基于BI-GRU-CRF模型的中文分词法

循环神经网络作为一种处理时序数据的有效模型,已在序列标注问题上得到了广泛应用。为解决序列标注中典型的中文分词任务,基于门限循环单元(Gated Recurrent Unit,GRU)神经网络,提出了一种改进的双向门限循环单元条件随机场(BI-GRU-CRF)模型,该模型不仅可以通过双向门限循环单元有效利用双向上下文信息,而且可以通过条件随机场层联合考虑相邻标签间的相关性,得到全局最优的标记序列结果。在常用的中文分词测评集(PKU、MSRA)以及由构建的军事领域分词语料上,分别采用四词位及六词位标注法进行了实验,结果表明BI-GRU-CRF模型具有良好的分词性能,且六词位标注法可以改进分词效果。     

基于多层循环并行化的负载平衡优化

负载平衡是并行处理中的一个重要概念。参与一个程序执行的各处理机所承担的工作量是否均衡直接影响该程序的并行性能。本文对面向MPP系统程序循环级并行化中负载平衡的优化进行了探讨,提出了优化策略及其实施算法。     

未来指挥所技术架构的研究

未来指挥所是美国国防高级研究计划局提出的一项旨在提高指挥控制效率、缩减系统规模、减少参谋人数的科研计划。在参考国外相关文献的基础上,根据我国国情和技术特点,以指挥控制"观察—判断—决策—行动"循环中各环节的改进为出发点,分析了循环中各要素的工作内容、改进目标和技术研究重点,提出了我国未来指挥所技术架构和研究方向。     

基于RNN汉语语言模型自适应算法研究

深度学习在自然语言处理中的应用越来越广泛。相比于传统的n-gram统计语言模型,循环神经网络(Recurrent Neural Network,RNN)建模技术在语言模型建模方面表现出了极大的优越性,逐渐在语音识别、机器翻译等领域中得到应用。然而,目前RNN语言模型的训练大多是离线的,对于不同的语音识别任务,训练语料与识别任务之间存在着语言差异,使语音识别系统的识别率受到影响。在采用RNN建模技术训练汉语语言模型的同时,提出一种在线RNN模型自适应(self-adaption)算法,将语音信号初步识别结果作为语料继续训练模型,使自适应后的RNN模型与识别任务之间获得最大程度的匹配。实验结果表明:自适应模型有效地减少了语言模型与识别任务之间的语言差异,对汉语词混淆网络进行重打分后,系统识别率得到进一步提升,并在实际汉语语音识别系统中得到了验证。     

当事人

高红甫北京武警总队天安门警卫支队国旗班班长一号升旗手国旗护卫队升、降旗有严格的程序和要求。作为基本功,升旗手展旗时,要在音乐最高点,呈45度挥动手臂,迅速将国旗抛向空中。降旗时,旗手要在旗杆上"砍"出"嚓嚓"脆响,迅速将国旗收拢成锥形。作为国旗班班长,高红甫的动作达到了快、准、稳,一直是无人撼动的一号升旗手。"砍"15下完成收旗,30秒完成降旗,无丝毫拖沓,分秒不差。为练展旗,十余公斤的哑铃,高红甫每天要举上千次;为练"砍"     

没有“正步走”的阅兵式

天安门广场上气势巍峨的铁甲洪流,白金汉宫门前追忆往昔的行军和检阅,香榭丽舍大道上巧妙编排的车辆方队……一场场荡气回肠的阅兵盛典,成为激情与热血的时代剪影。但作为全球头号军事强国的美国,从上世纪70年代起却很少在国庆日举行大规模阅兵,因为美军多是通过实战来显示实力。美国的阅兵式已成为展示个性和高科技的盛会……     

变步长LMS算法在PCMA信号相位估计中的应用

为提高PCMA信号相位估计的精度,基于联合循环统计量与变步长最小均方（least mean square,LMS）的理论,提出了一种PCMA信号相位高精度估计算法。算法推导信号参数与循环统计量的定量关系进行相位的初估计,对接收信号进行变步长的LMS自适应滤波,通过迭代提升相位估计精度。对算法进行了不同维度的仿真对比实验,仿真结果表明,算法收敛速度快,适用范围广,性能相较于传统方法提升2dB左右。     

军队经济资源节约与循环利用模式构建及制度完善

军队经济资源利用传统模式是经济资源单向流动的线性模式,呈现高投入、高消耗、低利用、低效益的特征。构建新的军队经济资源节约与循环利用模式要从完善制度入手,包括预算、采购、投资、使用、处置等方面,同时要建立军事经济与地方经济的双向开放与资源共享机制。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。     

基于循环谱和2DMSD的MIMO雷达信号调制识别

针对多输入多输出(Multiple-InputMultiple-Output,MIMO)雷达信号调制识别存在的问题,提出一种循环谱和二维最大散度差(Two-DimensionalMaximum Scatter Difference,2DMSD)线性判别分析相结合的新方法。首先对典型MIMO雷达信号进行循环谱变换,在此基础上,利用2DMSD线性判别分析对上述二维图像进行特征提取,最终达到调制识别的目的。仿真结果表明,在低信噪比时,该方法仍然具有较高的识别率。