样本标签污染条件下的雷达辐射源个体识别技术

针对辐射源个体识别(Specific Emitter Identification,SEI)中由于数据集存在错误标签导致识别率下降的问题,提出了1种有监督和无监督融合的错误标签识别和纠正方法。首先采用无监督密度峰值聚类方法将数据集中出现的标签错误样本找出,再使用K折交叉实验对这些标签异常的样本进行预测投票,将得票数多的标签作为错误标签纠正的结果。经过清洗的数据集再通过卷积神经网络进行训练,得到1个较为理想的辐射源个体识别的网络模型,保证了在样本污染条件下,辐射源个体识别网络仍能具有较好的识别率。文章所提方法的识别率相比未经处理的数据集的识别率在标签错误率小于30%时平均提高3.3%;在标签错误率大于30%时,也能使个体识别率达到90%左右,验证了文章所提方法在对错误标签的识别和纠正上可以取得较好的效果。

远程监督关系抽取综述

远程监督可以为关系抽取任务自动构建数据集,缓解了人工构建数据集的压力和成本,为自动关系抽取的实现奠定基础,然而使用远程监督方法构建的数据集存在错误标注以及长尾问题,严重影响关系抽取性能。目前,远程监督关系抽取任务的主要研究方向为关系模型的降噪手段以及对长尾关系的处理方法。近年来,随着深度学习技术的发展,这两个领域的研究工作也迎来了新一轮的机遇与挑战。本文对近几年远程监督关系抽取的研究进展进行综述,针对基于深度学习的远程监督关系抽取任务定义常用工作流,其中包括样本降噪、外部信息融合、编码器和分类器。本文根据不同的模块将已有的研究成果进行分类和梳理,分析比较主要方法,整理其中的关键问题,介绍已有的解决方案和相关数据集,总结远程监督关系抽取任务所用评测指标与评估方式,展望未来研究趋势。

关系抽取中远监督错误标注消除

目前远监督方法被广泛应用于关系抽取任务。然而,远监督方法中存在大量错误标注现象,给远监督方法的学习效果带来了很大的影响。提出利用语义Jaccard度量关系短语与依存词间语义相似性的错误标注消除方法。消除错误标注后的训练数据用于训练模型,完成关系抽取。实验结果表明:该方法可以有效消除错误标注,提高关系抽取的性能。

配电变压器标识容量小于真实容量的判断方法

针对配电变压器大容量标成小容量问题,对累积的抽检试验数据进行了分析,阐述了配电变压器直流电阻、空载损耗、负载损耗与配电变压器容量的关系,并提出了配电变压器容量错标的综合判断方法。试验结果表明,综合利用直流电阻、空载损耗、负载损耗试验数据可较为可靠地判断配电变压器标示容量是否小于实际容量。

静配中心全自动贴签机对临床输液质量的效果

目的 研究静配中心全自动贴签机对临床输液质量的效果并予以分析,旨在减少静配中心工作人员的工作强度,提高贴签及输液的质量.方法 将2021年1月-2021年6月静配中心10名工作人员以及软袋输液袋作为对照组,开展传统的人工贴签.另取2021年7月-2021年12月静配中心10名工作人员以及软袋输液袋作为观察组,开展全自动贴签机实施贴签工作.比较两组贴签速度、贴签错误情况、每月液体量以及工作量.结果 观察组每袋贴签速度为(2.01±0.03)s,短于对照组的(3.07±0.04)s,差异有统计学意义(均P<0.05),其中贴签时间<2s、2-3s占比分别为37.94%、60.19%,均高于对照组的2.74%、43.96%,而贴签时间>3s占比为1.87%、低于对照组的53.30%,差异均有统计学意义(均P<0.05).观察组贴签错误情况总发生率为0.001‰、低于对照组的0.018‰;而贴签正确率为999.999‰,高于对照组的999.982‰,差异有统计学意义(P<0.05).观察组7月、8月、9月、10月、11月、12月的液体量分别为150651袋、142077袋、127749袋、139853袋、147953袋、161114袋.对照组1月、2月、3月、4月、5月、6月的液体量分别为146395袋、106496袋、151932袋、151466袋、152095袋、146148袋.观察组平均每月贴瓶时间、平均每天贴瓶时间分别为(215.28±14.34)h、(7.01±0.34)h,均短于对照组的(252.76±20.79)h、(8.14±0.51)h,差异均有统计学意义(均P<0.05).结论 静配中心全自动贴签机有助于临床输液质量的提高,可有效提高贴签正确率,加快贴签速度,减轻工作强度,值得临床推广普及.