面向不平衡短文本情感多分类的三阶语义图数据增广方法

文本增广技术可以有效提升不平衡情感分类任务的性能.若文本增广过程中生成的少数类短文本数据未能体现完整的情感语义特征,则可能会导致不同类别之间的情感重叠问题出现.为了充分学习和理解少数类别的情感特征,本文提出一种面向不平衡文本情感多分类的三阶语义图数据增广方法,首先采用三阶语义图在多个词之间建立复杂的关系语义模型,用于表示多种可能的短文本局部情感语义和词节点依赖关系,然后提出了基于三阶语义图数据增广方法以平衡多分类文本的情感类别分布,从而有效实现不平衡短文本的情感分类.与传统的文本增广方法相比,在印尼语不平衡数据集上,本文提出的方法在少数类评价指标F1-measure和F2-measure上分别提升了5.75%和9.65%,在平衡情感识别能力指标G-means值上提升了2.91%;在马来语不平衡数据集上,本文提出的方法在少数类评价指标F1-measure和F3-measure上也分别提升了2.45%和4.81%,在平衡情感识别能力指标G-means值上提升了1.24%.此外,与传统的机器学习方法、深度网络模型等情感分类模型以及传统的短文本增广过采样模型相比,本文提出的方法在公开的印尼语、马来语、英语以及中文四个不平衡短文本数据集上都获得了最高的准确率Accuracy值.以上实验结果表明,融合不同模体的三阶语义图结构信息不仅可以有效表达文本中的局部情感语义以及词节点之间的依赖关系,还可以有效降低短文本数据增广过采样过程中引入新噪声的风险,并提升不平衡短文本的多分类性能.

联合多曝光融合和图像去模糊的深度网络

多曝光图像融合可提高图像的动态范围,从而获取高质量的图像。对于在像自动驾驶等快速运动场景中获得的模糊的长曝光图像,利用通用的图像融合方法将其直接与低曝光图像融合得到的图像质量并不高。目前暂缺乏对带有运动模糊的长曝光和短曝光图像的端到端融合方法。基于此,该文提出一种联合多曝光融合和图像去模糊的深度网络(DF-Net)端到端地解决带有运动模糊的长短曝光图像融合问题。该方法提出一种结合小波变换的残差模块用于构建编码器和解码器,其中设计单个编码器对短曝光图像进行特征提取,构建基于编码器和解码器的多级结构对带有模糊的长曝光图像进行特征提取,设计残差均值激励融合模块进行长短曝光特征的融合,最后通过解码器重建图像。由于缺少基准数据集,创建了基于数据集SICE的带有运动模糊的多曝光融合数据集,用于模型的训练与测试。最后,从定性和定量的角度将所设计的模型和方法和其他先进的图像去模糊和多曝光融合的分步优化方法进行了实验对比,验证了该文的模型和方法对带有运动模糊的多曝光图像融合的优越性。并在移动车辆上采集到的多曝光数据组上进行验证,结果显示了所提方法解决实际问题的有效性。

基于改进水波算法的复杂多人共站装配线平衡研究

针对实际装配环境中存在多人协同装配和共站的情况,研究了考虑工序复杂程度与工人能力差异的多人协作共站装配线平衡问题。首先,考虑到装配工序的复杂程度需指派不同规模和类型的工人组,建立了以最小化工作站数量和工人数量为目标函数的多目标优化数学模型;在此基础上,提出一种改进的离散水波优化算法,对算子进行了离散化改造,并设计了基于拓扑排序的编码方案和启发式的解码方案,同时引入扰动个体和路径重连的搜索策略来增加解的多样性,进而提高解的质量;最后,通过求解两类测试用例,以线效率和平滑指数作为性能指标,验证了改进离散水波算法在求解复杂多人共站装配线平衡问题上的可行性与有效性,并将算法应用到动车装配线平衡优化中。

面向电网行业的多模态心理评测算法

为完成电网高危行业从业人员进行作业前的智能心理评测任务,提出面向电网行业员工的包含表情、声音、走姿的多模态心理评测算法。首先,构建电网行业员工数据集,从视频中抽取面部RGB图片序列、音频ComparE特征集及人体骨架关键点序列;其次,利用残差网络与双向长短时记忆网络提取面部视觉特征,在时间窗口提取音频特征,在时空图卷积网络提取步态特征,分别得到最优的单模态模型;最后,提出极性损失函数的深度学习训练方法及基于注意力机制的多模态融合算法,通过融合单模态模型输出特征获得最优多模态心理状态评测模型。实验表明,多模态融合相较于单模态系统能显著提升心理评测准度,对心理标签四分类任务的准确率达到65.66%,相较于基于面部表情、语音、步态3种单一模态的模型效果分别提升18.04%、21.22%和13.28%。

