主动学习与自学习的中文命名实体识别

命名实体识别是信息抽取中的一项基础性任务,如何利用丰富的未标注语料来提高实体识别的指标是该领域一个重要的研究方向。基于条件随机场提出一种将主动学习与自学习相结合的方法——SACRF,通过设置置信度函数和2-Gram频度阈值来选取样本,并采用人工与自动相结合的方式进行标注来扩展训练语料。实验表明,该方法在提高实体识别的精确率和召回率的同时,能够显著地降低人工标注的工作量。     

基于自训练EM算法的半监督文本分类

为了提高计算效率,提出基于自训练的改进EM算法STEM。在每步迭代的E-step中,将中间分类器最有把握对其类别进行预测的未标注样本转移至标注样本集,并应用到M-step中进行下一个中间分类器的训练,从而引入了利用中间结果的自训练机制。文本分类实验表明STEM算法在大部分情况下的分类准确性都高于EM,并通过减少迭代提高了分类器学习的计算效率。     

基于句子级BLEU指标挑选数据的半监督神经机器翻译

在单语语料的使用上,统计机器翻译可通过利用语言模型提高性能,而神经机器翻译很难通过这种方法有效利用单语语料.针对此问题,文中提出基于句子级双语评估替补(BLEU)指标挑选数据的半监督神经网络翻译模型.分别利用统计机器翻译和神经机器翻译模型对无标注数据生成候选翻译,然后通过句子级BLEU指标挑选单语候选翻译,加入到有标注的数据集中进行半监督联合训练.实验表明,文中方法能高效利用无标注的单语语料,在NIST汉英翻译任务上,相比仅使用精标的有标注数据单系统,文中方法BLEU值有所提升.     

基于支持向量机算法的虚拟脱靶量预测

为了提高防空高炮武器系统的射击精度问题,采用支持向量机(SVM)算法,建立了基于支持向量机的虚拟脱靶量预测模型,提出了预测方法,该算法可以通过对给定样本的学习,获得很好的预测未出现的样本,理论上比较科学,算法简单、易于实现,通过仿真实验验证了该算法对虚拟脱靶量预测的可用性和准确性,为火控系统精度的校正提供了一种有效的方法。     

基于偏最小二乘回归的军用飞机采购价格预测

考虑到军用飞机采购价格样本数据少、难于预测的特点和偏最小二乘回归方法在处理小样本多元数据方面的优势,提出一种基于偏最小二乘回归的军用飞机价格预测方法.偏最小二乘回归首先提取第一、第二主成分对采购价格样本的特异点进行剔除;然后进行变量投影重要度分析来筛选变量;最后,偏最小二乘回归对筛选的变量进行回归建立军用飞机价格预测模型,并对军用飞机价格进行预测.结果表明,在军用飞机价格预测方面,与未筛选变量的回归模型和逐步多元回归相比,经过变量筛选的偏最小二乘回归模型预测的精度更高,更能体现采购价格与飞机性能参数之间的关系.     

结合非负张量表示与扩展隐Dirichlet分配模型的图像标注

由于"语义鸿沟"的存在,自动图像标注是一项极具挑战性的工作。考虑到图像低层视觉特征与高层语义概念的差异,分别从图像表示与语义建模两个方面来实现自动图像标注。在图像表示方面,提出了一种正则化约束下的非负张量表示方法,用以提取符合人眼视觉直观理解的图像高阶结构特征。在语义建模方面,提出了一种三层贝叶斯模型——扩展隐Dirichlet分配。该模型利用隐变量来实现图像与标注词的关联,并通过一种基于变分推理的期望最大值方法来估计参数。实验结果表明,ELDA模型在大规模数据库NUS-WIDE上的标注结果相较于现有方法有了显著的提高。     

基于非负张量表示的扩展LDA标注模型

由于“语义鸿沟”的存在,自动图像标注是一项极具挑战性的工作。考虑到图像低层视觉特征与高层语义概念的差异,分别从图像表示与语义建模两个方面来实现自动图像标注。在图像表示方面,提出了一种正则化约束下的非负张量表示方法,用以提取符合人眼视觉直观理解的图像高阶结构特征。在语义建模方面,提出了一种三层贝叶斯模型——扩展隐Dirichlet分配。该模型利用隐变量来实现图像与标注词的关联,并通过一种基于变分推理的期望最大值方法来估计其参数。实验结果表明,ELDA模型在大规模数据库NUS-WIDE上的标注结果相较于现有方法有了显著的提高。     

支持向量机在弹药训练消耗量预测中的应用

针对部队平时弹药训练消耗量预测过程中,样本采集数目较少的实际情况,采用了一种新的预测方法———支持向量机。该方法基于统计学习理论的原理,较好地解决了小样本的学习问题。并以某部队1997—2002年弹药训练消耗量为学习样本,建立了弹药年消耗量的预测模型。计算结果表明,这种方法比传统的方法有更少的误差和更好的预测精度。     

