基于变化更新的中东欧国家森林覆盖制图

[目的]分析中东欧国家森林资源覆盖状况,了解中东欧各国林业的现实情形和独特优势,为中国与中东欧国家加强林业合作提供基础数据。[方法]基于Google Earth Engine(GEE)平台获取中东欧国家2020年生长季无云影像,利用随机森林算法对影像进行分类,应用连续变化检测和分类算法得到森林变化信息并更新初步分类结果,最终获得中东欧国家土地覆盖分类结果。利用欧盟统计局土地利用/覆盖区域框架调查(LUCAS)数据、目视解译数据以及联合国粮农组织统计数据(FAOSTAT)对本研究分类结果进行验证和评估,结合谷歌高分辨率影像对制图结果进行分析。[结果]本研究分类结果利用LUCAS数据和目视解译数据的森林类型用户精度分别为0.930和0.911,生产者精度分别为0.860和0.956,总体精度分别为0.810和0.881,整体上优于GlobeLand30 2020产品(森林类型用户精度分别为0.920和0.900,生产者精度分别为0.690和0.840,总体精度分别为0.700和0.832)。根据研究结果计算出中东欧国家总体森林覆盖率为39.6%,相比GlobeLand30 2020结果(34.4%),与FAOSTAT的森林覆盖率(40.0%)更接近。目视上看,本制图结果在细节刻画上比GlobeLand30 2020产品更丰富,更能准确反映森林分布特征。截至2020年,中东欧国家森林覆盖呈北部、东南地区和西南地区丰富密集,中部分布广泛且相对较少的特点,爱沙尼亚、拉脱维亚、斯洛文尼亚、黑山等国家森林分布茂密,波兰、匈牙利等国家森林分布较为稀少。[结论]针对中东欧国家森林覆盖应用需求,本研究提出基于产品变化更新的森林覆盖制图方法,生产了中东欧国家2020年森林覆盖产品。本研究方法可为大区域森林覆盖制图提供新的借鉴和参考,结果有助于宏观了解中东欧国家森林覆盖状况。

虚拟环境中面向灭火指挥的火场信息可视分析

针对森林火灾现场指挥的需求,综合分析地理环境、气象条件、森林资源和林火行为等灭火指挥所需信息,设计实现了在虚拟林火环境中的数据可视化可视分析方法。使用王正非-3D混合元胞自动机模型模拟林火蔓延过程;采取差时方法预测林火蔓延行为;实时捕捉不同兴趣域内环境数据的变化,结合多视图面板及图层叠加的方法,构建火场信息可视分析模块。通过调整虚拟林场的环境参数,对不同场景下的林火蔓延过程进行模拟仿真,并对火场信息进行可视化可视分析。实验结果表明:该方法能够在一定条件下较准确地预测林火蔓延行为,还可以较全面地描述火场信息。

命名实体识别方法研究综述

在自然语言处理领域,命名实体识别是信息抽取的第一个关键环节。命名实体识别任务旨在从大量非结构化的文本中识别出命名实体并将其分类为预定义的类型,为关系抽取、文本摘要和机器翻译等自然语言处理任务提供基础支持。首先概述了命名实体识别的定义、研究难点和中文命名实体识别任务的特殊性,总结了命名实体识别任务中常用的中英文公共数据集和评估标准。然后根据命名实体识别的发展历程调研了现有的命名实体识别方法,主要为早期基于规则和词典的命名实体识别方法、基于统计机器学习的命名实体识别方法和基于深度学习的命名实体识别方法。归纳总结了每一种命名实体识别方法的关键思路、优缺点和具有代表性的模型,同时对各阶段的中文命名实体识别方法进行了总结。特别对最新的基于Transformer和基于提示学习的命名实体识别方法进行了综述,这两种细分类的方法是基于深度学习的命名实体识别方法中最先进的方法。最后总结了命名实体识别研究面临的挑战,并展望了未来的研究方向。

