融合特征编码和短语交互感知的隐式篇章关系识别

隐式篇章关系识别难度大、普遍性高.从论元编码和论元交互角度入手,提出了一种融合特征编码和短语交互感知的隐式篇章关系识别模型.该模型兼顾了论元本身特征和论元间交互特征的作用,并分别进行了优化.论元编码部分整合了双向长短时记忆网络和循环注意力卷积神经网络,能够更全面地捕获论元全局和局部特征;论元交互部分从短语层级考虑论元间的语义关系建模,构建了短语级交互注意力机制,并利用神经张量网络深入挖掘其中的关系模式,更能体现出论元间潜在的更深层次的关联关系.在宾州篇章树库数据集上的实验结果表明,该模型F1值均优于其他模型.

基于CEEMDAN-SE-TCN的集群资源预测研究

针对服务器集群负载数据的波动性和非线性特点,提出一种基于CEEMDAN-SE-TCN的预测算法。该算法首先将原始服务器集群数据经过自适应加噪集合经验模态分解(CEEMDAN),有效降低负载序列复杂度。然后,在得到分解后的相关IMF分量后,利用相关系数法将各IMF分量与原始序列进行比较,去除相关性较弱的分量。最后,提取各分量相应的特征值输入并加入注意力机制的时间卷积网络(SE-TCN)进行建模预测。通过Google集群数据集中的CPU负载率序列实测证明,在同等条件下CEEMDAN-SE-TCN模型整体优于其他基准模型,MAPE指标相较于其他模型分别降低7.1%、6.5%、2.5%,证明了该算法的有效性和可行性。

基于非平衡问题的高斯混合模型卷积神经网络

为了提升分类模型对非平衡数据的分类性能,提出一种EMWRS(expectation-maximization weighted resampling)抽样算法和WCELoss(weighted cross entropy loss function)损失函数,在数据预处理阶段采用高斯混合模型得知数据分布特点,根据其聚类结果分析每个聚类簇中样本权重,以及样本分布和对应权重对数据进行采样,降低数据集不平衡程度;再依据样本比例权重对少数类和多数类赋予不同的代价损失,构建卷积神经网络模型,提高非平衡数据集的分类准确性。构建的卷积神经网络以F1和G-mean为评价指标,在UCI(university of California irvine)公共数据集adult上与SMOTE(synthetic minority over-sampling technique)和ADASYN(adaptive synthetic sampling)等多种经典算法进行比较,结果显示在这两种评价指标中所提模型均为第一,这表明改进后的卷积神经网络模型能够很好地提高少数类分类正确率。

基于改进CNN-LSTM的飞控系统剩余寿命预测

数据驱动的剩余寿命(remaining useful life,RUL)预测是复杂系统健康管理的重点研究内容,然而数据集的缺乏制约了不同系统上RUL预测的研究。针对这一问题,以飞控系统为例,提出一种仿真模型和数据混合驱动的RUL预测方法。该方法通过模型仿真提供充足的故障数据,并结合改进CNN-LSTM网络实现高质量的故障信息提取。首先对系统及其故障模式建立仿真模型,利用蒙特卡罗方法生成随机故障时间序列并依次注入故障,根据仿真响应和失效阈值确定序列的寿命标签,即可生成包含多组随机序列的系统失效数据集;其次利用长短时记忆网络(long short-term memory,LSTM)提取系统状态参数时间序列的故障信息,结合一维卷积神经网络(1D-CNN)提取不同状态参数之间的关联特征,从而形成时序-空间相结合的剩余寿命预测网络。充分的实验结果证明了所提方法对不同系统均能帮助达到动态和准确的剩余寿命预测。