公共文化服务平台

共 9 条记录，以下是 1-8

全选清除导出

排序方式：

基于信息熵的贵州省试验区土地利用分析及其灰色预测——以毕节市为例: 2015年; 根据信息熵的基本原理,对2009—2013年贵州省试验区毕节市各区县的土地统计数据进行了土地利用动态变化的分析,并运用灰色预测模型GM(1,1)预测了2014—2023年毕节市土地利用结构的信息熵、均衡度和优势度三个指标。结果表明:2009—2013年期间毕节市土地利用变化为耕地、林地等土地利用类型不断减少,园地、交通运输、城镇村及工矿用地等土地利用类型不断增加;毕节市土地利用结构的信息熵和均衡度呈逐年递增趋势,优势度逐年递减,说明该市经济发展的同时,土地利用结构发展缓慢且均衡。; 唐瑞雪陈笑筑杨帆; 关键词：土地利用信息熵

基于CDIO网站设计类课程教学范式改革初探被引量：1: 2018年; 本文根据网站设计类课程存在的问题,提出了教学改革的思路和具体改革的内容。引入CDIO教学理念,采用理论教学和实验教学完善课程理论知识,采用项目教学培养学生动手能力,并建立了学生参与考核和改革的方式。; 唐瑞雪唐斌; 关键词：CDIO 网站设计范式改革

一种基于模糊需求车辆路径问题的改进蚁群算法: 2013年; 针对多种车型,多个供应商,具有模糊需求的车辆路径问题的特点,运用模糊可信性理论,建立了以最短行驶距离和最小车辆使用率为目标函数的数学模型,并设计了求解该模型的一种改进蚁群算法。其中基于置信水平构造初始解,提高解的可行性;引入可信性来调整启发因子,以加快启发式搜索的收敛速度;动态地调整挥发系数,降低初始阶段出现局部收敛的可能,提高寻找最优路径的能力。实验结果表明,所提出的模型和算法是可行有效的。; 唐瑞雪秦永彬; 关键词：车辆路径问题蚁群算法挥发系数

结合高斯滤波和导向滤波的单幅图像去雾算法被引量：7: 2020年; 针对暗原色去雾后图像偏暗的问题,提出一种基于结合高斯滤波和导向滤波的单幅图像去雾算法。假设图像的最大值作为全局大气光强的初始值,然后使用高斯滤波获取分块图像的局部大气光强,使用最小值滤波获取分块图像的局部透射率。最后使用导向滤波分别对大气光强和透射率再次细化以处理分块后图像的边界跳跃问题。实验测试结果表明,所提算法去雾后的图像明亮度较高,视觉效果自然。; 唐斌龙文唐瑞雪; 关键词：图像去雾高斯滤波

边界回归的谓语中心词识别: 2023年; 识别谓语中心词是理解句子的关键,对于分析汉语结构具有重要意义。汉语结构松散导致谓语中心词识别困难,成为中文信息处理中的难点问题。由于单个句子中只有一个谓语中心词,枚举跨度将会产生大量负样本,导致正负样本不平衡。谓语中心词及高度重叠的负例样本之间共享相同的上下文,语义相近,容易产生误报。为了解决这些问题,提出一种基于边界回归的谓语中心词识别方法。首先识别谓语中心词的边界,然后通过边界组合生成跨度,从而减少跨度负样本的数量并且降低计算的复杂度。通过边界回归模块,更新跨度在句子中相当于谓语中心词的位置,提高跨度边界的准确性。通过增加约束策略,输出唯一的谓语中心词。实验结果显示,该模型的F值达到了84.41%,验证了该模型识别谓语中心词的有效性。; 郭晓陈艳平唐瑞雪唐瑞雪黄瑞章; 关键词：谓语中心词

融合行为词的罪名预测多任务学习模型: 2024年; 随着人工智能技术在司法领域的应用,依据案情描述预测所属罪名成为一项重要研究内容。案情内容术语专业,描述言简意赅,而现有方法却往往依赖文本特征,忽略了不同案件相关要素的差异性,缺乏对案情行为词要素的有效利用。为了解决此类问题,提出一种融合行为词的罪名预测多任务学习模型。首先,由边界识别器生成行为词跨度,提炼出案情核心内容;其次,通过构建行为词的结构特征预测所属罪名;最后,将行为词识别和罪名预测进行统一建模,通过共享参数的方式增强模型的泛化能力。通过构建行为词识别和罪名预测的多任务数据集进行验证,实验结果表明该模型识别行为词任务的F值达到了83.27%,罪名预测任务的F值达到了84.29%,与BERT-CNN模型相比,分别提高了0.57%和2.61%,验证了该模型对行为词识别和罪名预测的优势。; 郭晓陈艳平唐瑞雪唐瑞雪黄瑞章; 关键词：多任务学习

融入计算思维的数据结构教学改革探索被引量：1: 2019年; 目前数据结构课程中易忽略对计算思维的引导和培养.本文对大类培养模式下的数据结构课程的现状进行了分析,并对其存在的问题进行了研究.引入计算思维,从课程内容,教学方法以及实验教学等方面进行了改革,注重教学与实验相结合,形成了较为完整的教学体系,有利于大类培养下学生综合素质和能力的培养.; 唐瑞雪; 关键词：大类培养模式计算思维数据结构实验教学

多尺寸注意力的命名实体识别方法: 2024年; 命名实体识别(NER)任务的准确性将促进自然语言领域中诸多下游任务的研究。由于文本中存在大量嵌套语义,导致命名实体识别困难,成为自然语言处理中的难点。以往研究提取特征尺度单一,边界信息利用不够充分,忽略了不同尺度下的许多细节信息,从而造成实体识别错误或遗漏的情况。针对上述问题,提出一种多尺度注意力的命名实体识别方法(MSA-NER)。首先,利用BERT模型得到包含上下文信息的表示向量,并通过BiLSTM网络加强文本的上下文表示。其次,将表示向量进行枚举拼接形成跨度信息矩阵,并融合方向信息获得更丰富的交互信息。然后,利用多头注意力构建多个子空间,通过二维卷积在每个子空间下可选地聚合不同尺度的文本信息,在每个注意力层同时进行多尺度的特征融合。最后,将融合的矩阵进行跨度分类以识别命名实体。实验表明,该方法在GENIA和ACE2005英文数据集上F1分别达到81.7%和86.8%,与现有主流模型相比有更好的识别效果。; 唐瑞雪秦永彬秦永彬; 关键词：卷积神经网络子空间

全选清除导出

共1页<1>

唐瑞雪