基于机器学习的水体化学需氧量高光谱反演模型对比研究

化学需氧量(COD)是水体有机污染的一项重要指标,如何快速准确检测水体的COD含量尤为重要。机器学习在水质反演领域应用日益增多,并取得了较多的研究成果,高光谱遥感具有光谱空间分辨率高、成像通道多等优势,使其在水体COD反演方面有着极大的潜力。利用不同的高光谱预处理方法对原始高光谱数据进行处理,并利用处理前后的高光谱数据对比研究了不同机器学习模型、不同高光谱预处理方法对水体COD的反演性能。首先利用ZK-UVIR-I型原位光谱水质在线监测仪在扬州宝带河实地收集了1548组COD和对应的高光谱数据(400~1000 nm)样本,为降低光谱噪音干扰以及消除光谱散射影响,分别使用Savitzky-Golay(SG)平滑、多元散射校正数据(MSC)以及SG平滑结合MSC对原始光谱进行预处理。其次,将样本集随机划分为训练集和测试集,其中训练集占比80%,测试集占比20%。对预处理后的训练集全波段光谱基于线性回归、随机森林(random forest)、AdaBoost、XGBoost四种机器学习方法建立COD高光谱反演模型,并选取了决定系数(R)、均方根误差(RMSE)、相对分析误差(RPD)三种指标在测试集数据中评估高光谱反演模型的精度。结果表明,随机森林、AdaBoost、XGBoost均优于线性回归,无论光谱处理与否,通过XGBoost建立的反演模型预测能力均为最佳,其中使用XGBoost对经过SG平滑和MSC处理后的光谱数据进行建模的反演模型精度最高,其R达到0.92,RMSE为7.1 mg·L,RPD为3.4。考虑到原始光谱可能存在冗余,通过主成分分析法(PCA)对经过SG平滑和MSC处理后的光谱进行降维,并选取累计贡献率达到95%的前十个主成分作为模型的输入变量。通过XGBoost建立反演模型,结果表明经过PCA后的反演模型不仅精度有所上升,RPD达到3.8,而且模型的训练时间也由72 s缩短到2.9 s。以上研究可为该水域及类似水域的高光谱水质反演模型的建立提供新的方法及思路。

钻蛀性害虫取食声音的人工智能早期识别

【目的】以双条杉天牛为研究对象,设计基于卷积神经网络的识别模型识别其取食声,并对模型的抗噪性能进行测试,以期实现蛀干害虫的早期预警。【方法】使用SP-1 L探头连接NI 9215电压采集卡采集双条杉天牛咬食木段的声音和典型户外环境下的噪声并以音频格式保存。研究选取部分噪声作为加噪音频,以-3 dB至3 dB的信噪比向双条杉天牛取食声中混入环境噪声,生成训练数据和简单测试集,然后经过短时傅里叶变换、对数计算、平均池化3步操作计算音频的平均对数谱,分别设计并训练基于卷积神经网络的识别模型和传统高斯混合模型,提取音频特征判断音频是否为双条杉天牛取食声。为进一步测试模型的抗噪性能,利用独立划分的加噪音频以-7~3 dB的信噪比向双条杉天牛取食声中混入噪声生成抗噪测试集,对卷积神经网络和传统高斯混合模型的抗噪性能进行测试。【结果】在简单测试集上,基于卷积神经网络的识别模型的识别准确率为98.80%,较高斯混合模型有0.88%的下降。在抗噪测试集上,基于卷积神经网络的识别模型识别双条杉天牛取食声的整体准确率为97.37%,较高斯混合模型提高6.76%,其中,信噪比为-3 dB时,识别准确率为98.13%,较高斯混合模型提高9.80%,信噪比为-6 dB时,识别准确率为92.13%,较高斯混合模型提高5.67%。【结论】卷积神经网络能有效综合频谱特征,准确判断音频中有无双条杉天牛的取食声,同时,相比高斯混合模型,卷积神经网络具有良好的泛化能力,在低信噪比下仍能保证较高的识别准确率。基于卷积神经网络的取食声识别模型能够适应林木蛀干害虫的野外监测环境,可为隐蔽蛀干害虫的自动化监测和早期预警提供技术支撑。

