检索结果-内蒙古大学图书馆

郑州大学学报（理学版） 2021年第4期53卷 61-68页

作者：原之安彭甫镕谷波钱宇华山西大学大数据科学与产业研究院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006 山西大学计算机与信息技术学院山西太原030006

专利中的科技实体是指专利文献中富含科技信息的词汇,抽取专利中的科技实体对科研工作者提高科研效率、企业布局专利体系都至关重要。提出一种基于半监督学习框架与命名实体识别模型相结合的科技实体抽取方法,半监督学习能够利用无标记... 详细信息

专利中的科技实体是指专利文献中富含科技信息的词汇,抽取专利中的科技实体对科研工作者提高科研效率、企业布局专利体系都至关重要。提出一种基于半监督学习框架与命名实体识别模型相结合的科技实体抽取方法,半监督学习能够利用无标记数据的优势弥补标注数据稀缺的缺陷,利用大量的专利语料在通用领域的BERT模型基础上进行预训练,得到适用于专利领域的BERT模型BERT-Patent,有效提升模型对专利中科技实体的抽取性能。在专利数据集上的实验结果表明,提出的方法在准确率、召回率、F1值指标上分别提高了6.37%、2.99%、4.63%;在人民日报数据集上准确率、召回率、F1值分别提高了2.87%、1.24%、2.07%。

关键词：科技实体专利挖掘数据稀缺 BERT 半监督学习

来源：评论

学校读者我要写书评

暂无评论

面向特定标注数据稀缺领域的命名实体识别

引用

指挥信息系统与技术 2019年第5期10卷 14-18页

作者：刘哲宁朱聪慧郑德权赵铁军哈尔滨工业大学计算机科学与技术学院

针对传统命名实体识别需要大量标注数据的问题,提出了一种标注语料稀缺条件下的命名实体识别方法。首先,基于远程监督思想,使用2个特殊字典对特定领域文本进行伪标注;然后,使用BERT (来自Transformer的双向编码器表征)模型进行语义平滑... 详细信息

针对传统命名实体识别需要大量标注数据的问题,提出了一种标注语料稀缺条件下的命名实体识别方法。首先,基于远程监督思想,使用2个特殊字典对特定领域文本进行伪标注;然后,使用BERT (来自Transformer的双向编码器表征)模型进行语义平滑扩展,并在含有噪音的伪标注语料中训练AutoNER(自动伪标注的命名实体识别)模型;最后,通过与传统机器学习方法条件的随机场进行试验对比,验证了该方法的有效性。

关键词：命名实体识别远程监督语义向量数据稀缺

来源：评论

学校读者我要写书评

暂无评论

卫星领域语料库构建与命名实体识别

引用

国防科技大学学报 2024年第4期46卷 175-183页

作者：徐聪石会鹏陈志敏张鑫宇王静杨甲森中国科学院国家空间科学中心复杂航天系统电子信息技术重点实验室北京100190 中国科学院大学北京100049 国家无线电监测中心检测中心北京100041

针对卫星领域命名实体语料匮乏、现有算法识别性能较低的问题,提出一种考虑模糊边界的卫星领域实体标注方法,构建包含8类常见卫星领域实体的语料库,与该领域现有语料库相比粒度更细、覆盖更广,并以此为基础提出迁移学习和多网络融合的... 详细信息

针对卫星领域命名实体语料匮乏、现有算法识别性能较低的问题,提出一种考虑模糊边界的卫星领域实体标注方法,构建包含8类常见卫星领域实体的语料库,与该领域现有语料库相比粒度更细、覆盖更广,并以此为基础提出迁移学习和多网络融合的卫星领域实体识别算法。该算法采用预训练双向编码器对语料语义平滑迁移获得子词级别特征,采用双向长短期记忆(bi-directional long-short term memory,BiLSTM)神经网络捕捉上下文信息确定边界,以条件随机场作为解码器实现标签预测。实验结果表明:相比于BiLSTM等传统模型具有更优的识别性能,算法在8种实体上的F1值均在92%以上,微平均F1值达到96.10%。

关键词：命名实体识别迁移学习神经网络数据稀缺

来源：评论

学校读者我要写书评

暂无评论

人工智能知识生产的核心争议与深层局限的哲学反思

引用

自然辩证法研究 2024年第3期40卷 66-73页

作者：阮凯上海社会科学院哲学研究所上海200235

人工智能大模型使得人工智能内容生产(AICG)成为可能,其应用和发展前景广阔。当人们热议ChatGPT能够生成对话内容、Midjourney能够绘制图片时,人工智能知识生产问题反而被忽略。因为人类的知识现象是人类智能和文明的核心,所以当利用AI... 详细信息

