基于语义的AdHoc网络服务发现

在分析现有的Ad Hoc网络服务发现方法的基础上,提出一种基于语义的Ad Hoc网络服务发现方法。该方法基于语义推理机制,能对服务进行准确地刻画,大大提高了查准率;又由于该方法在考虑服务本身的同时,还考虑了服务的节点属性和节点所处的环境属性,可以有效地改善服务质量。仿真结果表明,与同类的Ad Hoc网络服务发现方法相比,该方法在查准率方面具有较大的优越性。     

关系抽取中远监督错误标注消除

目前远监督方法被广泛应用于关系抽取任务。然而,远监督方法中存在大量错误标注现象,给远监督方法的学习效果带来了很大的影响。提出利用语义Jaccard度量关系短语与依存词间语义相似性的错误标注消除方法。消除错误标注后的训练数据用于训练模型,完成关系抽取。实验结果表明:该方法可以有效消除错误标注,提高关系抽取的性能。     

遥感数据用户需求融合处理技术

遥感数据是国家的基础性和战略性资源，在经济建设、国防建设、抢险救灾、生态环境保护等方面得到了广泛的应用，发挥着越来越重要的作用，各行各业对遥感数据的需求也越来越多。因此，如何提高对地观测资源的利用率，提高服务响应速度成为迫切需要解决的问题。采用自然语言处理技术，提出了一种用户需求融合处理方法，该方法可以有效地融合归并相同或者相似的用户需求，实现一图多用，引入需求预测和需求融合技术以提高需求融合效率，从而提高对地观测资源的利用率，达到事半功倍的效果。     

辅助任务增强的中文跨域NL2SQL算法

自然语言到结构化查询语言(natural language to structured query language,NL2SQL)任务旨在将自然语言询问转化为数据库可执行的结构化查询语言(structured query language,SQL) 语句。本文提出了一种辅助任务增强的中文跨域 NL2SQL 算法,其核心思想是通过在解码阶段添加辅助任务以结合原始模型来进行多任务训练,提升模型的准确率。辅助任务的设计是通过将数据库模式建模成图,预测自然语言询问与数据库模式图中的节点的依赖关系,显式地建模自然语言询问和数据库模式之间的依赖关系。针对特定的自然语言询问,通过辅助任务的提升,模型能够更好地识别数据库模式中哪些表/列对预测目标 SQL 更有效。在中文 NL2SQL 数据集 DuSQL 上的实验结果表明,添加辅助任务后的算法相对于原始模型取得了更好的效果,能够更好地处理跨域 NL2SQL 任务。     

汉语原型句蜕向英语多元逻辑组合的变换

汉语原型句蜕的英译形式多种多样,其中变换成英语的多元逻辑组合是涉及比较复杂变换细节的一种,因而成为颇具特色的语义块构成变换子类.文章从概念阐释入手,详尽分析了这种变换的语言现象、变换的必要性以及实施变换的技术准备.     

训练电磁环境生成和逼真度评估方法

构建与战场电磁环境尽可能相似的训练电磁环境、评估所构建的训练电磁环境与战场电磁环境的相似程度,是基地训练电磁环境构建必须解决的突出问题。基于相似理论基本原理和相似度计算基本方法,结合基地训练电磁环境构建实践,采用精确值相似度计算生成训练电磁环境,采用区间值相似度计算评估训练电磁环境的逼真度。     

基于云模型的系统综合效能评估方法

针对系统效能评估中定性描述难以准确评估的问题,在分析已有基于云模型评估方法不足的基础上,提出了一种新的基于云模型的系统综合效能评估方法。首先将各指标值和评价集的各评语用云模型表示,然后利用各指标值云模型与评价集各云模型相似度的加权和来对系统综合效能进行评估。实例分析表明,该方法能够有效地对系统进行综合效能评估。     

TSP及其操作语义模型研究

在有限状态进程(Finite State Process, FSP)和时间自动机(Timed Automata, TA)的基础上,提出了一种描述分布式实时系统(Distributed Real Time System, DRTS)行为的模型:时间状态进程(Timed StateProcess, TSP).TSP包括4个常量进程IDLE进程、SKIP进程、STOP进程和ERROR进程;以及前缀进程、超时进程、时钟复位进程、卫式条件进程、非确定性选择进程、数据(/消息/应答消息)发送进程、数据(/消息/应答消息)接收进程、组合进程和顺序进程.定义了TSP模型的结构化操作语义,以及TSP到时间标号迁移系统(Timed Labeled Transition System , TLTS)的转换规则.     

火炮反后坐装置模糊相似性分析

在相似系统理论的基础上,识别了火炮反后坐装置要素,确定了相似元数值的大小,计算了反后坐装置系统相似度。结果表明：相似系统理论在火炮中的应用是一个值得注意的新领域。     

两个有关矩阵问题的回答

讨论了两个与矩阵有关的问题。对问题 1 ,给出了其阶数从 1到 5时的回答 ;对问题 2 ,给出了其彻底的否定回答。所获的结果许多情形下还可推到更广泛的情形。