一种针对物联网智能系统的规则冲突检测方法

物联网系统架构的核心是逻辑控制器,逻辑控制器中使用规则控制业务逻辑,减少物联网系统的开发、维护成本,提高物联网设备的灵活性.但随着物联网系统的规模扩大,规则间的关系变得复杂,从而可能产生规则冲突.为避免规则发生冲突,一些研究者提出了规则冲突检测方法.但是,以往的规则冲突检测方法还存在规则冲突类型分析不全面、检测结果准确性较低的问题.为此提出一种针对物联网系统控制逻辑的形式化规则冲突检测方法(formal rule conflict detection,FRCD).该方法首先形式化定义规则及规则冲突,其中将规则定义为控制主体、动作、触发条件、符号的组合;然后根据规则对系统的影响以及规则的结构特征,总结出7类规则冲突类型;最后设计规则冲突检测的算法,并介绍规则冲突检测的详细过程.在2个物联网系统上开展实验,与已有的3种典型的物联网规则冲突检测方法进行对比.这3种方法分别是基于用户、触发器、环境实体和作动器的冲突检测方法(user,triggers,environment entities,and actuators,UTEA)、基于Web语义的策略冲突检测方法(semantic Web-based policy interaction detection with rules,SPIDER)和半形式化的冲突检测方法(identifying requirements interactions using semiformal,IRIS).实验结果显示,FRCD规则冲突检测方法效果更好.

“软件工程”课程思政教学探索

“软件工程”是大学计算机科学与技术、软件工程等专业的必修课程,其开展课程思政面临一些难题,主要原因有两个,一是“软件工程”课程教学内容多,留给课程思政的时间较少,二是挖掘“软件工程”课程的思政内容较难。为此,文章结合“软件工程”课程的思政教学实践,将“软件工程”课程的理论实践与课程思政进行有机结合,旨在推动“软件工程”课程思政教学探索。

基于ConvNeXt的北京地区红外相机野生动物图像识别改进模型构建

【目的】针对红外相机拍摄的野生动物图像数据量大、无效图像占比多、图像背景复杂等问题,提出一种可对图像进行自动、高准确率识别的模型,为生物多样性研究和野生动物保护工作提供更高效的支持。【方法】收集整理近4年来北京园林绿化生态系统监测网络各站点红外相机拍摄的约5 TB图像数据,对其手工标注并进行数据增强后自建10类共4234张图像数据集。基于ConvNeXt卷积神经网络,结合北京地区野生动物图像数据集特点,设计BSGG-ConvNeXt模型,使用BlurPool、SENet、全局响应归一化层(GRN)、GCNet提升模型识别能力,并在自建数据集上探究训练策略对ConvNeXt网络识别准确率的影响,通过与其他经典模型比较,明确BSGG-ConvNeXt模型的优势。利用公开的红外野生动物Snapshot Serengeti(SS)数据集和Caltech Camera Traps(CCT)数据集,验证模型的泛化能力。【结果】以ConvNeXt的ConvNeXt-T网络尺寸模型为例,其在自建数据集中的准确率为74.13%,乘加累积操作数(MACs)为4.47×10^(9)。应用不同改进方案发现,使用BlurPool后准确率提升2.2%,MACs降至1.07×10^(9);使用SENet后准确率提升3.2%;使用GRN并删掉缩放层后准确率升至87.18%,参数数量增至27.88×10^(6);使用GCNet后在不增大计算量的情况下准确率升至75.44%,但参数数量增至28.25×10^(6)。将上述改进方案结合得到的BSGGConvNeXt应用于ConvNeXt-T模型获得BSGG-ConvNeXt-T模型,参数数量虽有少量增多,但MACs降为1.07×10^(9),模型准确率升至83.63%,高于原模型。使用预训练权重后的BSGG-ConvNeXt-T模型准确率可达94.07%,高于ResNet-50(76.39%)、ResNeXt-50(87.60%)、MobileViT(90.00%)、DenseNet(87.66%)、RegNet(69.90%)、ConvNeXtv2(91.93%)、SwinTransformer的(86.23%)和MobileOne(71.53%),将BSGG-ConvNeXt模型应用于4种不同网络尺寸的ConvNeXt模型后,在自建数据集中的表现均优于未改进模型。BSGG-ConvNeXt模型在SS数据集中的识别准确率达50.28%,在CCT数据集中的识别准确率达56.15%,均高于原模型的准确率。【结论】BSGG-ConvNeXt模型识别红外相机拍摄的野生动物图像准确率更高,在自建、公开的野生动物红外图像数据集上均有较好表现,且具有一定泛化能力。