基于关键词注意力的细粒度面试评价方法

海量的在线面试视频数据为智能面试评价提供了重要的数据基础.随着目前全球疫情的蔓延,网络在线面试的需求程度上升,对智能面试评价工具的需求也随之上升.结构化面试中,面试官需要依据评价标准,观察面试者所做的回答,并形成面试者人格特性、沟通技能以及领导力等方面的画像评估,以此判断面试者的特质是否与应聘职位相匹配.其中人格特性评估是公司间广泛使用的一种评估方法,因为人格特性影响着人们的语言表达、人际交往等多个方面,是辅助面试官决策该面试者是否符合其应聘岗位需求的重要参考.基于此,提出了基于循环神经网络长短期记忆(long short term memory,LSTM)以及关键词-问题注意力机制的多层次(hierarchical keyword-question attention LSTM,HKQA-LSTM)细粒度面试评价方法,旨在针对面试者的不同人格特性维度进行打分,并据此得到综合面试得分.首先,通过引入关键词注意力机制有效筛选出面试对话中与人格特性密切相关的重要词句;然后,在此基础上采用了关键词-问题层次注意力机制和2阶段的模型学习机制,充分结合面试者表述文本的多尺度上下文特征,对人格特性进行准确预测;最后通过融合人格特性得到具有较高解释性的面试综合评价结果.基于真实面试场景数据的实验结果表明,该方法能有效地评价面试者的不同人格特性得分,并准确地预测面试者总体得分.

珠江三角洲水资源配置工程智慧化管理体系研究

珠江三角洲水资源配置工程以优化配置珠江三角洲地区东、西部水资源为目标,打造新时代生态智慧水利工程。针对大型水利工程项目管理目标的复杂多样性,本项目综合运用云计算、大数据、物联网、人工智能、BIM及移动互联等技术手段,设计并构建了复杂多源数据的信息采集、融合挖掘、智能决策及可视化展示体系,有效提供智能施工决策辅助,可为同类型大型水利工程的信息化系统建设提供借鉴。

自适应约束评估的代理模型辅助演化算法

很多现实优化问题不仅有昂贵目标也有昂贵约束,而现有求解昂贵优化问题的代理模型辅助演化算法(SAEAs)通常对候选解的所有约束进行评估,在评估次数有限的情况下,频繁评估可行域较大的约束不利于种群演化。针对这一问题,研究了求解昂贵约束优化问题的代理模型辅助算法,提出了一种自适应约束评估策略,根据种群演化情况评估可行域信息较少的约束,以节省在可行域较大的约束上的评估次数,在少量昂贵评估次数下自适应进行约束的选择及评估,更好地演化种群;为验证该策略的有效性和通用性,从两个思路设计了两种自适应约束评估的高斯过程回归模型辅助差分进化算法。这两种方法在15个约束优化测试函数中的11个取得显著优异效果;在利用时间延迟模拟昂贵评估次数的情况下,效率提升均在94%以上,其中91.67%的测试例子效率提升在98%以上。另外,这两种方法在4个工业应用问题中均取得优胜效果,表明其在昂贵工业约束优化问题中良好的应用前景。

基于深度强化学习的多人协同混流装配线平衡优化研究

针对大型设备混流装配过程中的多人协同、多工种等特点,提出基于双深度Q网络(double deep Q network, DDQN)的多人协同混流装配线平衡优化算法.首先以工作站和工人数量、工人与工作站间的负载为优化目标,建立多人协同混流装配线平衡问题的多目标优化数学模型.其次,根据装配过程中生产对象的特征设计状态空间,并根据启发式规则设计动作空间,结合优化目标设计奖励函数,从而将数学模型转化为马尔科夫决策模型.在此基础上,对传统DDQN算法进行改进,采用自适应探索概率完成动作决策,并设计基于工人利用率的解码方法.最后,通过混流装配线标准测试实例以及多人协同混流装配线测试实例,将DDQN算法与改进离散水波优化算法和模拟退火算法进行对比,验证算法的寻优精度以及模型的有效性.同时,在车身混流装配实际案例中采用DDQN算法进行平衡优化,验证算法的有效性和实用性.