基于置信区间与形态重构的自适应滑窗新方法

基于经验感知的自适应用户界面模型樊银亭;滕东兴;杨海燕;马翠霞;戴国忠;王宏安【期刊名称】《计算机学报》【年(卷),期】2011(034)011【摘要】针对传统自适应界面缺乏自主学习用户交互历史、难以根据用户经验有效预测用户意图的现状,基于认知心理学相关理论,该文提出了基于经验感知的自适应用户界面模型,从界面静态组成元素、动态交互行为和自适应策略三个方面建立了该模型的统一描述,然后研究了自适应界面模型的实现架构、关键技术和建模方法.最后开发了一个个性化的虚拟家居定制原型系统,并进行了实验评估.实验结果表明,该模型能够根据用户交互历史和上下文环境,准确预测用户意图,实时调整界面布局和交互行为以主动地适应用户.%Traditional adaptive interface lacks the ability of self-learning user interaction history and can't predict user's intent effectively with their experiences. Based on the theory of cognitive psychology, this paper proposes an adaptive user interface model based on experience awareness. Firstly, the model is described by static interface elements, dynamic interactive actions as well as adaptive strategies. Secondly, we study the implementation architectures, key techniques and modeling method of adaptive interface model. We built a personal virtual furniture customizing system and verified it by experiments. The experiments demonstrate that the model can obtain the user's intent fairly well, adjust interface layout and interactive actions in real time to adapt to them.【总页数】13页(P2211-2223)【作者】樊银亭;滕东兴;杨海燕;马翠霞;戴国忠;王宏安【作者单位】中国科学院软件研究所人机交互技术与智能信息处理实验室北京100190;中国科学院研究生院北京100049;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京 100190;中国科学院软件研究所人机交互技术与智能信息处理实验室北京100190【正文语种】中文【中图分类】TP391【相关文献】1.基于情境的战场态势感知界面模型 [J], 杨松;杨强;杨朝晖;周莉2.UIDT:一种基于摄像头的用户界面模型 [J], 武汇岳;张凤军;戴国忠3.基于情景演算的用户界面模型验证方法 [J], 梁伟晟;李磊4.基于构件的柔性Web用户界面模型 [J], 申利民;李伟伟5.基于Agent的Web用户界面模型的设计 [J], 罗杰红;杨伟明;黄旺华因版权原因，仅展示原文概要，查看原文内容请购买。

基于滑动窗口的PCA与SVDD方法研究与应用贾冬妮;谢彦红;赵欣;郑馨怡【摘要】文章分析了主元分析法和支持向量数据描述方法的基本原理,提出了将PCA和SVDD方法同滑动窗口模型相结合的研究思路.通过采用适当大小的滑动窗口逐步更新当前子数据空间,分别建立PCA和SVDD子模型,从而实现在线实时故障监测.文章通过对比基于滑动窗口的PCA和SVDD发现,基于滑动窗口的SVDD 有更好的监测效果.数值仿真验证了该方法的有效性.【期刊名称】《江苏科技信息》【年(卷),期】2017(000)008【总页数】2页(P59-60)【关键词】过程监测;滑动窗口;主元分析;支持向量数据描述;数值仿真【作者】贾冬妮;谢彦红;赵欣;郑馨怡【作者单位】沈阳化工大学,辽宁沈阳110142;沈阳化工大学,辽宁沈阳110142;沈阳化工大学,辽宁沈阳110142;沈阳化工大学,辽宁沈阳110142【正文语种】中文现有的多元统计方法广泛应用到间歇过程监测中，如主元分析法、多向偏最小二乘法、核独立元分析方法、支持向量数据描述方法等。

但这些方法都很难实现实时在线状态监测的问题。

针对上述问题，本文提出滑动窗口分别与主元分析法和支持向量数据描述的方法，采用适当大小的滑动窗口逐步更新当前的子数据空间;然后分别建立PCA与SVDD模型，提高了故障在线监测的实时性。

主成分分析（Principal Component Analysis，PCA）的工作对象是一个二维数据阵Xm×n，m为数据样本的个数，n为过程变量的个数。

在进行主元分析前，通常先将数据标准化。

公式为：新数据=（原数据-均值）/标准差。

处理后的矩阵记为主元分析方法的具体过程是建立T2和Q统计量（SPE，平方预测误差），主元得分向量可按下式计算：式中ti为得分向量;pi为载荷向量。

对于某时刻新的测量样本X1×n,T2和Q统计量可分别定义为：式中：Fk,m-k,α是对应于检验水平是α,自由度是k，m-k条件下F分布的临界值,E1×n为X1×n的残差；Qα为Q统计量的α置信限。