基于YOLOv7的红外相机野生动物图像筛选

【目的】野外环境通常植被繁茂、树木杂乱,且受环境、天气、光照等因素影响,红外相机易误触发拍摄,从而捕获大量废片,需要耗费大量人力进行筛选。为解决此类问题,本研究以YOLOv7模型为基础,对其进行轻量化改进,以实现对废片的自动筛选。【方法】本研究构建了北京密云雾灵山自然保护区2014—2015年期间采集到的2172张野生动物图像数据集,并对图像中出现的动物进行位置标记。对YOLOv7网络使用不同方式进行改进:引入MicroBlock替换YOLOv7的主干网络,使用轻量化SPPCSPC结构降低模型参数量。采用SIoU损失、LNDown下采样、BiFPN提升模型检测动物的能力。使用YOLOv5-m、YOLOv5-l、Ghost-YOLOv5-l、YOLOv6、YOLOX-M、YOLOR-CSP模型,在含有1万张图像的Snapshot Serengeti相机陷阱图像子数据集上进行训练和验证,对比本文模型对野生动物图像的筛选效果。利用迁移学习训练自建野生动物数据集,测试冻结不同层数的训练效果。【结果】基于YOLOv7的改进模型推理时间降低了14.3%,每秒浮点运算次数FLOPS降低了33.5%,参数量减少了17.8%,误检测方面也优于YOLOv7模型。与其他模型进行对比,改进后的YOLOv7虽未在所有指标中均达到最优,但在检测时间与精度上达到了更好的平衡。在自建数据集中使用未冻结权重方式微调效果最优,平均精度比未使用迁移学习模型提高了12.6%。【结论】本研究为密云地区野生动物监测网络提供了更快速、准确的筛选方案。

基于FPGA加速CNN的低成本芒果外观品质检测装置

针对卷积神经网络(CNN)算法对硬件性能要求高,难以在成本低、性能受限的边缘设备上部署实现的问题,该研究综合考虑芒果外观品质检测的准确性,速度,功耗,成本等因素,设计开发了基于现场可编程门阵列(FPGA)加速CNN的品质分级检测装置。首先,设计了一种基于MobileNetV2的结构简单且高效的轻量级网络(Compact MobileNet,CMNet),通过压缩网络结构降低模型参数量和计算量,保证其在准确率可接受前提下,适合在边缘设备部署。其次,为了加快CMNet在成本和性能受限边缘设备上的执行速度,通过BN层融合和模型量化方法进一步减少模型的存储需求和计算量,同时设计实现了基于FPGA加速CMNet网络的硬件电路,并使用高层次综合(high-level synthesis,HLS)优化方法对加速电路进行并行优化。最后,基于FPGA开发板Zynq Z7-Lite 7 020,设计开发了芒果外观品质分级检测装置,装置集成OV5640摄像头,CMNet网络加速电路和HDMI显示器。在实验室环境下,将芒果外观品质依据中国芒果农业行业标准(NY/T 492-2002)分为3个等级,利用Dosehri芒果数据集对检测装置进行效果验证。结果显示本研究的芒果外观品质检测装置准确率达到了96%,检测速度为每帧0.072 s,功耗为2.6 W。表明该研究实现了一种低成本、低功耗、准确率高和速度快的芒果外观品质分级检测装置,能够进行芒果品质的实时动态分级检测。

