课程文献中心 更多>>

关键词： 大语言模型   子图生成   分步推理  

摘要： 大语言模型（Large Language Model， LLM）自问世以来在各种任务中取得了显著的成功，尤其是在机器翻译、文本生成、问答系统等任务中的卓越表现，它们的应用也迅速扩展到了更多复杂的任务中。然而，尽管LLM在多种任务中展现了强大的能力，但在需要深入推理和逻辑推导的任务场景中，它们仍然面临着显著的挑战。尤其是，由于模型训练过程中依赖大量的文本数据，往往难以全面涵盖所有领域的专业知识，导致LLM在处理特定领域问题时容易产生“幻觉”问题，即输出不准确或与实际知识不符的答案。该问题可以通过在大语言模型推理中引入外部知识图谱（Knowledge Graph， KG）来辅助解决。本研究创新性地提出基于外部子图生成的大模型分步增强推理框架（Step-by-Step Enhanced Reasoning Framework for Large Language Model With External Subgraph Generation， SbSER），首先通过生成清晰的子图Schema引导大模型完成准确的语义解析以完成问题到逻辑查询语句的转换，其次将知识三元组导入图数据库中以完成准确的知识查询，最后通过采用直接查询推理和联合推理两种推理方式实现问题的最终增强推理输出。实验结果表明，SbSER在多个数据集上取得显著进展。基于这一成功，本研究希望为未来KG与LLM融合的研究提供有价值的参考，从而提升LLM在解决复杂问题上的能力。

关键词： 递归图   卷积宽度学习   小样本   辐射源个体识别  

摘要： 针对当前辐射源个体识别方法在小样本条件下容易过学习、识别准确率低的问题，本文提出了一种基于信号递归图和卷积宽度学习的小样本辐射源个体识别方法。该方法将辐射源信号转换为递归图作为宽度学习网络的输入，将辐射源数据时序特征转化为图像空间特征；此外，该方法提出一种卷积宽度学习网络，将宽度学习中特征节点的计算方式由矩阵乘法替换为卷积运算，通过稀疏连接和权值共享减少模型参数数量，从而减轻模型过拟合风险。通过对公开数据集实验，验证了所提算法在少量训练样本数量条件下相较于其他算法有更好的识别性能。

关键词： 静默活体检测   MobileNetV2   倒置残差结构   傅里叶频谱辅助学习  

摘要： 为了提高活体检测的准确度，提出一种基于改进MobileNetV2算法与频谱图的静默活体检测方法，该方法利用深度学习和图像处理技术，通过分析图像中人脸的生物特征和频谱特征来判断人脸的真实性。文中对MobileNetV2算法进行改进，采用挤压和激励（Squeeze and Excitation，SE）注意力机制和傅里叶频谱辅助学习的方法来提高静默活体检测的准确度。此外，在Print-Attack、OULU和NUAA数据集上进行实验评估，对MobileNetV2+FFT+SE方法进行验证。实验结果显示，当RFP=10-2时，RTP为97.23%，REE为2.07%，AUC为96.27%，ACC为92.31%。这些指标证明该方法具有优异的分类性能、较高的AUC值和较低的错误率，同时此方法在实际应用中能够提高人脸识别的安全性，保护个人隐私和信息安全，并具有重要的应用前景。

关键词： 移动机器人   激光雷达   惯性导航组件   多传感器融合   同时定位与建图  

摘要： 黑灯工厂中光照条件差且部分区域结构特征相似，为提高移动机器人在黑灯工厂的同步定位与建图算法精度，提出TSR-LIO-SAM算法，将激光雷达与IMU紧耦合，使用预积分因子补偿IMU的动态误差，并利用IMU高频输出消除激光雷达点云畸变，同时提出基于时空间阈值的关键帧选取与局部建图策略，结合线面特征与点云概率分布改进ICP算法，并配置动态权重优化点云配准。实验表明，TSR-LIO-SAM算法相较于LEGO-LOAM以及LIO-SAM算法，平均误差分别减少了77.96%、9.77%，误差均方根分别减少了78.64%、8.49%，证明了TSR-LIO-SAM算法在室内环境下的有效性。

关键词： 絮体特征   密度图   多点标记   深度自适应   局部增强  

摘要： 针对基于图像分割的絮体特征检测方法在净水混凝工艺实景观测的情况下，存在深处絮体识别精度差或标注成本高以及景深信息难以自适应处理等问题。本文提出了一种基于改进密度图与局部增强CNN的絮体特征检测方法。首先，设计了一种基于多点标记与平均核平滑处理的密度图构建方法用以解决密度图无法同时反应多个絮体特征参数的问题；其次，提出了一种场景深度自适应结构，通过为不同深度的絮体赋予不同的权值拟缓解视差现象带来的絮体参数检测不准确问题；然后，构建了一种能够获取多尺度感受野并突出局部特征的局部增强卷积神经网络结构（Local Enhanced Convolutional Neural Network,LECNN)，在多点标记的絮体图像数据集上与近年来新提出的像素级预测网络结构对比测试中，展示了更准确更鲁棒的密度图拟合性能；最后，将本方法与当前常用的絮体特征检测方法比较，实验结果表明，所提方法的性能较其他对比方法均有一定的提升。