冲击噪声背景下独立信号与相干信号并存的测向自适应新方法刁鸣;刘磊;安春莲【摘要】An effective self-adaptive method was proposed to eliminate the impulsive noise. Firstly, a threshold value was set up according to the amplitude feature of the array received data. Then, the amplitude of the array received data, whose amplitude is higher than the threshold value, was modified as the threshold value, and the residual noise was re-sampled to reconstruct the data according to the number of snapshot. Finally, the common second-order statistics method was utilized to estimate the directions of arrival (DOAs), and the DOAs of the uncorrelated and coherent signals were estimated separately. The results show that the proposed method is effective in the presence of strong impulsive noise and fewer snapshots.%根据冲击噪声的幅值特点和快拍数数量，通过对阵列接收数据进行去冲击预处理后进行数据重构，提出一种冲击噪声背景下独立信号与相干信号并存的 DOA估计的新自适应方法。

第55卷 第1期2024年1月太原理工大学学报J O U R N A L O F T A I Y U A N U N I V E R S I T Y O F T E C HN O L O G YV o l .55N o .1 J a n .2024引文格式:罗媛媛,杨春明,李波,等.基于高置信度伪标签数据选择算法的临床事件抽取方法[J ].太原理工大学学报,2024,55(1):204-213.L U O Y u a n y u a n ,Y A N G C h u n m i n g ,L I B o ,e t a l .A c l i n i c a l e v e n t e x t r a c t i o n m e t h o d b a s e d o n a h i gh -c o n f i d e n c e p s e u d o -l a b e l d a t a s e l e c t i o n a l g o r i t h m [J ].J o u r n a l o f T a i y u a n U n i v e r s i t y o f T e c h n o l o g y,2024,55(1):204-213.收稿日期:2023-08-29;修回日期:2023-09-20基金项目:四川省科技厅重点研发项目(2021Y F G 0031);四川省省级科研院所科技成果转化项目(22Y S Z H 0021) 第一作者:罗媛媛(1998-),硕士,主要从事自然语言处理㊁知识图谱的研究,(E -m a i l )2306543568@q q.c o m 通信作者:杨春明(1980-),硕士,副教授,主要从事自然语言处理㊁机器学习方向的研究,(E -m a i l )y a n g c h u n m i n g@s w u s t .e d u .c n 基于高置信度伪标签数据选择算法的临床事件抽取方法罗媛媛1,杨春明2a ,3,李 波2a ,张 晖2b ,赵旭剑2a ,3(1.成都东软学院计算机与软件学院,成都611844;2.西南科技大学a .计算机科学与技术学院,b .数理学院,四川绵阳621000;3.四川省大数据与智能系统工程技术研究中心,四川绵阳621010)摘 要:ʌ目的ɔ事件抽取是构建高质量事件知识图谱的前提㊂临床事件抽取过程中事件元素存在依赖关系,现有方法无法准确识别事件元素并组合为事件,且现有临床事件标记数据较少,给事件抽取任务带来了极大的挑战㊂ʌ方法ɔ将临床事件抽取建模为实体识别模型,提出一种融合多特征的中文医学事件抽取方法:B E R T -M C R F .该方法使用B E R T 构建模型的嵌入和特征提取部分,在C R F 层加入多个字的滑动窗口特征,然后将B E R T -M C R F 作为半监督实验的基实验,提出一种高置信度伪标签数据选择算法作为筛选数据的条件,得到较高质量的300条数据与原始数据合并,最终构建了1700条语料,并重新训练模型㊂ʌ结果ɔB E R T -M C R F 模型在3种属性实体上的整体F 1值达到80.21%,比经典的B i L S T M -C R F 模型提升15.11%;通过半监督思路重新训练的模型最终F 1值达到81.56%,较原始B E R T -M C R F 提升了1.35%.关键词:临床医学事件抽取;实体识别;多特征;半监督学习;高置信度伪标签选择算法中图分类号:T P 391.1 文献标识码:AD O I :10.16355/j .t yu t .1007-9432.2023B D 011 文章编号:1007-9432(2024)01-0204-10A C l i n i c a l E v e n t E x t r a c t i o n M e t h o d B a s e d o n a H i gh -c o n f i d e n c e P s e u d o -l a b e l D a t a S e l e c t i o n A l go r i t h m L U O Y u a n y u a n 1,Y A N G C h u n m i n g2a ,3,L I B o 2a ,Z H A N G H u i 2b ,Z H A O X u ji a n 2a ,3(1.S c h o o l o f C o m p u t e r a n d S o f t w a r e ,C h e n g d u N e u s o f t I n s t i t u t e o f I n f o r m a t i o n ,C h e n gd u 611844,C h i n a ;2a .S c h o o l o f C o m p u te r S c i e n c e a n d T e c h n o l o g y ,2b .S c h o o l of M a t h e m a t i c s a n d P h ys i c s ,S o u t h w e s t U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ,M i a n y a n g 621000,C h i n a ;3.S i c h u a n B i g Da t a a n d I n t e l l i g e n t S y s t e m E n g i n e e r i n g T e c h n o l o g y R e s e a r c h C e n t e r ,M i a n y a n g 621010,C h i n a )A b s t r a c t :ʌP u r po s e s ɔE v e n t e x t r a c t i o n i s a p r e r e q u i s i t e f o r b u i l d i n g h i g h -q u a l i t y e v e n t k n o w l -e d g e g r a p h s .T h e d e p e n d e n c y of e v e n t e l e m e n t s e x i s t s i n t h e p r o c e s s o f c l i n i c a l e v e n t e x t r a c t i o n .E x i s t i ng m e th o d s f ai l t o a c c u r a t e l y i d e n t i f y ev e n t e l e m e n t s a n d c o m b i n e t h e m i n t o e v e n t s ,a n d t h e a m o u n t o f a v a i l a b l e c l i n i c a l e v e n t t a g g i n g d a t a i s l i m i t e d .T h e s e p r o b l e m s b r i n g g r e a t c h a l l e n ge s t o t h e e v e n t e x t r a c t i o n t a s k .