基于动态数据逻辑结构特征的室内移动机器人低代码编程平台的设计方法
这是一篇关于低代码编程,P-集合,数据逻辑特征,先验知识,人机交互的论文, 主要内容为近年来,随着人工智能、大数据以及计算机技术的发展,在移动机器人的研究上也取得了较大的进展。其中,室内移动机器人的发展方兴未艾,其应用范围非常之广,在工厂作业、餐饮、医疗以及一些公共场所都有所应用。目前对于移动机器人常用的功能控制是实现其自主导航和避障,而这些功能的实现离不开专业技术人员对移动机器人的编程控制,这种编程往往都是针对某一固定的数学模型或特定的应用场景,当其所处的环境发生变化或者任务目标发生变化时,都需要重新对其进行数学建模和代码的编程。传统的这种控制器软件开发实现方式存在效率低、门槛高、开发周期长、工作量大、成本高的弊端。针对传统的这种编程控制方式中存在的弊端,本文利用传感器的动态数据逻辑结构特征对室内移动机器人进行低代码的编程控制并开发了相关的应用平台,能够实现移动机器人自主导航和避障的功能。本文的主要工作如下:(1)给出了一种基于动态数据逻辑结构特征的室内移动机器人低代码编程控制方法。首先,给出了移动机器人传感器数据特征和数据变化特征以及先验知识的表示方式和相关的数学模型,明确了利用先验知识的提取、表示、编译与解释以及推理从而实现低代码编程的控制方法。其次,利用P-集合的相关原理给出了先验知识的提取模型和实现方法以及先验知识的推理方法,给出了利用16进制字节码进行知识编译与解释的实现原理。最后,从理论上阐述了利用先验知识进行移动机器人的导航和避障的可行性和合理性,并且给出了其在面对不同场景时所具备的灵活性。(2)自主设计搭建了移动机器人下位机的原型控制系统。首先,完成了硬件平台的搭建,其次,利用PIC核心控制器实现了对传感器模块、驱动模块、传输模块等基础软件模块的开发设计,并基于对知识的解释和推理的方法开发了相关的解释模块、存储模块、推理模块等应用模块。最后,通过传感器的信息融合实现了移动机器人的相对定位、轨迹跟踪的功能。(3)开发了低代码编程平台的上位机人机交互界面。开发了 C/S架构的上位机软件平台,包括遥操作、传感器节点语义配置、知识提取属性配置、低代码编程逻辑配置、低代码编程规则配置以及导航路线配置的上位机配置界面,此外还设计了对数据特征进行显示的上位机显示界面。通过设计的人机交互界面可以实现控制移动机器人完成任务的低代码编程,当应对不同的场景变化时也能利用低代码平台重新进行编程以适应新的需求,从而最终能够实现编程效率的提高以及适应不同场景的灵活性。(4)利用低代码平台完成了对移动机器人的导航和避障功能的实验验证。并且针对不同的场景变化利用低代码编程平台重新进行了编程从而适应了新的场景需求,验证了低代码编程平台所具有的灵活性和适应性,对室内移动机器人低代码开发平台的深入研究具有一定的参考价值。
基于深度学习的零样本图像目标识别
这是一篇关于图像目标识别,零样本学习,深度学习,跨模态映射,先验知识的论文, 主要内容为近年来随着深度卷积神经网络技术的快速发展,基于有监督学习的图像识别方法取得了很大进步。然而,为了实现卓越的分类精度,需要大量人工标注的数据,并且学习出的分类器无法有效迁移到没有标注图片的场景下。因此,如何减少人工在数据方面的工作,以及如何使模型快速适应层出不穷的新样本,成为亟待解决的问题。零样本学习的提出,则有效地解决了此类问题,其旨在让模型具有识别从未见过数据类别的能力。目前对于零样本图像目标识别的研究在诸如分类模型、类别定义等方面均有所进展,但其仍存在一些不足之处。一方面,分类模型自身的表达能力不足;另一方面,类别定义没有充分利用外部描述或知识等辅助信息。为了解决这些问题,论文将分别从分类模型和类别定义着手,提出相应的改进方法,主要包括以下几个创新工作:(1)针对基于映射的分类模型中对映射空间约束不足的问题,论文提出一种基于类内类间约束的语义映射模型SEMIIR,同时对类内类间距离进行优化。