人工智能大模型使得人工智能内容生产(AICG)成为可能,其应用和发展前景广阔。当人们热议ChatGPT能够生成对话内容、Midjourney能够绘制图片时,人工智能知识生产问题反而被忽略。因为人类的知识现象是人类智能和文明的核心,所以当利用AI生产知识成为现实时,人类就不得不思考,人工智能知识生产能在多大程度上变革人类既往的知识生产模式、革新人类对知识的认识、颠覆现有的人机关系。有两大争议性问题可以引导我们进一步思考AI知识生产,即变革性问题:人工智能是否能变革人类知识生产?如能,它究竟能在哪些方面影响和变革人类知识生产,其变革程度如何?关系性问题:如何理解人工智能知识生产与人类知识生产的关系?为了回应这些代表性问题,我们必须考察科学家在AI知识生产中的作用,这些作用包括:(1)提出和界定问题;(2)为AI知识生产主要环节提供科学理论与科学经验;(3)在AI知识生产中完成分工、交流与合作。科学家深度嵌入AI知识生产表明,人工智能无法独立完成知识生产,人机协作是AI知识生产的必由之路。通过总结科学家在AI知识生产中发挥的具体作用,以及AI知识生产三类局限,我们可以进一步回应变革性问题与关系性问题,促进AI知识生产健康发展,避免人工智能研究陷入科幻想象。

关键词：人工智能知识生产科学方法科学家作用数据稀缺阿尔法折叠

来源：评论

学校读者我要写书评

暂无评论

端到端语音到语音翻译的优化方法综述

引用

计算机应用 2025年第5期45卷 1363-1371页

作者：宗伟赵悦李尹徐晓娜民族语言智能分析与安全治理教育部重点实验室(中央民族大学) 北京100081 中央民族大学信息工程学院北京100081

语音到语音翻译(S2ST)是智能语音领域中新兴的研究方向,旨在将一种语言的语音准确翻译成另一种语言的语音。随着人们对跨语言交流需求的增加,S2ST受到广泛的关注,相关研究也不断涌现。传统的级联模型在S2ST过程中存在诸多问题,如错误传... 详细信息

语音到语音翻译(S2ST)是智能语音领域中新兴的研究方向,旨在将一种语言的语音准确翻译成另一种语言的语音。随着人们对跨语言交流需求的增加,S2ST受到广泛的关注,相关研究也不断涌现。传统的级联模型在S2ST过程中存在诸多问题,如错误传播、推理延迟和无法翻译无文字系统的语言等,因此如何通过端到端模型实现直接S2ST成为当前研究的重点。在全面调查端到端S2ST的基础上,详细分析和归纳了端到端S2ST的各种模型,综述了已有的相关技术,将端到端S2ST面临的挑战总结为建模负担、数据稀缺和现实应用三类问题,并重点探讨了现有工作是如何解决这三类问题的。大语言模型(LLM)强大的理解和生成能力为S2ST提供了新的可能性,同时也带来了更多的挑战。因此,讨论了LLM在S2ST中的应用,并设想了未来可能的发展方向。

关键词：端到端语音到语音翻译建模负担数据稀缺现实应用语音基石模型

来源：评论

学校读者我要写书评

暂无评论

基于合成数据的刚体姿态实时估计网络

引用

计算机测量与控制 2024年第5期32卷 282-289页

作者：刘千山林雪剑朱枫李佩东国能宝日希勒能源有限公司内蒙古呼伦贝尔021500

现有刚体姿态估计存在数据稀缺、复杂场景下的低鲁棒性及低实时性等问题,为此提出一种基于合成数据的刚体目标位姿追踪网络结构;采用时空间特征融合技术,捕捉时间与空间特征信息,生成具有时空敏感的特征图;利用残差连接学习更为丰富和... 详细信息

现有刚体姿态估计存在数据稀缺、复杂场景下的低鲁棒性及低实时性等问题,为此提出一种基于合成数据的刚体目标位姿追踪网络结构;采用时空间特征融合技术,捕捉时间与空间特征信息,生成具有时空敏感的特征图;利用残差连接学习更为丰富和抽象的优质特征,改善追踪目标的准确性;对稀缺数据进行数据增强,生成符合现实物理特性的复杂合成数据,以此训练深度学习模型,提高模型的泛化性;在YCB-Video数据集中选取7个物体进行实时姿态追踪实验,结果表明,提出的方法相较于同类相关方法,在复杂场景下对刚体姿态估计的更为准确,在实时估计效率上表现最优。

关键词：姿态追踪数据稀缺时空特征融合残差连接数据增强

来源：评论

学校读者我要写书评

暂无评论

基于扩散模型的故障诊断数据增强方法

引用

煤矿机械 2025年第5期46卷 179-182页

作者：邢子豪陈曦晖彭晓勇沈昊龙杨一鸣河海大学机电工程学院江苏常州213200

为了解决数据稀缺情况下深度学习模型出现的影响诊断结果的过拟合等问题,提出一种基于扩散模型的故障诊断数据增强方法。首先,提出一种特征压缩方法,将一维振动信号转换为特征图像;然后,采用特征图像训练扩散模型,生成不同故障类型的样... 详细信息