ʌM e t h o d s ɔI n t h i s r e s e a r c h ,c l i n i c a l e v e n t i s e x t r a c t e d a n d m o d e l l e da s a n e n t i t y r e c o g n i t i o n m o d e l ,a n d a C h i n e s e m e d i c a l e v e n t e x t r a c t i o n m e t h o d i n c o r p o r a t i n g mu l -t i p l e f e a t u r e s i s p r o p o s e d :B E R T -M C R F .I n t h i s m e t h o d ,B i d i r e c t i o n a l E n c o d e r R e pr e s e n t a t i o n f r o m T r a n s f o r m e r s (B E R T )i s u s e d t o c o n s t r u c t t h e e m b e d d i n g an d f e a t u r e e x t r a c t i o n p a r t s o f t h e m o d e l ,m u l t i p l e w o r d s l i d i n g w i n d o w f e a t u r e s i n t h e C o n d i t i o n a l R a n d o m F i e l d s (C R F )l a ye r a r e a d d e d ,t h e n B E R T -M C R F i s u s e d a s a b a s e e x p e r i m e n tf o r s e m i -s u p e r v i s e d e x pe r i m e n t s ,a n d a h i g h c o nf i d e n c e p s e u d o -l a b e l e d d a t a i s p r o p o s e d .T h e s e l e c t i o n a lg o r i th mi s u s e d a s a c o n d i t i o n t o f i l t e r t h e d a t a ,a n d 300d a t a o f h i g h e r q u a l i t y a r e o b t a i n e d a n d m e r g e d w i t h t h e o r i gi n a l d a t a .F i -n a l l y ,1700c o r p u s a r e c o n s t r u c t e d a n d t h e m o d e l i s r e t r a i n e d .ʌF i n d i n g s ɔT h e o v e r a l l F 1v a l u e o f t h e B E R T -M C R F m o d e l o n t h e t h r e e a t t r i b u t e e n t i t i e s r e a c h e s 80.21%,w h i c h i s 15.11%b e t -t e r t h a n t h a t o f t h e c l a s s i c a l B i -d i r e c t i o n a l L o n g S h o r t T e r m M e m o r y -C o n d i t i o n a l R a n d o m F i e l d s (B i L S T M -C R F )m o d e l ;w i t h t h e m o d e l r e t r a i n e d b y t h e s e m i -s u p e r v i s e d i d e a ,t h e f i n a l F 1v a l u e r e a c h e s 81.56%,w h i c h i s 1.35%h i g h e r t h a n t h e o r i gi n a l B E R T -M C R F .K e yw o r d s :c l i n i c a l m e d i c a l e v e n t e x t r a c t i o n ;e n t i t y r e c o g n i t i o n ;m u l t i -f e a t u r e s ;s e m i -s u p e r -v i s e d l e a r n i n g ;h i g h -c o n f i d e n c e p s e u d o -l a b e l s e l e c t i o n a l go r i t h m 事件抽取(e v e n t e x t r a c t i o n ,E E )是构建高质量事件知识图谱的前提[1]㊂临床医学事件抽取是指自动地从患者临床数据中提取有关疾病诊疗的某一主医学实体㊁相关实体及属性信息㊂临床医学文本中蕴含的临床医学事件反映了某一疾病的产生㊁发展㊁变化的过程,其中包含了大量的临床部位㊁手术㊁药物㊁专业检查及指标数值等信息,展示出患者疾病演化过程,也记录了诊疗方案的调整过程㊂自动地从大量的临床医学数据中抽取出临床医学事件构建临床医学事件图谱[2](e v e n t k n o w l e d g e g r a ph ,E K G ),能为后续的临床诊断㊁药物发现㊁治疗方案提供支持㊂临床医学事件抽取包含两个步骤:1)事件元素抽取,2)事件元素关联㊂事件元素是指自由临床文本中的与诊疗相关的医学实体及属性,如全国知识图谱与语义计算大会(c h i n a c o n f e r e n c e o n k n o w l -e d g e g r a p h a n d s e m a n t i c c o m p u t i n g,C C K S )的测评任务四[3]定义一个医疗事件的主要对象为肿瘤,需要抽取出(肿瘤原发部位,原发部位的病灶大小,肿瘤转移部位)这样的三元组形式的数据,通过这样的抽取方式,将文本结构化,反映出肿瘤的发展变化过程㊂这些数据对后续具体的医疗决策㊁治疗顺序㊁用药情况等有极大的帮助㊂一个肿瘤转移的医疗事件如图1所示㊂……所示左乳内见团块影，大小约为1.57 cm×1.41 cm ，CT 值约52HU ，边缘不光整，见毛刺。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810639367.6(22)申请日 2018.06.20(71)申请人 哈尔滨工业大学地址 150001 黑龙江省哈尔滨市南岗区西大直街92号(72)发明人 刘大同　彭宇　王泽洋　王本宽　彭喜元　(74)专利代理机构 哈尔滨市松花江专利商标事务所 23109代理人 岳昕(51)Int.Cl.G06K 9/62(2006.01)G06Q 10/00(2012.01)(54)发明名称一种基于LSTM的无人机飞行数据异常检测方法(57)摘要一种基于LSTM的无人机飞行数据异常检测方法，涉及无人机异常检测和系统健康管理领域。

