集纸张缺陷图像,其次以改进机器视觉方法对纸张缺陷图像进行预处理分析,然后将预处理后图案以可变形卷积神经网络输入进行训练,以此检测识别纸张所存在的缺陷类型。实验测试结果表明,基于改进机器视觉算法的纸张图像识别模型可高效且精准识别缺陷,准确率高达98.4%,拥有较高识别度,可广泛推广以投入实际运用。

收入确认计量模型视角下可变对价的识别

新收入会计准则首次提出可变对价的概念,对解决复杂环境下的收入确认和计量起到重要作用。通过分析收入计量的交易价格模型,提出可变对价产生的基础及其会计处理的理论依据。通过分析收入确认的合同模型,提出可变对价识别处理的思路,从一个新的解释视角思考可变对价会计处理中存在的问题,为准则制定机构评估新准则的核心目标或原则是否存在根本性问题提供参考。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

基于Box-Jenkins模型的迭代辨识与控制器设计方法研究

针对存在有色噪声干扰的Box-Jenkins系统,采用数学优化的方法,提出了该模型的新型迭代辨识方法。与递推广义增广最小二乘算法相比,论文提出的迭代算法反复利用了系统的所有可测数据信息,因而具有更高的参数估计精度和更快的收敛速度。最后分析了Box-Jenkins模型的低阶迭代控制器设计步骤及方法,通过仿真说明该迭代算法的有效性。

基于故障管理方法风险管理控制模型的影像设备使用风险识别与应用效果研究

目的:构建故障管理方法(V-SHEL)风险管理控制模型,探讨其在影像设备管理中的应用效果。方法:基于影像设备风险评估、影像设备管理和影像设备安全风险因素构建V-SHEL风险管控模型,对影像设备进行风险识别和管理控制。选取2021—2022年天津中医药研究所附属医院临床在用的20台影像设备,2021年1—12月设备使用期间采取常规风险管理模式(简称常规管理),2022年1—12月设备使用期间采用基于V-SHEL风险管控模型的风险管控模式(简称V-SHEL模型管理),两种管理模式的影像设备分别进行120次巡视检查,对比其风险事件发生情况、设备工作质量评分、设备使用满意度以及设备风险事件应急管理用时。结果:120次检查V-SHEL模型管理的器械损坏4次、记录缺失4次和关联感染5次,发生率分别为3.33%、3.33%和4.17%,均低于常规管理模式,差异有统计学意义(χ^(2)=11.852、12.904、11.042,P<0.05);采用V-SHEL模型的设备管理、运行状态、器械清洗和包装质量平均评分分别为(90.65±6.25)分、(92.14±5.36)分、(90.14±3.45)分和(94.57±4.36)分,均高于常规管理模式,差异有统计学意义(t=8.382、8.446、12.654、14.443,P<0.05);影像设备操作人员对采用V-SHEL模型管理的设备整洁度、设备规范度、设备运行性能和设备维修及时性平均评分分别为(22.36±2.12)分、(21.69±2.37)分、(22.54±1.87)分和(21.59±2.03)分,均高于常规管理模式,差异有统计学意义(t=14.689、10.481、9.883、10.163,P<0.05);采用V-SHEL模型管理的设备用电安全、诊疗安全、生物安全和辐射安全风险事件应急管理用时分别为(2.01±0.69)h、(2.03±0.868)h、(3.02±0.96)h和(2.39±0.96)h,均少于常规管理模式,差异有统计学意义(t=16.394、14.894、15.692、16.519,P<0.05)。结论:V-SHEL风险管控模型管理影像设备,可进行设备风险识别,减少影像设备故障发生频率,提高设备使用效能,提升操作人员满意度。