基于BS-ResNeXt-50的密云地区野生动物图像识别

【目的】以卷积神经网络为基础,对现有的网络结构进行改进,实现对红外相机拍摄的野生动物图像进行种类自动识别。【方法】构建从北京市密云区的北京市级雾灵山自然保护区2014—2015年期间采集到的8类2172张野生动物图像数据集,并使用随机增强策略从14个增强方案中随机选择增强方式,为图像数据添加噪声。使用SENet及BlurPool构建了基于ResNeXt-50的改进网络:增强特征提取的SE-ResNeXt-50、维持平移不变性的BP-ResNeXt-50、结合二者的BS-ResNeXt-50,并在自建数据集上测试了不同固定学习率、分段学习率及余弦退火学习率对BS-ResNeXt-50网络准确率的影响。使用VGG16、ResNeXt-50、EfficientNet-B0、InceptionV3、DenseNet-121、BS-ResNeXt-50网络在CCT公开野生动物数据集中常见的16个类别图像上进行训练,并对单一物种的识别准确率进行比较。【结果】SE-ResNeXt-50和BP-ResNeXt-50准确率分别达到了75.16%±0.14%和73.74%±0.13%。融合SENet以及BlurPool的改进方案BSResNeXt-50在自建数据集上测试的准确率达到78.04%±0.11%,为最优改进方案。使用余弦退火学习率后,BS-ResNeXt-50的准确率提升至81.54%,比固定学习率提升了3.5%;分段学习率准确率达到79.3%,与余弦退火学习率相差2.24%。在CCT数据集中BS-ResNeXt-50的识别准确率可达95.07%,比ResNeXt-50准确率高出1.95%,同时也高于VGG16的85.5%、EfficientNet-B0的90.23%、InceptionV3的91.38%以及DenseNet-121的93.3%准确率,并在各单一类别的预测准确率也均高于上述模型。单一类别的识别中除数量最少的类别外,BS-ResNeXt-50在其他类别识别准确率均高于90%,最高类别准确率达到98.6%。【结论】改进后的BS-ResNeXt-50模型相比ResNeXt-50可以更准确地完成对野生动物图像的识别任务,在不同的野生动物图像数据集上也具有较好的泛化能力。

长白山红松阔叶林的净碳交换变化及基于时间卷积神经网络的模拟

【目的】分析长白山红松阔叶林净生态系统碳交换量(NEE)的季节性差异及其气象因子响应,在月尺度下揭示气象因子对NEE的动态影响,为调节研究地区的碳收支提供理论指导。同时研究时间卷积神经网络在森林生态系统净碳交换模拟中的应用,探索NEE模拟的新方法。【方法】基于长白山温带红松阔叶林通量观测站2007—2010年间的30 min观测数据,分析NEE和输入模型的5种气象因子的季节性差异,并分析5种气象因子与NEE的相关性。使用随机森林模型,计算影响NEE的各因子重要性得分,选择得分较高的5种气象因子:潜热通量、显热通量、冠层上方空气湿度、冠层上方水汽压和净辐射作为NEE模拟的输入;分别构建基于时间卷积神经网络(TCN)、长短期记忆网络(LSTM)、人工神经网络(ANN)、支持向量回归(SVR)和极限学习机(ELM)的5种NEE模型,采用决定系数(R^(2))、平均绝对误差(MAE)和均方根误差(RMSE)评价模型的预测精度和稳定性。【结果】长白山温带红松阔叶林通量观测站NEE全年总量为-74.7773 gCO_(2)·m^(-2)a-1,总体表现为碳汇,但夏季表现为碳汇,冬季表现为碳源;NEE与潜热通量、冠层上方水汽压、净辐射和冠层上方空气湿度均极显著负相关(P<0.0001),和显热通量相关性不显著;TCN模型的RMSE为0.1105 mgCO_(2)·m^(-2)s^(-1),R^(2)为0.8214,RMSE分别比ELM、SVR、ANN和LSTM减少0.0248、0.0224、0.0222和0.0068 mgCO_(2)·m^(-2)s^(-1),R^(2)分别比ELM、SVR、ANN和LSTM增加0.0806、0.0777、0.0686、0.0223;根据5种模型的10次试验结果,计算得到TCN模型RMSE的标准差为0.0004 mgCO_(2)·m^(-2)s^(-1),相比ELM、ANN和LSTM分别减小0.0014、0.0013和0.0002 mgCO_(2)·m^(-2)s^(-1)。【结论】长白山温带红松阔叶林通量观测站的NEE总体表现为碳汇,但存在明显的季节差异;NEE与潜热通量、冠层上方水汽压、冠层上方空气湿度、净辐射极显著负相关(P<0.0001),与显热通量相关性不显著。对于长白山温带红松阔叶林通量观测站的长期NEE预测结果表明,基于TCN的模型不仅预测精度良好,并且具有较强的稳定性,能为时间卷积神经网络在生态模拟领域的应用提供可行性依据。本研究结果可为调节长白山红松阔叶林的碳收支提供理论指导。

