处理群体性事件应注意的语言方法艺术

随着新旧体制的更换、经济转轨和社会转型,由各种社会矛盾引发的群体性事件愈来愈多,并呈现愈来愈复杂和激烈的特点。但是绝大部分群体性事件仍然属于人民内部矛盾,只能采取团结-批评-团结、说理教育等解决人民内部矛盾的方法来平息,因而对领导干部掌握正确的处理群体性事件的语言方法艺术提出了紧迫而严格的现实要求。本文正是从这一现实背景出发,通过分析群体性事件的特点,结合各级各部门多年来处理群体性事件的经验,提出处理群体性事件应注意的十点语言方法艺术。     

基于LWT的纹理特征提取方法

介绍了一种利用局部沃尔什变换(LWT)提取图像纹理特征的新方法,给出LWT的定义,并分析了LWT系数的统计特性及其各阶矩的纹理鉴别性能。结果表明:自然纹理图像的LWT系数一般不服从正态分布,其偶数阶矩具有较好的纹理鉴别性能,奇数阶矩的纹理鉴别性能较差,因此选取LWT系数的偶数阶(2、4、6阶)矩作为纹理特征。与Haralick[1]、Wang和He[2,3],以及HuiYu[5]等人提出的纹理特征相比,基于LWT的纹理特征具有更好的鉴别性能,并且计算简单。     

关于学校定位的理性思考

每一所学校的建设与发展,都离不开先进、准确、合理的学校定位。学校定位的准确与否,直接关系着学校办学的前途和命运。学校定位对学校办学行为起着规范、约束和自我评估的作用。能否为自己的学校建设与发展找准定位,是衡量一所学校高层决策水平高低和教学工作水平优劣的重要依据。所以,要准确把握学校定位的含义、依据、内容及特征。     

古建筑火灾危险性分析及预防对策

古建筑具有重要的历史价值,保护好古建筑免受火灾损害意义重大。针对古建筑严峻的火灾形势,分析其火灾危险性及火灾特点,并提出防范对策。     

基于神经网络的地形匹配方法研究

提出了基于神经网络实现多特征融合的地形匹配算法,充分利用地形的各种不同的统计特征和几何特征,构造了一种地形匹配网络模型.通过对实时图和基准图的分析,给出了计算网络节点之间的权值函数,建立了网络系统能量方程,通过求系统的最小能量得到最佳匹配位置.由于网络能融合地形的不同统计特征和几何特征,所以算法大大提高了系统的抗干扰能力和定位精度,适合于实时图容易发生畸变的地形匹配领域.实验结果表明,定位精度和抗干扰能力均优于传统的地形匹配方法.     

中文分词与命名实体识别的联合学习

将卷积结构引入循环神经网络,从而构建卷积循环神经网络。以此为基础,研究构建了面向中文分词与实体识别联合学习的序列标注模型。该模型依托卷积循环神经网络构建特征编码层,实现中文字序列局部空间特征和长距离时序依赖特征的联合提取;依托改进的循环神经网络构建标签解码层,实现标签序列长距离时序依赖的有效建模;依托统一的分词与实体识别序列标注模式实现分词信息与实体信息的联合学习,避免传统流水线法的误差传播问题。在人民日报语料和微软标注语料上的实验结果显示,该框架较传统统计模型和神经网络模型有显著的性能提升,尤其是在识别字数较多的命名实体时,其效果明显优于其他方法。     

基于多子网语言决策图的空管体系绩效评估

为评估空管体系综合绩效水平,制定了关键绩效领域和指标,提出基于多子网语言决策图的群体评估模型。采用多子网策略分析领域及指标间的影响关系,应用语言尺度辅助群体专家建立了领域及指标间的初始判断矩阵和影响连接矩阵。给出了模型的求解方法,在求得各子网内准则的全局权重后,聚合即可得到体系的综合评估值。案例分析表明,相比于不考虑领域及指标间影响的情况,模型结果能更客观、全面地展示各领域及指标的权重,更显著地揭示空管体系间的差距。     

基于数据挖掘的战场目标综合识别技术

分析了现有战场目标识别技术存在的问题,提出了基于数据挖掘的战场目标综合识别总体框架,对目标识别知识表示、目标特征知识挖掘、作战模式知识挖掘以及目标综合识别智能化推理等关键技术进行了研究,并说明了各关键技术在战场目标识别中的应用示例,可为提高战场目标识别的自动化、智能化水平提供借鉴。     

基于比较语言的军民融合式装备维修保障风险评估

针对地方维修商参与部队装备维修保障给军方带来诸多风险的问题,系统分析了军民融合式装备维修保障存在的风险因素,提出了一种基于比较语言表达的风险评估模型。将比较语言表达式转换为犹豫模糊语言术语集（HFLTS）,并计算出由梯形模糊隶属函数表示的 HFLTS 的模糊包络,最后应用双基点法进行维修商的选择决策。通过实例验证了模型的有效性。     

基于时序特征编码的目标战术意图识别算法?

对战场目标战术意图的快速、准确和自动识别,是智能决策的前提和基础。目标战术意图通常由多个战术动作组合完成,因而目标状态呈现动态、时序变化特征。本文针对目标意图识别问题的特点,提出一种基于栈式自编码器（ SAE）的智能识别模型,设计智能识别模型的基本框架,提出一种基于时序特征的输入信号编码方法及相应的模式解析机制,通过将目标状态在多个时刻的时序特征和战场环境、目标属性等信息统一编码为输入信号,将军事专家的知识经验封装为模式标签,模拟人的推理模式与认知经验,实现对目标战术意图的智能识别。最后通过实验,分析预训练过程和网络深度对算法性能的影响,并通过与多层感知机（MLP）和逻辑回归分类器（LRC）识别准确率的比较,验证所提SAE算法的有效性。