众多自然语言处理(Natural Language Processing,NLP)任务受益于在大规模语料上训练的词向量。由于预训练的词向量具有大语料上的通用语义特征,因此将这些词向量应用到特定的下游任务时,往往需要通过微调进行一定的更新和调整,使其更适...
详细信息
众多自然语言处理(Natural Language Processing,NLP)任务受益于在大规模语料上训练的词向量。由于预训练的词向量具有大语料上的通用语义特征,因此将这些词向量应用到特定的下游任务时,往往需要通过微调进行一定的更新和调整,使其更适用于目标任务。但是,目标语料集中的低频词由于缺少训练样本,导致在微调过程中无法获得稳定的梯度信息,使得词向量无法得到有效更新。而在短文本分类任务中,这些低频词对分类结果同样有着重要的指示性。因此,在具体的短文本分类任务上获得一个更好的低频词词向量表示是有必要的。针对这个问题,文中提出了一种与下游任务模型无关的低频词词向量更新算法,通过基于K近邻的词向量偏移计算方法,利用通用词向量中与低频词相似的高频词所获得的任务特征信息,来指导低频词的信息更新,从而获得更准确的且适用于当前任务语境的低频词词向量表示;并以TextCNN作为基准模型,基于word2vec和GloVe得到的两个通用预训练词向量,在3个公开的短文本数据集上进行了优化算法的效果验证。实验结果表明,使用优化算法更新低频词词表示后,模型分类准确率能达到84.3%~94%,较更新前提升了0.4%~1.4%,体现了优化算法的有效性,也进一步证明了短文本分类任务中低频词对分类结果的影响,为短文本分类的研究工作提供了一定的借鉴。
为了全面展示锂电池剩余电量估算方法的研究进展,本文查阅了Web of science、知网、国家知识产权局等数据库中2013年以来的相关论文和专利,综述了锂电池剩余电量的主流估算方法。针对常用的直接估算的方法(安时积分法、开路电压法和阻...
详细信息
为了全面展示锂电池剩余电量估算方法的研究进展,本文查阅了Web of science、知网、国家知识产权局等数据库中2013年以来的相关论文和专利,综述了锂电池剩余电量的主流估算方法。针对常用的直接估算的方法(安时积分法、开路电压法和阻抗表征)、基于等效电路模型的方法、基于电化学模型的方法和基于人工智能神经网络等的锂电池剩余电量估算方法,本文汇总了各方法的估计误差,结果为安时积分法的最大估计误差可达15%;开路电压法最大估计误差为12.4%;电化学阻抗谱法平均估计误差小于3.8%;卡尔曼滤波法的估计误差小于1%;粒子群滤波法的平均误差可小于1%;基于电化学模型的方法平均误差小于2%;基于神经网络的方法平均误差小于2%;多方法混合和多参量联合估计的方法最大误差小于5%,平均误差小于2.5%。结果表明,卡尔曼滤波法相较于直接估算的方法和其他基于模型的方法,精确度更高且更容易实现;基于神经网络的方法无需对电池模型进行分析即可获得较为准确的结果;多种方法混合使用和利用多种参量修正估算值的方法进一步提高了估算精度。本文还针对电动汽车以及植入式医疗电子设备对于剩余电量估算方法的需求,对比分析了各方法的估算精度、优点、难点及适用电池类型,阐明估算方法的具体应用方案,并展望估算方法在这两个领域的发展方向。本文可为相关领域的研究和从业人员提供全面、详实的锂电池剩余电量估算方法的研究现状及发展方向信息。
暂无评论