摘要：事件论元角色分类是事件抽取中的子任务,旨在为事件中的候选论元分配相应的角色。事件语料标注规则复杂、人力耗费大,在很多语言中缺少相关标注文本。零样本跨语言事件论元角色分类可以利用源语言的丰富语料建立模型,然后直接应用于标注语料匮乏的目标语言端。围绕不同语言的事件文本在依存结构上的表达共性,提出了使用bigru网络模块对触发词到候选论元的依存路径信息进行额外编码的方法。本文设计的编码模块能灵活地与当前主流的基于深度学习框架的事件论元角色分类模型相联合。实验结果表明,本文提出的方法能更有效地完成跨语言迁移,提高多个基准模型的分类性能。

摘要：山前平原型城市拥有复杂的下垫面条件,其洪水兼具了山洪和城市洪水的特征,为水文模拟和洪水预报增加了难度。以小清河济南市黄台桥水文站以上流域为研究对象,构建了基于循环神经网络变体的洪水预报模型,并评估了模型的预测性能。研究结果表明,所构建的洪水预报模型既适用于对场次洪水的预报,又适用于对长系列洪水过程的连续预测,且能够灵活地输出流量、水位过程,在一定预测步长内拥有较高的预测精度,其中基于双向门控循环单元(Bidirectional Gate Recurrent Unit,bigru)网络构建的模型预测性能最佳,且随预测步长的延长,其性能衰减最弱,能够作为山前平原型城市河道洪水预报的新方法新手段。

摘要：舆论情感分析重点研究公众对于公共事件的情感偏向,其中涉及公共卫生事件的舆论会直接影响社会稳定,所以对于微博的情感分析尤为重要。该文采取有关疫情方面的文本数据集,使用RoBERTa和bigru以及双层Attention结合的RoBERTa-BDA(RoBERTa-bigru-Double Attention)模型作为整体结构。首先使用RoBERTa获取了蕴含文本上下文信息的词嵌入表示,其次使用bigru得到字符表示,然后使用注意力机制计算各个字符对于全局的影响,再使用bigru得到句子表示,最后使用Attention机制计算出每个字符对于其所在的句子的权重占比,得出全文的文本表示,并通过softmax函数对其进行情感分析。为了验证RoBERTa-BDA模型的有效性,设计三种实验,在不同词向量对比实验中,RoBERTa对比BERT中Macro F1和Micro F1值提高了0.42百分点和0.84百分点,在不同特征提取层模型对比实验中,bigru-Double Attention对比bigru-Attention提高了3.62百分点和1.34百分点,在跨平台对比实验中,RoBERTa-BDA在贴吧平台的Macro F1和Micro F1对比微博平台仅仅降低1.29百分点和2.88百分点。

摘要：从地质文本中提取地质命名实体,对地质大数据的深度挖掘与应用具有重要意义。定义了地质命名实体的概念并制订了标注规范,设计了地质实体对象化表达模型。地质文本存在大量长实体、复杂嵌套实体,增加了地质命名实体识别的挑战性。针对上述问题,①引入BERT模型生成顾及上下文信息的高质量词向量表征;②采用双向门控循环单元-注意力机制-条件随机场(bigru-Attention-CRF)对前一层输出的语义编码进行序列标注与解码。通过与主流深度学习模型进行对比,该模型的F1值为84.02%,均比其他模型表现出更优异的性能,能在小规模地质语料库上有较好的识别效果。

摘要：针对中文发明专利文本的文字描述专业性强、人工分类耗时耗力等问题,提出一种基于BERT-bigru模型的中文专利文本自动分类方法,利用预训练的BERT模型完成对中文发明专利文本进行向量化语义表征,引入词嵌入和多头注意力机制等方法抽取专利文本中词语的上下文语境语义信息,最终通过双向GRU门控网络完成对中文发明专利的分类。以Incopat专利数据库中的专利文本构建数据集,设计多组对比实验,实验结果表明,所提方法可以有效提高分类模型对中文专利文本的差异性特征提取能力,对8类专利文本的分类准确率达到了85.44%。

