作者识别是通过分析未知文本的写作风格推断作者归属的交叉学科。现有的研究多基于字符和词汇特征，而句法关联信息在研究中鲜有涉及。该文提出了基于句法树节点嵌入的作者识别方法，将句法树的节点表示成其所有依存弧对应的嵌入之和，把依存关系信息引入深度学习模型中。然后构建句法注意力网络，并通过该网络得到句法感知向量。该向量同时融合了依存关系、词性以及单词等信息。接着通过句子注意力网络得到句子的表示，最后通过分类器进行分类。在3个英文数据集的实验中，该文方法的性能位列第2或3位。更重要的是，依存句法组合的引入为模型的解释提供了更多的方向。

数据标注最重要的考虑因素是标注数据质量和标注成本.该文调研发现自然语言处理领域的数据标注工作通常采用机标人校的标注方法以降低成本,但很少有工作严格对比不同标注方法,以探讨标注方法对标注质量和成本的影响.该文依托一个成熟的标注团队,以依存句法树标注为案例,实验对比了机标人校、双人独立标注及该文通过融合前两种方法所提出的人机独立标注方法,结果发现:人机独立标注能有效结合机标人校和双人独立标注的优点,在利用机器降低标注成本的同时解决了校对者的认同倾向问题,从而提高了标注质量.

［目的／意义］ＳＡＯ是一种能够表示主题信息和主题间关系的３元组结构，是文献计量学领域一个快速发展的研究方向。为了获得＂满足文献计量分析需求的ＳＡＯ结构＂，需要解决现有ＳＡＯ结构识别方法遭遇的３个问题：查全和查准率低、所识别ＳＡＯ结构和领域主题相关性不强以及矩阵稀疏性。［方法／过程］提出一种面向文献计量分析的基于语法树的ＳＡＯ结构识别方法，首先基于共现算法和＂主题词簇＂方法（ｔｅｒｍ ｃｌｕｍｐｉｎｇ）识别ＳＡＯ核心组件，然后利用基于语法树的抽取算法实现ＳＡＯ结构的逐层抽取。［结果／结论］案例研究发现，该方法的平均查准率为０．８０５ ８，平均查全率为０．８４４ ６，所识别ＳＡＯ结构与领域主题关系．．．

[目的/意义]SAO是一种能够表示主题信息和主题间关系的3元组结构,是文献计量学领域一个快速发展的研究方向。为了获得“满足文献计量分析需求的SAO结构”,需要解决现有SAO结构识别方法遭遇的3个问题:查全和查准率低、所识别SAO结构和领域主题相关性不强以及矩阵稀疏性。[方法/过程]提出一种面向文献计量分析的基于语法树的SAO结构识别方法,首先基于共现算法和“主题词簇”方法(termclumping)识别SAO核心组件,然后利用基于语法树的抽取算法实现SAO结构的逐层抽取。[结果/结论]案例研究发现,该方法

供应链网络核心节点的识别对于提高企业供应链网络的运作效率和韧性具有重要意义。研究分析了局部核心节点发现算法的思想及其收敛性特征，基于复杂网络视角提出了一种考虑节点连边重要性的供应链网络核心节点识别算法，结合网络效率下降率指标综合评价节点重要度，并结合虚拟与真实企业供应链网络进行算法验证。研究表明，该算法可有效识别出企业供应链网络中包含计算度值较低桥节点在内的核心节点，且算法识别准确性与计算速率更优。

针对复杂网络中关键节点识别方法的分辨率和准确性不足的问题,该文提出了一种基于K-shell的复杂网络关键节点识别方法(K-shell based key node recognition method,KBKNR)。首先,采用K-shell方法将网络分层,获取每个节点的K壳(K-shell,Ks)值,通过Ks值衡量复杂网络全局结构的影响。其次,提出综合度(comprehensive degree,CD)的概念,并设定可动态调整的影响系数μ_i,通过平衡邻居节点和次邻居节点的不同影响程度,获取每个节点的综合度。在该方法中,当节点Ks值相同时,综合度较大的节点更重要。对比几种经典关键节点识别方法和一种风险评估方法,实验结果表明,该方法能够有效识别关键节点,在不同复杂网络中具有较高的准确率和分辨率。除此之外,KBKNR方法可以为网络节点的风险评估、重要节点保护和网络中节点的风险处置优先级排序提供依据。

[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。

［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．．．

为建立果树花期树种识别的有效模型,利用ASD Field Spec 3全波段便携式光谱分析仪采集了4种果树花期花的光谱数据。利用剔除异常光谱、5点移动平滑等技术对4种果树花期花的光谱反射率进行预处理,使用连续投影算法(SPA)进行有效波长选取并获得7个波长下的反射光谱,同时增加了590 nm和720 nm处2个波形差异大的光谱,与归一化植被指数(INDV)和比值植被指数(IRV)共11个特征波段作为分类建模数据,建立了偏最小二乘判别分析(PLS-DA),正交偏最小二乘判别分析(O-PL-DA)和基于误差反