面向钻蛀振动实时侦听的深度学习模型压缩

【目的】基于深度学习的钻蛀振动识别模型结合边缘计算可实现林业蛀干害虫钻蛀振动长期监测和实时预警,但要求大幅压缩智能识别模型的参数量和运算量。本研究采用深度学习模型压缩算法,在不损失精度的前提下,对已有的钻蛀振动识别模型进行压缩,减小模型的体积并提升模型在嵌入式平台的识别速度。【方法】首先采集双条杉天牛钻蛀振动和背景噪声两类信号训练人工设计的5层卷积神经网络BoringNet,得到钻蛀振动识别模型;然后分别使用不同裁剪率的滤波器裁剪、模型量化、多目标知识蒸馏对钻蛀振动识别模型进行压缩;最后设计上述压缩算法的组合策略,联合使用3种算法对蛀振动识别模型进行压缩,探究多种组合的模型压缩效果。【结果】3种模型压缩算法组合,裁剪率为60%时模型达到最优,此时模型计算量和参数量分别从原模型的18.06×10^(6)次和0.54×10^(6)个降低为3.01×10^(6)次和0.09×10^(6)个,模型体积从2200 kB压缩至134.9 kB,树莓派3B+上的识别时间由原模型的9.04 ms降低至1.65 ms,而模型精度仍能达到99.29%,提升了0.5%。【结论】本研究的深度学习模型压缩方法,可以针对钻蛀振动侦听场景大幅压缩模型参数量和运算量,在保证准确率的前提下实现嵌入式平台的实时识别,促进钻蛀振动识别模型从工作站试验到野外实地部署的转变,为钻蛀振动识别的边缘计算奠定基础。

与环境交互的根系动态生长可视化算法

为结合环境因素进行植物根系三维建模,分析根系生长机理,提出了一种模拟根系与环境交互的动态生长可视化算法。该算法以根尖与环境的交互为主导,首先计算每个根尖吸收到的养分含量,再根据内部资源分配机制并采用环境影响的缩放函数调节根尖的伸长率与侧根密度,同时结合所受到的向性与障碍物的阻挡因素,实时调整生长方向。提供了根茎形状与根系整体形态的控制方法,包括编辑根茎形状的模板曲线、设定资源分配权重和向性权重等。对不同类型的根系,以及不同土壤环境下(包括各种养分分布、障碍物与盆壁影响)的根系进行了模拟实验。实验结果表明,所提出的算法具有为多类植物根系建模的泛化能力,并且能够合理地表现与环境的交互过程。

森林生态站大数据快速存储与索引方法

针对森林生态站中大量图像、视频、GIS数据等非结构化数据以及生态指标等结构化数据存储效率低、检索性能差的问题,提出了基于Hadoop和HBase的森林生态站大数据存储框架。基于所提出的框架,给出了森林生态数据存储业务流程,并对森林生态大数据平台涉及的核心技术进行了优化:①设计预分区算法保证数据在集群中均匀分布。②根据生态数据特点科学设计了RowKey,实现生态数据的快速检索。③针对原生HBase不支持多条件查询问题,设计基于索引数据和服务器性能评估的ElasticSearch索引分片放置策略,以此基于ElasticSearch的二级非主键索引技术优化多条件检索HBase生态数据库。④针对生态站海量小图像存储困难问题,提出基于数据站点及时间关联性的打包合并策略。⑤解析GIS数据使之进行高效存储。通过实验对以上理论进行验证。结果表明,ElasticSearch索引分片放置策略比默认分片策略的查询时间平均减少20 ms,比基于改变ElasticSearch评分策略的查询时间平均减少20 ms。结构化数据规模为1×108条时,系统的检索时间为1.045 s,比原生HBase检索速度提升3.99倍,在非结构化数据为1×107条时,采用数据站点及时间关联性的打包小图像策略是基于SequenceFile合并效率的1.15倍,是原生HBase的1.79倍;在1×104次并发用户的情况下,优化后的每秒查询数是原来的1.88倍,每秒吞吐量是优化前的1.74倍,系统响应时间比优化前降低69.5%。结果表明,本文所提出的方案在集群负载均衡、海量结构化和非结构化数据检索效率以及系统吞吐量等方面都有了明显的性能提升,为森林生态数据的存储和管理提供了必要的理论基础和技术实现。