摘要：准确估算锂离子电池的健康状态可以有效保障锂离子电池的安全使用,但现有锂离子电池SOH评估方法存在评估精度不理想等问题。为此,本文提出了一种基于TCN和bigru相结合的电池SOH评估方法。首先,从电池充电数据中提取构建健康因子,并验证其与电池容量之间的相关关系;然后,利用TCN模型处理长序列依赖数据并开展特征提取,同时在该模型中添加Dropout层以防止过拟合,提升了模型的泛化性;最后,通过bigru模型进行历史数据特征建模并对数据退化趋势进行估计,最终实现对锂离子电池SOH的精确评估。利用实验室搭建的电池退化试验台获取的四组电池退化数据进行方法验证,结果表明所提模型所估计的SOH在决定系数、绝对平均误差以及均方根误差3个指标上的均值分别为0.9904、0.0171、0.0223,明显优于其他对比方法。

摘要：在复杂交通环境中行驶的智能汽车需要预测未来周围车辆的动向,为了提升智能汽车快速且准确预测周围车辆驾驶行为及轨迹的能力,设计了一种基于bigru的多模态驾驶行为及轨迹预测模型.模型由bigru编码器、交互卷积池化层和GRU解码器组成,能够预测未来5 s车辆多模态驾驶行为的概率和多模态驾驶行为对应的轨迹分布.试验结果表明,相较于其他基于深度学习的模型,该模型在预测长时域轨迹时的RMSE损失和NLL损失更低,具备更高的准确率.

摘要：为提高水电机组振动趋势预测的准确率,本研究提出了一种基于最大信息系数(MIC)与双边门控循环神经网络(bigru)的水电机组振动趋势预测模型。首先,预处理阶段采用小波系数阈值去噪(WTD)方法对历史振动信号数据进行降噪处理以消除强背景噪声的干扰,并将振动信号划分为多个训练样本以改善算法的鲁棒性;其次考虑水力、电气与机械不平衡力因素的影响,基于MIC对与振动信号关联性强的状态参数进行特征选择作为模型的参考输入;再采用bigru网络建立振动信号预测模型,进行超前多步的振动信号趋势预测;最后利用训练好的模型对在线获取的振动数据进行实时预测。为评估模型的预测性能,本研究采集某抽水蓄能水电站的振动监测数据进行多组对比实验,验证了所提方法具有较好的预测能力和泛化能力,适用于水电机组振动的趋势预测。

摘要：为了综合提升海上风电功率预测的准确性、稳定性和合格率,促进风电场的安全经济运行,提出一种基于二次分解和多目标优化的超短期海上风电功率预测方法。首先,利用自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和辛几何模态分解(symplectic geometry mode decomposition,SGMD)构成的二次分解方法对原始风电信号进行分解,降低原始信号的随机性和波动性;然后,将分解后的信号分量送入到双向门控循环单元(bidirectional gated recurrent unit,BiG RU)网络进行时序建模,并采用粒子群优化(particle swarm optimization,PSO)算法对Bi GRU网络的超参数进行智能优化,以避免网络陷入局部最优;最后,提出一种兼顾准确性、稳定性和并网合格率的多目标优化损失指导网络训练。实验结果表明,采用的二次分解方法和提出的多目标优化损失能够有效提升模型的预测性能,与其他经典方法相比,所提方法在不同季节均取得最优效果,具有较强的实用性。

摘要：【目的】提升模型对文本结构特征和文本特征间关联性的感知,充分挖掘文本内在语义,深层次指导抽取任务。【方法】对文本、句法和词性进行特征抽取,得到各自的特征;将不同的特征进行融合,获得完备的文本结构特征;再设计一个多层交互注意力机制,该机制聚焦于文本结构特征和文本特征之间的深层关联,并采用双线性融合策略,以保证信息的完整性;最后,通过常用的分类器进行属性抽取。【结果】在公开的数据集上,所提模型的属性抽取准确率相比于已有模型至少提高了1.2个百分点。【局限】所提模型对隐式属性词感知迟钝,句子中出现三个以上隐式属性词,模型的性能将大幅度降低。【结论】在显式的商品属性词抽取任务中,建模文本结构特征与文本特征间关联性的方法可以有效提高属性抽取的准确率。