共建"21世纪海上丝绸之路"重大倡议的提出,疏通了东西方经由航运往来,实现全要素"流动"的海上通道,拓展了中国连接世界经济的新型贸易之路。本文基于航运往来关系,引入社会网络分析方法,分析中外整体航运网络空间结构及核心—边缘构局,结合嵌入广度、嵌入深度和网络中介功能,类比不同地区航运网络嵌入模式差异;综合考量中外港口节点的网络中心地位和现实航运能力,识别航运网络中的功能节点。研究发现:(1)沿线航运网络呈现以中国—东南亚地区紧密关联为重心的"镐头"状空间格局,上海、深圳、新加坡、巴生港共同架构起沿线港口低耗高效的轴辐式关联网络结构;(2)过滤得到关联骨干网络和核心网络,并识别出关联广度和强度差异的海外港口特殊节点和核心节点;(3)港口嵌入航运网络的方式大致可分为以中国和东南亚港口为代表的(广度、深度、中介功能)层级嵌入模式和以非洲、南西亚—中东、南亚和欧洲地区为代表的均质嵌入模式;(4)中国港口外向关联强度层级特征明显,识别出潜在复合型枢纽港、外向干线港、内向直挂港、中介支线港和边缘喂给港五种类型的港口节点,并明确分工提出发展建议,以期有效协调港口组织格局和节点功能互补共进,强化"21世纪海上丝绸之路"的通道价值。

对大规模科技文献进行整理分析时,常常需要自动识别论文作者所归属的组织机构,此时需要将论文中的作者地址信息与对应的机构名称进行自动匹配。同一个机构的作者地址信息在不同的英文论文中可能出现多种不同的写法,这给匹配造成了困难。针对这一问题,设计出一种机器学习方法,此方法充分利用英文论文中作者地址的书写特点,在基于类中心向量的基础上将作者地址信息与机构名称进行自动匹配。与传统方法比较,该方法不需要手工编写烦琐的匹配规则,被应用于中国科学院作者地址信息数据集,实验结果证明了此方法的可行性。

【目的】利用卷积神经网络模型进行图像自动识别时，为防止模型过拟合通常需要大量训练样本。本研究为提高树种识别准确率，在原有叶片图像基础上进行图像样本扩充来保证训练质量，提出一种融合生成对抗网络与卷积神经网络的树种识别方法。【方法】在Pytorch框架下，采集10种常见树种（山杨、梣叶槭、榆、刺槐、紫丁香、杜仲、火炬树、山荆子、水曲柳、红端木）叶片图像作为研究对象。首先，采用均值滤波去噪和尺寸归一化对图像进行预处理。其次，以生成对抗网络生成的图像扩充数据集，其中，以深度卷积生成对抗网络（DCGAN）模型为基础并对其进行改进，建立残差条件深度卷积生成对抗网络（RC-DCGAN）模型，将随机噪声和类别标签作为生成器的输入，以控制样本生成过程；在生成器中嵌入残差结构，使生成模型学习更多特征信息，以提高生成图像质量。然后，将原始图像和扩充图像作为卷积神经网络（CNN）的训练集，一方面，使用RC-DCGAN模型和旋转、镜像、改变对比度等传统图像扩充方法，扩充图像11 400幅；另一方面，将原始图像与生成图像、原始图像与传统扩充图像，分别输入至CNN中进行训练，并在原始图像的每个类别中随机挑选50幅对模型进行测试，以验证生成对抗网络对提升识别准确率的可行性。最后，确定适合试验要求的CNN分类模型，并与AlexNet模型、VGG-16模型、VGG-19模型、 ResNet18模型的识别效果进行对比，以检验本研究方法的可行性。【结果】RC-DCGAN模型比DCGAN模型生成的图像质量更高，贴合真实图像；利用生成对抗网络扩充图像的方法与ResNet30树种识别模型，训练准确率为99.03%，平均验证识别准确率为97.20%；而在相同树种识别模型下，传统图像扩充方法的识别率为95.50%；在相同数据集下，AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型所获得的识别率分别为86.52%、87.57%、91.43%、93.25%，均低于本研究模型的识别率。【结论】联合生成对抗网络和卷积神经网络的方法对本研究10种树种叶片图像的识别准确率最高，且克服了使用传统图像处理扩充方法使模型泛化能力下降的问题，说明利用生成对抗网络对图像扩充的方法具有可行性和有效性，可为相关研究工作提供借鉴。

对研究区ALI数据进行了图像镶嵌、定标与反射率计算,通过PPI运算与N-D散点图三维分析,获取了研究区岩矿样本波谱曲线,并采用波谱比对技术对样本岩矿进行了分析。在此基础上,采用决策树分类方法提取了研究区岩矿信息,研究发现:通过MNF变换,样本区的各类岩矿波谱曲线特征差异明显且远远大于MNF变换前的波谱曲线特征差异,而基于此的决策树分类识别方法能够较为准确地识别各类岩矿。

组合预测可以提高预测结果的稳定性。在样本容量较小时,基于权重估计的组合预测模型容易导致巨大的估计误差而影响预测效果;特别是在回归框架下,还可能出现预测模型多于用于组合预测的样本数量,导致回归系数无法估计的问题。文章将降维技术中基于流形假设的局部线性嵌入算法引入到小样本组合预测中,以改进基于回归组合模型的预测效果。

电力设备的负荷曲线随着时间而变化,其本质上是时间序列数据.为此提出了一种新的通过负荷曲线识别电力设备的方法,该方法在多个粒度划分出的负载曲线上使用卷积神经网络作为基分类器构造出一个集成学习器来提高分类精度.首先我们对原始数据进行不同粒度的划分,得到若干不同的新数据集.其次使用这些新的数据集训练不同的基学习器,并根据验证集上的精度得到不同基学习器的权重.将测试样本按照相同的粒度划分方式得到不同的测试数据集,使用不同的基分类器对这些测试数据集进行测试,得到对应的预测标签.最后对不同基分类器预测的标签进行加权,并选出权重最大的那个标签作为预测标签.在实际的电力负荷数据上将该模型与单个CNN模型进行对比,实验结果表明,该模型具有更高的设备识别精度.