对雷达装备故障文本进行智能化分类,有助于提高雷达装备保障效率。针对雷达故障文本专业性强,样本量小且不平衡的问题,通过非核心词EDA进行类内数据增强,以实现在增加文本量的同时保持关键信息不变。针对非核心词EDA方法产生的新样本多...对雷达装备故障文本进行智能化分类,有助于提高雷达装备保障效率。针对雷达故障文本专业性强,样本量小且不平衡的问题,通过非核心词EDA进行类内数据增强,以实现在增加文本量的同时保持关键信息不变。针对非核心词EDA方法产生的新样本多样性不够的问题,增加SSMix(saliency-based span mixup for text classification),进行类间数据增强,通过对输入文本非线性的交叉融合来提升文本的多样性。实验证明,与现有的经典基线分类方法和典型数据增强分类方法相比,该方法在准确率上有较大幅度的提升。展开更多
地铁交通作为最具可持续发展的交通模式,是城市居民出行的首选工具。但地铁车辆构造复杂,零部件繁多,因此需探索出一种适用性较好的零部件智能诊断方法,来保障地铁车辆的安全运行。对维修数据进行EDA(Exploratory Data Analysis,探索性...地铁交通作为最具可持续发展的交通模式,是城市居民出行的首选工具。但地铁车辆构造复杂,零部件繁多,因此需探索出一种适用性较好的零部件智能诊断方法,来保障地铁车辆的安全运行。对维修数据进行EDA(Exploratory Data Analysis,探索性数据分析),通过描述性统计、可视化、特征计算、方程拟合等手段,去发现数据的结构和规律。结果表明,故障最主要的原因为质量与材料,两者合计占比高达59.4%,例如信号与屏蔽门故障发生率占比为19.8%,空调系统故障发生率占比为13.9%。通过EDA分析车辆故障情况,将有助于智能诊断的研究。展开更多
文摘对雷达装备故障文本进行智能化分类,有助于提高雷达装备保障效率。针对雷达故障文本专业性强,样本量小且不平衡的问题,通过非核心词EDA进行类内数据增强,以实现在增加文本量的同时保持关键信息不变。针对非核心词EDA方法产生的新样本多样性不够的问题,增加SSMix(saliency-based span mixup for text classification),进行类间数据增强,通过对输入文本非线性的交叉融合来提升文本的多样性。实验证明,与现有的经典基线分类方法和典型数据增强分类方法相比,该方法在准确率上有较大幅度的提升。
文摘地铁交通作为最具可持续发展的交通模式,是城市居民出行的首选工具。但地铁车辆构造复杂,零部件繁多,因此需探索出一种适用性较好的零部件智能诊断方法,来保障地铁车辆的安全运行。对维修数据进行EDA(Exploratory Data Analysis,探索性数据分析),通过描述性统计、可视化、特征计算、方程拟合等手段,去发现数据的结构和规律。结果表明,故障最主要的原因为质量与材料,两者合计占比高达59.4%,例如信号与屏蔽门故障发生率占比为19.8%,空调系统故障发生率占比为13.9%。通过EDA分析车辆故障情况,将有助于智能诊断的研究。