本发明是为了解决在无人机飞行数据异常检测中，无人机系统工作过程中产生的函数较为复杂，其逼近能力并不能满足较高拟合精度需求的问题。

本发明重构无人机遥测数据相空间，获得输入向量和输出向量，获得训练样本集和测试样本集，采用TensorFlow深度学习开源框架搭建LSTM基本预测模型并进行参数进行寻优，获得最优LSTM模型进而计算LSTM预测结果；之后分别进行异常点检测和异常序列检测，最终完成无人机飞行数据异常检测。

权利要求书2页 说明书3页 附图4页CN 108960303 A 2018.12.07C N 108960303A1.一种基于LSTM的无人机飞行数据异常检测方法，其特征在于，包括异常点检测方法和异常序列检测方法：异常点检测方法具体为：步骤一：重构无人机遥测数据相空间，获得输入向量和输出向量，构建LSTM基本预测模型的训练样本集和测试样本集，并基于训练样本集和测试样本集搭建LSTM基本预测模型；步骤二：利用网格搜索法对LSTM基本预测模型的参数进行寻优，并将寻优后的参数代入LSTM基本预测模型中获得最优LSTM模型；步骤三：将测试样本集中的样本输入到最优LSTM模型中，获得LSTM预测结果；步骤四：计算训练样本集中样本的实际值与LSTM预测结果的残差，将训练样本集中样本的残差平均值作为正态分布中心μ＝mean(e training)，将训练样本集中样本残差的标准差作为正态分布方差σ＝std(e training)，e training表示训练样本集中样本的残差，当置信概率P ＝99％时，获得置信区间：[μ-2.6·σ,μ+2.6·σ]；步骤五：判断待检测无人机飞行数据是否属于置信区间，是则该待检测无人机飞行数据为正常点，否则该待检测无人机飞行数据为异常点；异常序列检测方法具体为：步骤六：将所有待检测无人机飞行数据按照时间顺序划分为多个时间序列，每个时间序列含有n个数据，6≤n≤15；步骤七：当置信概率大于99％时，判断每个时间序列中异常点的个数Q是否属于[n-4, n]，是则该时间序列为异常时间序列，否则该时间序列为正常时间序列。