间歇过程数据上呈现出较强的非线性、高维性以及耦合性等特点，故障识别难度较大，而弱故障又具有幅值低，易被噪声干扰的特点，当间歇过程中出现弱故障时，更加大了检测人员对故障识别的困难。为解决该问题，提出一种基于时空融合特征的间歇过程弱故障识别方法，该方法设计一种并行时空特征提取网络对数据进行特征提取，通过对特征进行识别来判断故障类别。并行时空特征提取网络由卷积神经网络(Convolutional Neural Networks， CNN)和长短期记忆网络(Long Short Term Memory， LSTM)并行构成，同步计算，网络的输出端由一定尺寸的卷积核对各网络提取的特征进行深度融合，最后通过一个全连接层将特征输入分类器，进行故障识别。利用青霉素发酵仿真实验数据进行实验，验证了方法的有效性。

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。

通过对现有知识结构划分方法的梳理,总结了当前的知识结构融合方法,用数据表明了融合文献的内容和引用特征进行知识结构划分的必要性。在此基础上,通过实验证明用最大值函数将文献的标题和摘要内容特征以及文献耦合引用特征融合进行知识结构划分的效果,并将其与现有方法进行对比。结果表明:该融合函数可以提高知识结构划分的精度。

［目的 ／意义］作者身份识别是语言文体学的重要研究方向，利用文本特征的身份识别也是文本挖掘的重要任务。在开放和虚拟网络环境下海量信息的作者身份或发布者的识别难题和传统作者身份识别方法在处理效率和成本等方面存在的问题有待解决。［方法 ／过程］将复杂网络理论引入该研究领域，在利用传统文体学特征识别作者身份方法的基础上结合文本词共现网络模型及其指标特征改进相关算法，使用文本文体学特征和文本网络模型度量指标构建作者风格特征集合，通过计算文本间风格相似度进行作者识别。［结果 ／结论］基于复杂网络模型的作者身份识别方法可以有效的利用作者风格特征，提高识别的精度，与其他算法的对比试验表明其识别结果的准确性更．．．

[目的/意义]作者身份识别是语言文体学的重要研究方向,利用文本特征的身份识别也是文本挖掘的重要任务。在开放和虚拟网络环境下海量信息的作者身份或发布者的识别难题和传统作者身份识别方法在处理效率和成本等方面存在的问题有待解决。[方法/过程]将复杂网络理论引入该研究领域,在利用传统文体学特征识别作者身份方法的基础上结合文本词共现网络模型及其指标特征改进相关算法,使用文本文体学特征和文本网络模型度量指标构建作者风格特征集合,通过计算文本间风格相似度进行作者识别。[结果 /结论]基于复杂网络模型的作者身份识别方法可以有效的利用作者风格特征,提高识别的精度,与其他算法的对比试验表明其识别结果的准确性更高。

提出一种基于科技文献的学科团队成员挖掘与识别方法,应用社会网络技术,借助领域专家知识导航平台,构建团队成员挖掘、团队成员识别及其科技文献产出为一体的识别方法,同时以国内某研究单位人机交互学科团队成员的构建为例,验证此方法的可行性和有效性,拓展科研机构评估及分析方法。

基于专利中术语共现关系,采用同质块建模方法对连续时间段术语共现网络的变化情况进行聚类,以识别技术演化过程中的新兴技术系统构成,并且以硬盘驱动器领域磁头技术为例进行实证分析。实证结果表明,该方法能够对技术系统构成进行有效识别。

针对信号处理故障检测方法难以自动辨识故障类型的问题,提出了一种基于机器视觉的感应电动机故障识别方法。首先利用Park矢量法分析电机的三相电流,获取矢量轨迹图;然后将方向梯度直方图与支持向量机相结合实现图像的特征提取和分类,进而达到电机故障自动辨识的目的。在Maxwell和Matlab的仿真环境下,设计了多种故障电机的模型和相应的仿真实验方案,实验结果表明:该文所提方法不但可行,同时其故障识别率高达100%。在此基础上,搭建了实物实验平台,进一步验证了所提方法对电机故障的高识别率。整个方法的研究和验证过程在教学中可加深学生对电机原理、信号处理以及人工智能等相关知识的理解,提高他们的学习兴趣和理论联系实际的能力。

新兴技术在科技革命和产业变革中发挥着重要作用,准确把握新兴技术发展方向有助于国家政策制定和科技快速发展。融合学术论文和专利文献数据,构建一套新兴技术识别方法。通过主题N元语法(TNG)模型抽取和筛选技术主题,确定关键技术主题,通过量化新兴技术的5项特征指标:影响力、增长性、连贯性、创新性、不确定性和模糊性,计算新兴指数得分,对多源数据融合新兴技术进行识别和预判。预测新兴技术未来发展趋势,可为电网领域可持续发展提供有价值的参考,验证研究方法的可行性和有效性。