面向医疗问答系统的大语言模型命名实体识别方法

在医疗问答系统中,实体识别发挥了重大作用。随着深度学习的发展,基于深度学习的实体识别得到了越来越多的关注。但是,在医疗问答系统中,由于缺少带标注的训练数据,深度学习方法不能够很好地识别医疗文本中的非连续实体和嵌套实体。为此,提出了一种基于大语言模型的实体识别应用方法,并且将其应用到医疗问题系统中。首先将医疗问答相关的数据集进行处理,变成大语言模型能够分析和处理的文本;其次针对大语言模型的输出进行分类,并对不同的分类采取相应的处理;然后将输入的文本进行意图识别,最终将实体识别和意图识别的结果发送到医疗知识图谱中进行查询,得到医疗问答的答案。在3个典型的数据集上进行了实验,并与几种典型的相关方法进行了对比。结果显示所提出的方法表现效果更好。

利用改进遗传算法的软件故障定位辅助测试用例生成方法

在软件故障自动化定位过程中,如果在给定的测试用例集合情况下故障在故障疑似度列表种排名不高,比较有效的方法为补充新的测试用例。如何在较小的代价下提升故障的可疑度排名是一项具有挑战的工作。提出一种基于改进遗传算法(IGA)的测试用例生成方法,利用软件故障定位的疑似故障排名,来辅助生成软件故障定位过程中的测试用例。依次对所提方法进行阐述和分析,在6个C程序和2个Python程序上开展实验,实验结果表明:所提方法自动生成的测试用例能够有效地帮助提高故障定位的效率。

多层特征融合及兴趣区域的花卉图像分类

为了提高模型识别效率,本文提出基于兴趣区域的多层特征融合的花卉图像分类方法,并有效应用于梅花细粒度图像分类。通过提取兴趣区域和多层特征融合强化图像特征,使用全局平均池化层替代Flatten层。采用联合均匀分布的交叉熵损失函数,提升了分类准确率。实验结果表明:此方法在标准数据集Oxford Flowers 102的分类准确率为93.57%,在梅花数据集Plum Flowers 17的分类准确率为85.47%。此方法通过融合多层图像特征,能够消除背景噪声的干扰,具有通用性。

一种针对嵌入式系统的安全性分析方法

嵌入式系统广泛应用于安全关键的工业领域,但目前嵌入式系统的安全性缺乏整体性的分析。为此,提出了一种较为全面且融合了失效概率及失效路径的嵌入式系统的故障演化链分析方法。对系统采用层次分析法,借鉴失效模式和影响分析的方法,构建出故障的演化关系链条,即故障演化链。利用故障演化链可以对系统中可能包含的故障、故障产生的原因、故障带来的危害等级及故障的传播路径进行分析。在2个嵌入式软件系统上进行实验,结果显示:基于故障演化链方法比故障影响分析、功能危害性分析和故障树分析更全面,故障演化链的方法能较好地对嵌入式系统进行安全性分析。

WILS:面向学业预警的非均衡增量式学习方法

学业预警是构建完善教育管理体系的基础,有助于及早发现、干预学生学习和生活中的异常状况。然而实际研究仍面临诸多挑战,如:1)学生学业表现的相关影响因素往往不断变化,导致数据分布的变化;2)学业预警数据集一般存在类别不均衡的问题。针对上述挑战,提出一种面向学业预警的非均衡增量式学习方法(WILS)。WILS由增量学习机制和加权损失函数两部分构成,增量学习机制能够适应数据分布和样本特征的动态变化,加权损失函数通过为少数类赋予更高的权重提升对该类别的关注度。为评估WILS的效果,在包含2 275名本科生的真实数据集和包含1 000名学生的公开数据集上进行了实验验证。结果表明,相较于已有方法,WILS能够较好地适应数据和特征的连续动态变化,取得优异的识别效果。