为了解决数据稀缺情况下深度学习模型出现的影响诊断结果的过拟合等问题,提出一种基于扩散模型的故障诊断数据增强方法。首先,提出一种特征压缩方法,将一维振动信号转换为特征图像;然后,采用特征图像训练扩散模型,生成不同故障类型的样本;最后,利用生成的样本对稀缺的数据进行数据增强。实验表明,相较于传统的生成模型方法,扩散模型方法能够更稳定地生成高质量且多样性的故障样本,具有更好的数据增强效果。

关键词：故障诊断扩散模型数据稀缺数据增强生成模型

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗神经网络的ECG数据增强研究

基于生成对抗神经网络的ECG数据增强研究

引用

作者：刘聪中南民族大学

学位级别：硕士

心电图(Electrocardiogram,ECG)是记录人体心脏活动的重要影像,现有的心电图分类多采用公开的心电数据库作为训练样本集。但数据集的稀缺和类别不平衡问题往往导致神经网络分类性能不佳。随着深度学习技术的发展,开发一个自动评估系统... 详细信息

心电图(Electrocardiogram,ECG)是记录人体心脏活动的重要影像,现有的心电图分类多采用公开的心电数据库作为训练样本集。但数据集的稀缺和类别不平衡问题往往导致神经网络分类性能不佳。随着深度学习技术的发展,开发一个自动评估系统成为获得高性能心电诊断基准的可靠方法之一。但是训练ECG自动诊断模型过程中,ECG数据的成本、隐私、数据注释是训练中的巨大挑战。研究人员通过数据增强放大现有的训练集,并提供可以公开、标记、大型和平衡的数据集,从而大大提高神经网络的分类精度。但是传统数据增强只能获得少量附加信息,并不能解决数据稀缺可能带来的过拟合问题。论文研究工作即聚焦于基于生成对抗网络(Generative Adversarial Network,GAN)合成高质量心电序列,解决心电数据稀缺和类别不平衡问题。论文主要研究工作分为以下三个方面: (1)针对现有单个心拍心电数据集未考虑心拍特征之间的关联性问题,组合12导联心拍作为单个样本,构建了一个全新的心电序列数据集。通过小波变换、Hamilton、Christov R波检测算法对心电序列进行去噪、识别、分割,建立了一个共计3318例12导联5分类心拍数据集。 (2)针对现有的小数据集造成的过拟合和分类不均衡问题,设计了基于GAN的数据增强方案。并改进了GAN在学习时间序列数据时出现的过拟合,以及卷积网络无法捕捉序列之间的时间动态关系问题。实验结果表明生成信号的百分比均方根误差(Percentage Root Mean Square Difference,PRD)指标下降67%,动态时间规整(Dynamic Time Warping,DTW)指标下降53%,模型的生成效果得到有效提升。 (3)针对不同增强数据的分类性能验证问题,设计了三种CNN分类模型(一维CNN、Res Net18、Dense Net121),并分别对传统数据增强方法和GAN数据增强方法扩充后的数据集进行分类验证。最终测试结果表明,提出的数据增强方法增强后的分类模型在精度、灵敏度和特异度上对比同类方案都有提高,为解决数据集类别不平衡问题提供了一种有效的参考。

关键词：心电信号数据稀缺不平衡生成对抗网络循环神经网络

来源：评论

学校读者我要写书评

暂无评论

基于分位数回归CGAN的虚拟样本生成方法及其过程建模应用

引用

化工学报 2021年第3期72卷 1529-1538页

作者：陈忠圣朱梅玉贺彦林徐圆朱群雄北京化工大学信息科学与技术学院北京100029 智能过程系统工程教育部工程研究中心北京100029

针对复杂工业过程因难以检测变量或因时间上和经济上成本因素导致的建模样本稀缺问题,提出了一种将分位数回归(quantile regression)嵌入到条件生成式对抗网络(conditional generative adversarial network,CGAN)的虚拟样本生成方法QRC... 详细信息

针对复杂工业过程因难以检测变量或因时间上和经济上成本因素导致的建模样本稀缺问题,提出了一种将分位数回归(quantile regression)嵌入到条件生成式对抗网络(conditional generative adversarial network,CGAN)的虚拟样本生成方法QRCGAN。首先,在标准CGAN“生成器-判别器”两元对弈结构中嵌入回归器,使模型不仅具备标签样本生成能力,同时也具备处理回归预测问题的能力。其次,以分位数回归神经网络实现回归器,连同判别器和生成器进行同步对抗训练。当模型到达Nash平衡时,在分位数回归神经网络回归器的作用下,生成器能够产生落在一定置信区间的新样本。然后,利用Kullback-Leibler(KL)散度评估生成样本的质量。最后,通过标准函数数据和实际化工过程数据验证所提方法的有效性。