[目的 /意义]有效融合专利引用网络中的多元关系，消除引用主观动机对技术关联真实性的影响，提高技术演化路径识别的客观性与准确性。[方法 /过程]将专利引用网络中的引用连接关系、主题关联关系、引用动机关系分别作为基础关系、增强关系和调节关系，提出一种多元关系融合的主路径识别方法，在此基础上构建基于多元关系融合的技术演化路径搜索模型，采用迭代局部搜索算法实现该模型的求解，并以石墨烯传感技术领域为例开展实证研究。[结果 /结论 ]对比实验证明本方法可以有效提高实证领域的技术演化路径识别效果。未来多元关系融合主路径研究深化方向是：发掘应用更多具有融合价值的主题关联类型；加强数据融合算法与模型的研究与验证。

当前文本主题获取方法大多依靠单一关联分析,不能全面分析可获取信息,难以准确获取科技发展主题。科技文献的主题词、作者和引文之间蕴含了以研究主题内容为纽带的语义关联关系,主题词共现关系、引文关系和合著关系分别从不同的角度展现了主题关联关系。因此,本文根据主题词之间语义关系距离的远近,将主题识别中主题词关联分为基础关系、强化关系和新增关系,在此基础上提出面向主题识别的多元关系抽取及关系融合方法;并以基因工程疫苗的研发与制备领域为例进行领域实证分析,利用PathSelClus算法实现基于多元关系融合的主题聚类,通过对比实验证明多元关系融合可以有效提高实证领域的文本主题聚类效果,而未来多关系融合主题识别则是需要重点关注的问题。图4。表6。参考文献19。

一种基于模糊神经网络的信息融合方法 ,在以此构造的基于多源信息融合的分类系统中 ,采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值 ,提出了一种能够控制模糊输入矢量的神经网络体系结构 ,该方法能够对非线性实间隔矢量和模糊矢量进行分类。实验表明 ,此融合方法是切实可行的。

基于文献数据帮助技术预见研究提高其信度和效度,逐渐受到国内外预见方法学的关注。但是,传统文献计量学无法高通量的处理数据,分析时未能考虑文献的语义信息,同时,无法有效的嵌入技术专家领域知识与判断,使得适用性和有效性受到限制。因此,本文提出一种基于机器学习主题模型的新兴技术识别预见方法,通过对技术领域全样本的论文与专利数据的高通量融合处理,挖掘论文与专利的语义信息,从而提高技术识别的全面性与颗粒度一致性;在此基础上,将预见专家组的领域知识与判断,融入机器学习过程中,从而提高机器学习的准确度与识别新兴技术的能力,同时,使用论文与专利每年引用率作为指标,分析技术领域下细分技术的潜在新兴模式。本研究以机器人技术为例,提取Web of Science(Wo S)论文数据库和Thomson Innovation(TI)专利数据库的十余万全领域海量数据,识别出机器人领域的新兴技术簇群,并进一步甄别全新技术颠覆和跨领域技术融合驱动等两种新兴技术出现模式,为新兴技术发展轨迹预见工作提供有益的支持。

识别潜在颠覆性技术有助于国家和企业加强颠覆性技术供给，使其在国际科技竞争中赢得竞争优势或实现变轨超车。传统基于文献计量的颠覆性技术识别方法通常利用论文和专利数据先构建关键词网络或关键词集，然后人工构造高阶数据特征进行分析。这种人工构造高阶特征的方法容易使关键词网络等的结构信息表达不充分，导致识别的准确性降低。本文提出一种基于图表示学习的半监督潜在颠覆性技术识别方法。首先，基于科技文献数据库数据，利用关键词共现频率和期刊影响力构建技术关键词加权网络；然后，通过反向传播算法基于匿名游走序列学习获得关键词网络的向量表示；接着，通过比较待识别技术关键词网络的向量序列与公认颠覆性技术关键词网络的向量序列之间的相似程度，反映技术演化特征的相似性，从而识别出潜在的颠覆性技术；最后，从近年来国内外与颠覆性技术有关的战略规划、预测报告中选取10项技术作为实验对象，采集WoS (Web of Science)数据对本文提出的方法进行实验验证，发现在预给定5项颠覆性技术的条件下，本文方法能较好地将其中潜在的3项颠覆性技术识别出来，并能够将2项伪颠覆性技术判断为非颠覆性技术。

[目的/意义]提升科技文献语义理解,提高科学研究前沿识别的前瞻性和细化识别主题粒度。[方法/过程]利用蕴含更多前瞻价值信息的科技规划、基金项目数据,运用语义挖掘技术实现文本内容的深度语义理解。通过对科技规划文本和基金项目数据文本两种不同数据源中蕴含的科学研究前沿主题相似度对比分析,采用新兴度和热点度两个指标,识别出新兴研究前沿主题和热点研究主题两类科学研究前沿主题,进而揭示出前沿领域竞争态势。[结果/结论]利用文章提出的方法对碳纳米管研究领域研究前沿进行识别,对识别结果分别采用专家咨询和论文数据证据方法进