融合非核心词EDA和SSMix的雷达故障文本分类方法

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。

雷达装备故障原因知识图谱构建研究

对雷达装备故障原因文本的分析,有助于定位故障部位,便于装备维修,分析装备性能。利用知识图谱技术对雷达故障原因文本进行知识抽取、表示和管理,可有效提升文本的利用效率,快速定位故障部位,及时分析装备性能。在总结了雷达装备故障原因文本特点基础上,运用模式层和数据层相结合的方法构建了雷达装备故障原因知识图谱。自顶向下定义知识图谱的组织架构、概念类型和概念间关系,形成知识图谱的模式层;针对文本特性,自底向上构建知识图谱的数据层:为解决样本量较小和识别由复合词组成的实体的问题,运用Att-ALBERT-BiGRU-CRF模型进行了实体命名识别;运用ALBERT-BiGRU-Att模型进行关系抽取。实验证明了上述抽取方法的有效性,将抽取出的实体与关系构建了雷达装备故障原因领域知识图谱。

基于文本分类和SVM的雷达侦察装备故障诊断研究

针对自然语言描述的雷达侦察装备故障诊断问题,提出了一种基于文本分类技术和支持向量机的故障诊断方法。首先,对获取的故障文本集进行分析,提取故障特征建立故障特征词库;然后,采用布尔模型实现文本向量的表示,构建故障向量库;最后,通过SVM多分类中的一对一算法建立故障诊断分类模型,并采用网格搜索法进行参数优化,实现了雷达侦察装备的故障诊断。实验分析验证了该方法的有效性和正确性,并最终将故障诊断的最大识别精度提高到90%。