摘要：无监督关系抽取旨在从无标签的自然语言文本中抽取实体之间的语义关系。目前,基于变分自编码器(VAE)架构的无监督关系抽取模型通过重构损失提供监督信号来训练模型,这为完成无监督关系抽取任务提供了新思路。针对此类模型无法有效地理解上下文信息、依赖数据集归纳偏置的问题,提出基于Prompt学习的无监督关系抽取(PURE)模型,其中包括关系抽取和链接预测两个模块。在关系抽取模块中设计了上下文感知的Prompt模板函数以融入上下文信息,并将无监督关系抽取任务转换为掩码预测任务,从而充分利用预训练阶段获得的知识完成关系抽取。在链接预测模块中则通过预测关系三元组中的缺失实体提供监督信号联合训练两个模块。在两个公开真实关系抽取数据集上进行了大量实验,得到的结果表明PURE模型能有效利用上下文信息并且不依赖数据集归纳偏置,相较于目前最优的基于VAE架构的模型UREVA(Variational Autoencoder-based Unsupervised Relation Extraction model)在NYT数据集上的B-cubed F1指标上提升了3.3个百分点。

摘要：特征选择指在保持数据分类性能不变的同时,选出不含冗余特征的特征子集。粗糙超立方体方法可从特征相关度、依赖度和重要度这3方面对特征子集进行综合评估,已成功用于特征选择。特征子集组合的计算是一个NP⁃难问题,而传统的前向搜索策略只能得到局部最优结果。因此,本文设计了一种新的离散粒子群优化与粗糙超立方体方法相结合的算法。该算法首先引入相关度用以生成一组粒子,然后对粗糙超立方体方法的目标函数改进后作为优化函数,最后由粒子群迭代优化,找到最优的特征子集。实验结果表明,相比传统粗糙超立方体方法和采用粒子群优化的粗糙集方法,本文算法能够得到具有更小特征数量和更高分类性能的特征子集。

摘要：为提高超宽带(ultra-wideband,UWB)技术在非视距(non line of sight,NLOS)环境下的定位精度,提出一种基于粒子滤波融合视觉与UWB数据的定位方法。视觉模块通过识别与检测标签推算出绝对位姿;UWB模块鉴别由NLOS条件干扰的测距值,筛选最优测距值进行自适应权重的定位算法,提升覆盖区域的整体定位精度;基于粒子滤波将两者的实时定位信息进行数据融合。实验结果表明,融合定位方法具有实时性和鲁棒性,有效抑制了NLOS环境引起的误差,在NLOS环境下定位精度能够达到0.26 m。

摘要：为提升图片质量,改善传统的暗原色先验处理图像的局限性,提出一种RGB亮通道取反的自适应修正暗原色先验去雾算法。在计算暗通道前,先对有雾图像的RGB通道中最亮通道进行取反处理,自适应修正透射率的计算值;在全局大气光估计时,采用最亮0.1%的像素的均值;使用canny算子提取图像的边缘信息,对导向滤波的方法进行修正,进行透射率估计;根据大气散射模型对有雾图像进行复原。实验结果表明,该算法可以有效改善暗原色先验在天空区域失效的问题,能够保留图片的景深特征,使复原图像具有更清晰的边缘细节。

摘要：为解决倾斜分布的数据流聚类这一难题,提出了时态密度概念,给出其度量,揭示了其包括可增量计算在内的一系列数学性质;设计了时态密度树结构,提高了聚类时的存储和检索效率;设计了能够以实时或异步方式捕捉数据倾斜分布的数据流时态特征的聚类算法TDCA(temporal density based clustering algorithm),其时间复杂度为O(c×m×lgm).实验结果表明,该算法不仅有较强的功能,而且具有较好的规模可伸缩性.

摘要：为了提高模糊润饰篡改取证技术的准确率和召回率,提出新的盲取证技术。采用能量比和信息熵构建模糊边缘属性约简规则来检测源图像自然强边缘;设计保持边缘平滑的滤波结构增强源图像模糊区域,对滤波图像进行全边缘检测;设计人工模糊隶属度函数,计算源图像人工模糊隶属度集合;对所得边缘图像进行融合,利用人工模糊隶属度集合对融合图像进行处理,得到准确清晰的人工模糊边缘。实验结果显示,本文算法盲取证准确率和召回率较高,能较好区别人工模糊和自然模糊,篡改区域定位效果较好。

摘要：针对Canh Ngo等为安全策略评价和管理所提出的MIDD和X-MIDD方法的不足,从一般ABAC模型出发,对其进行了改进。设计了新的图结构iMIDD和iX-MIDD,新图的边用上结点变量值范围(简约的区间划分)及状态组成的元组表示,可更好地标注在决策中有关键作用的重要属性,有利于决策过程中更精细化处理。iX-MIDD的决策-叶结点也做了扩展,增加了组合算法信息,便于在对访问请求进行决策时使用。给出了应用本文方法进行策略元素匹配、策略评估,以及从iMIDD生成iX-MIDD的流程。复杂度分析及仿真实验表明,本文方法的时间、空间复杂度和性能均与MIDD方法相当。新方法完全能用于策略管理的多种应用。

摘要：传统的去噪算法要求含噪图像信噪比较高,并且去噪后图像边缘及纹理信息会受到不同程度地损失。针对传统算法的不足,提出了基于局部保边函数的低信噪比图像去噪算法。首先对低信噪比图像运用自适应中值滤波器减少椒盐噪声对图像的影响,同时保留图像边缘和纹理等细节信息;其次分析处理后的图像局部邻域内像素之间的关系,设计图像局部保边映射函数;最后利用Poly-Ribière-Polak(PRP)算法求出目标函数的最值进而实现低信噪比图像的去噪处理,去除高斯噪声和残余的椒盐噪声。与传统算法相比,本方法去噪效果较好,尤其是对PSNR为5.4 dB的低信噪比图像,去噪后图像PSNR达到24.3 dB。

摘要：近年来,中文产品评论的特征情感分类是Web数据挖掘的重要研究内容之一。提出了一套完整的产品命名实体、特征词、情感词以及边界的标注规则,设计了多层次的混合标签模式;提出了双层HHMM(层级隐马尔科夫模型)结构,将词形标注和词性标注的特点进行融合;提出了基于词形标注的HHMM-1算法和基于词性标注的HHMM-2算法,实现复杂短语的自动标注。实验证明,双层HHMM模型起到了互补的作用,模型的查全率和F-score值均有较大提高。

摘要：目的通过深度学习技术对柯氏音的不同时相进行自动分类,从而提高不同人群血压测量的准确率。方法本研究设计了一种融合注意力机制(Attention)、残差网络(residual network,ResNet)和双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的柯氏音时相分类模型。首先从一整段柯氏音信号中逐拍提取出单个柯氏音信号,并将每个柯氏音信号转换为梅尔频谱图;然后利用Attention注意力机制和ResNet网络对梅尔频谱图进行局部特征提取,用BiLSTM网络处理特征之间的时序关系,并使用全连接层网络对特征进行降维,最后利用SoftMax函数实现分类。数据集采自于44位志愿者(女24位、男20位,平均年龄36岁),并使用10折交叉验证的方法对模型性能进行验证。结果所建立的模型针对5类柯氏音时相的整体分类准确率为93.4%,相比其它模型具有较好的分类性能。结论深度学习方法可以准确地对柯氏音时相进行分类,为后续设计以柯氏音时相分类为基础的自动血压测量方法奠定了有力的技术基础。