关键词： 知识图谱推理   图神经网络   注意力机制  

摘要： 【目的】解决知识图谱中由于关系稀疏性和隐藏关系难以利用而导致的认知局限问题。【方法】提出一种基于图注意力网络的全局邻域感知知识图谱推理模型（GAGAT），通过引入介数中心性作为隐式结构信息，结合关系语义信息，构建层次注意力机制以增强链路预测的准确率和可解释性。【结果】GAGAT模型在FB15K-237、WN18RR数据集上，在Hits@3指标上，相比于ComplEx有26.5%和5%的提升；相比于CompGCN有15%和1.6%的提升；相比于SD-GAT有1%和1%的提升，证明了其在捕获隐式关系和复杂语义上的优势。【局限】本文仅考虑介数中心性作为隐式结构信息和关系语义信息的融合，未探讨其他结构特征在推理中的作用，尚需进一步研究和验证。【结论】GAGAT模型通过融合隐式结构信息和关系语义信息，进一步挖掘了知识图谱中的隐藏关系，有效提升了知识图谱链路预测的准确性和可解释性，为智能系统的认知能力提供了有力支持。

关键词： 脑电信号处理   情绪识别   图神经网络   图池化   深度学习  

摘要： 近年来，图神经网络因其出色的空间拓扑能力，在脑电情绪识别领域表现突出。然而许多方法只考虑了脑电通道间的连接，忽略了大脑区域间的功能性联系。图神经网络通常依赖线性变换来更新节点，如果直接将原始脑电信号作为输入，容易导致模型过拟合。虽然使用手工提取的特征可以减轻这一问题，但这也限制了对信息的全面提取。针对当前图相关算法在脑电情绪识别领域的局限性， 本文提出一种基于自适应层次图池化技术的端到端脑电情绪识别算法。首先设计一个自适应图生成模块， 采用数据驱动的方法，能够自动生成与情绪识别任务密切相关的图邻接矩阵，对脑电信号的空间信息进行有效建模。此外，为了更准确地提取关键通道或脑区的时域脑电信号特征，本文进一步提出时域层次图池化模块，在识别时域信号特征的同时，融合图节点的相关特征。该模块通过对脑电通道的层层池化，提炼出更有代表性的区域特征，并动态更新各区域之间的功能连接，从而实现对脑电信号的深度特征提取和有效表示。为了验证所提出的自适应层次图池化模型的有效性，本文在两个广泛使用的公共脑电情绪数据集DEAP和MAHNOB-HCI上开展实验，结果表明所提出的自适应层次图池化模型在性能上显著优于其他最先进的深度学习方法和传统机器学习方法。

关键词： 视图转换   轻量化Transformer模型   鸟瞰图   透视图  

摘要： 针对多数基于多视角透视图的鸟瞰图生成算法难以实现对语义不一致多状态关联特征的提取，以及模型性能与复杂度的平衡等问题，提出一种基于轻量级Transformer的BEV生成模型。该模型采用端到端的单阶段训练策略，通过建立交通场景中动态车辆和静态道路信息的关联，滤除生成视图中的噪声。基于此，一方面设计面向多尺度特征的Transformer循环跨视图转换模块，通过注意力机制实现对输入的位置编码和表征学习，捕捉特征序列中不同位置的依赖关系，提升BEV特征的鲁棒性；另一方面设计面向语义不一致的多状态BEV特征融合模块，提取静态道路和动态车辆的关联信息，提升生成BEV视图的精度。在NuScenes数据集上进行实验，结果表明本文方法在确保低模型复杂度的前提下，达到了先进的BEV视图生成性能。动态车辆和静态道路的语义分割精度分别达到了43.2%和82.0%。

关键词： 并矢Green函数   地井电磁探测   同线发射源   旁线发射源   回线发射源  

摘要： 采用水平层状各向异性介质中的并矢Green函数模拟地井电磁远探测同线、旁线和回线3种发射源的响应,分析频率、收发水平间距、背景地层各向异性、目的层电导率对电磁场各分量的影响特性。结果表明,不同的发射方式、电磁场的不同分量对目的层的识别能力不同。3种发射方式中同线发射方式的综合识别能力最强,其中又以Ezx分量最佳。频率越高,各种发射方式的探测深度越浅,但对目的层的综合识别能力越高。收发水平间距的变化对不同分量探测深度的影响特性存在差异,但总体而言影响程度相对较低。背景地层各向异性和目的层电导率的变化对不同分量的影响程度不同,同线发射方式的Ezx分量所受影响最大。相关结论可为地井电磁远探测方案的设计和参数的选择提供理论指导。

关键词： 微动勘探   黄土   地质分层   频散曲线   样点数  

摘要： 黄土在沉积过程中受气候环境的影响，呈现明显黄土-古土壤交替分层沉积特性，其物理力学性质也具有明显差异，为微动勘探进行黄土分层提供了良好的地球物理条件。为验证微动勘探在黄土地层划分中的可靠性和准确性，在坡头村洛川黄土标准剖面附近及西安少陵塬上进行了微动勘探黄土分层试验研究，研究结果表明：根据微动勘探速度深度域频散曲线上的拐点、频散点连线斜率的变化以及频散点疏密程度的变化可以对黄土进行地质分层，在分层中其精度受频散曲线样点数的影响较大，对于浅部黄土地层宜采用512样点数及1024样点数对应的频散曲线进行分层，对于深部黄土地层宜采用2048样点数对应的频散曲线进行分层，钻孔实测分层深度与微动勘探分层深度差值不大于0.6m。