基于标注事件图的空间数据库主动规则终止性分析

主动规则的终止性分析强化了规则的设计高效性。给出主动规则元模型的概念作为主动规则终止性分析和比较的基础;对精化触发图进行扩展,提出标注事件图分析模型。结合实例给出终止性分析算法。与各种方法的对比说明标注事件图是可应用于终止性分析的通用抽象模型。     

基于GreyNN模型的无人机需求预测研究

针对无人机（unmanned aerial vehicle,UAV）需求预测问题,建立了灰色神经网络（grey neural network,GreyNN）模型,基于GreyNN模型对无人机需求进行预测。仿真实验结果表明,在小样本贫信息情况下,GreyNN比单一BP神经网络模型和灰色预测（grey prediction）模型预测效果更好,实验验证了方法的可行性。     

基于生成模型的人体行为识别

提出了一种基于生成模型的人体行为识别方法。选取关键点轨迹的方向-大小描述符、轨迹形状描述符、外观描述符作为人体行为的特征；为了降低人体行为特征维数，利用信息瓶颈算法进行词表压缩；利用生成模型，结合已标记样本和未标记样本提出了一种人体行为识别的半监督学习方法，解决了行为识别中的小样本问题。在YouTube 数据库、 UCF运动数据库上利用提出的方法与已有的方法进行了对比实验，结果表明该方法具有更高的识别精度。     

低温等离子体用于高功率微波防护研究

等离子体对于高功率微波的攻击具有独特的防护效果。基于等离子体流体近似方法,利用COMSOL软件研究了高功率微波与柱状等离子体阵列相互作用过程中入射电场随时间的演变过程,分析了等离子体防护高功率微波的物理过程和作用机理。研究结果表明,入射的高功率微波会使等离子体参数发生剧烈变化,特别是其电子密度将急剧增加,从而使等离子体对入射的高功率微波表现出类似金属的电磁特性,最终实现对入射高功率微波的有效防护。此外,利用高频辉光放电产生柱状等离子体阵列,通过实验验证了等离子体对高功率微波的防护作用。最后,总结了基于等离子体的高功率微波防护技术需解决的主要问题。     

基于案例的推理在舰船维修费预测中的应用

针对市场经济条件下舰船维修费预测不确定性越来越大的问题,提出了一种基于案例推理的舰船维修费预测模型。首先,利用修船厂的历史数据,采用特征向量表示法构建舰船维修费案例库;其次,为提高案例检索效率,采用组合模糊聚类算法建立舰船维修费案例的分类索引结构,并提出基于最近邻法的两步检索策略检索相似案例;最后,采用加权平均法对相似案例进行修改以获取预测值,同时采用主动学习策略保存当前案例并更新案例库。实例仿真结果表明:与传统舰船维修费预测模型相比,基于案例的推理模型具有更高的预测精度,所提模型是有效的。     

基于GAHP和熵法的虚拟训练综合评价

针对武器装备虚拟训练中评价一次操作数据无法客观反映受评者真实水平问题,提出了基于灰色层次分析和熵理论的虚拟训练评价方法。在获取每名受评者操作数据样本的前提下,通过灰色层次分析,确定指标层次和初始权重,利用灰色评估方法确定相应指标的灰类,对灰数归一化加权得到每个指标的评分,并确定综合总评分;引入不稳定因子,借助熵法确定受评者每个指标的不稳定性。最后,通过实例验证了方法的有效性,并根据不稳定因子和各指标评分向受评者提供了后续训练提升的建议。     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

采用区分性幅相联合字典学习的低截获概率信号分离方法

为解决采用字典学习的信号分离方法存在的相位信息缺失和子字典交叉表示问题，提出一种区分性幅相联合字典学习方法。该方法针对相位信息缺失问题，构建了幅相联合字典模型；针对混合信号在联合字典上投影时存在的交叉表示问题，基于区分性字典学习思想提出在字典学习过程目标函数中加入交叉表示抑制项。仿真结果表明：幅相联合字典能够充分表示典型低截获概率信号的幅相信息，交叉表示抑制项能有效抑制信号间的交叉表示，算法具有良好的分离性能。     

基于模糊综合评价模型的武器研制技术风险分析*

针对舰炮武器系统研制的技术特点和风险分布特征,提出了基于模糊综合评价模型的技术风险分析方法,并结合具体风险因素分析了舰炮武器系统研制技术风险评估的指标和准则。介绍了某型大口径舰炮系统的研制风险分析实例,给出了该舰炮系统研制技术风险的评估结果,验证了该方法的可靠性和有效性。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于支持向量机的威胁判断模型

目标威胁判断是防空作战中一项重要内容,在建立目标威胁模型时,首先要挑选特征参数,分析了影响威胁度的若干因素.这里采用Rough理论中知识约简方法选择目标的特征参数;支持向量机是一类新型机器学习方法,由于其出色的学习能力,该技术已成为当前国际机器学习界的研究热点,利用支持向量机建立了威胁判断模型,给出了实例和解决此问题的支持向量机源程序.通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.