关键词：虚拟样本生成 CGAN 分位数回归数据稀缺软测量深度学习

来源：评论

学校读者我要写书评

暂无评论

深度迁移学习驱动的轴承故障诊断方法研究

深度迁移学习驱动的轴承故障诊断方法研究

引用

作者：孙瑞雪上海大学

学位级别：硕士

轴承作为机械系统中的关键部件,广泛应用于交通、能源、冶金和航天等重要产业中,对其开展状态监测和故障诊断是保障设备安全可靠运行的重要技术支撑。随着人工智能的发展,通过深度学习提取设备运行数据中的潜在特征可以实现轴承智能故... 详细信息

轴承作为机械系统中的关键部件,广泛应用于交通、能源、冶金和航天等重要产业中,对其开展状态监测和故障诊断是保障设备安全可靠运行的重要技术支撑。随着人工智能的发展,通过深度学习提取设备运行数据中的潜在特征可以实现轴承智能故障诊断,但这基于一个前提:具有大量标记的故障数据用于训练智能模型,且训练数据与测试数据满足独立同分布条件。然而,工业环境中轴承运行工况复杂多变,真实标记的故障数据极为稀缺,且线下的训练数据和线上的测试数据之间往往存在较大的分布差异,这必然造成智能模型泛化性能较差。迁移学习作为一种独特的机器学习方式,能够从不同但相关的源域中学习知识并迁移到目标域中,从而增强智能模型的泛化性能。因此,本文基于迁移学习的思想,深入研究跨领域及真实数据稀缺条件下的轴承故障诊断方法。论文的主要研究工作包含以下三个方面:(1)针对轴承跨领域诊断中不同域特征严重重叠难以对齐的问题,提出了一种博弈论增强域自适应网络(Game theory enhanced domain adaptation network,GT-DAN)的迁移学习模型,其采用多子域对抗迁移学习框架来缩小源域与目标域间的特征分布差异。在该模型中,通过采用最大均值差异(Maxium Mean Discrepancy,MMD)、JS散度(Jensen-Shannon Divergence)、Wasserstein距离三个度量指标构建了三个描述源域与目标域间特征分布差异的注意力矩阵,并基于博弈论实现了注意力矩阵间的最优协调以生成最优概率权重,因此该权重从不同角度综合全面地反映了每个源域类别对于每个目标域特征的可迁移性,可以稳妥地指导对齐同类别的源域与目标域特征。实验研究表明,博弈论增强的域自适应网络迁移方法可以在不同域且异类特征严重重叠时有效对齐同类别的特征,实现变工况条件下高精度的轴承故障诊断。(2)针对轴承跨领域诊断中源域和目标域的故障样本都不充足的问题,提出了一种高斯云模型(Gaussian Cloud Model,GCM)辅助选择性对抗网络(Selective Adversarial Network,SAN)的迁移故障诊断方法。首先,计算源、目标域中故障信号的时、频域特征以建立原始样本;然后,对原始样本建立高斯云模型并正向云计算生成大量云滴作为扩充样本;最后,将源、目标域中的扩充样本输入SAN进行域不变特征的提取和分类,实现轴承故障诊断的跨域迁移。在SAN训练过程中,基于源域样本构建的高斯云模型,计算目标域样本对其隶属度来辅助对齐同类别的源、目标域特征,旨在确保故障分类上的域泛化性能。实验研究表明,所提方法可以克服故障样本不充足,训练出有效的轴承故障诊断迁移模型。(3)针对轴承在源域和目标域下都无真实故障数据的问题,提出了一种数值模拟驱动一维循环生成对抗网络(One-dimensional Cycle-Consistent Generative Adversarial Network,1D Cycle-GAN)的数据迁移诊断方法。在该方法中,通过开发轴承在目标工况下的唯象模型来生成正常和故障状态下的仿真振动信号,并将循环生成对抗网络(Cycle-Consistent Generative Adversarial Network,CycleGAN)改进成一维数据结构,即1D Cycle-GAN,用于信号到信号的数据迁移。将仿真信号(正常、故障)和真实正常信号分别作为源域和目标域数据输入1D Cycle-GAN模型进行训练,建立仿真到真实的场景映射,从而实现仿真故障数据到真实故障数据的迁移转换。实验研究表明,所提方法可以生成近乎真实的故障数据用于轴承故障诊断,有效解决真实环境下无故障数据的难题。

关键词：故障诊断滚动轴承跨领域数据稀缺迁移学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：