(2)针对基于词向量的类别定义中的歧义性和非视觉性问题,论文提出一种基于视觉性修正的语义嵌入算法VMSE,通过引入外部描述对类别向量进行修正。(3)针对先验知识欠利用的问题,论文提出一种基于不同类型知识图谱的带注意力机制的残差图卷积网络模型ARGCN-DKGs,通过引入残差机制和注意力机制,以及融合不同知识图谱的方式,实现类别间知识的有效迁移。将论文所提的三种改进模型分别应用于各个标准数据集,实验结果验证了所提模型在多种评估指标上的有效性和优越性。
基于先验知识的垂直领域知识图谱更新研究及实现
这是一篇关于实体识别,关系抽取,知识图谱,先验知识的论文, 主要内容为知识图谱在当下的许多应用中扮演着越来越重要的角色,一个完备简洁的知识图谱是许多自然语言处理任务的前提。然而,随着新数据的不断产生,知识图谱中过时的知识会显著降低知识图谱的质量。对于垂直领域知识图谱来说,只有及时地从新发布的领域规范性文件中抽取新实体之间的关系,才能为下游任务提供可靠的数据支持。本文为了保证垂直领域知识图谱的实时性,降低人工标注的时间和经济成本,设计并实现一个领域知识图谱的管道式更新算法。论文的主要研究内容有以下几个方面:(1)提出了针对垂直领域知识图谱的管道式更新算法。现有的知识图谱更新策略需要大量的标注数据保证模型性能。然而,大部分垂直领域只有少量的标注数据。为了处理频繁发布的领域规范性文件,需要专家进行人工标注,效率低且耗费时间。这种结合先验知识的管道式方法,首先通过DVBS(Dictionary Vocabulary and Bayesian Sets jointly)方法有效识别领域新实体,再通过BBGDA(BERT-based Bi-GRU with Dual Attention mechanism)方法抽取包含领域新实体的句子中含有的关系,从而实现知识图谱的动态更新。(2)提出DVBS方法进行垂直领域命名实体识别。现有的通用领域分词工具对于垂直领域的文本切分粒度过细,影响垂直领域命名实体识别效果。根据领域规范性文件中命名实体往往是组合词的特点,先获取领域术语候选集,进一步将实体按照类别加入领域命名实体词典。(3)提出融合注意力机制的BBGDA关系抽取模型。基于BERT模型进行词汇编码,其具有的自注意力机制允许输入之间相互作用,使得词汇的语义编码更加符合语境。通过单词级别的注意力机制重点关注对关系分类起作用的语义信息。句子级别的注意力机制,减少远程监督过程中产生的噪声。本文旨在针对领域规范性文件的数据特点,实现垂直领域知识图谱的数据层增量式更新,保证垂直领域知识图谱的实时性。从而为垂直领域知识图谱的下游任务提供高质量的数据保证。
基于知识图谱的船舶中文专利推荐技术研究
这是一篇关于中文专利,先验知识,主题挖掘,关系抽取,推荐系统的论文, 主要内容为大型船舶企业在发展过程中积累了海量的专利技术信息,如何有效利用专利服务于产品研发环节成为当前船舶企业发展的关键。为了利用现有专利数据提高船舶产品的设计效率与质量,本文提出了一种基于知识图谱的中文专利推荐机制,利用主题挖掘、知识图谱等自然语言处理和信息管理技术开发面向设计研发人员的船舶中文专利推荐系统,从而实现船舶企业的智能化、快速化以及高质量化发展。主题模型是从海量文本中挖掘潜在语义信息的关键技术,是超高规模数据处理的有效手段。为了有效挖掘专利中的技术信息,本文首先提出一种基于先验知识的中文专利半监督主题挖掘模型。该模型基于相关性解释利用先验知识作为辅助信息来对潍柴20万条专利摘要文本进行挖掘,利用pyLDAvis可视化技术选取超参数,然后对主题挖掘结果进行一致性检验,最后将其结果与隐含狄利克雷分布、相关性解释两大经典无监督主题模型进行对比以验证其有效性。实验结果表明:先验知识的引入可以有效提高主题模型的主题一致性和指向性。构建领域知识图谱是信息管理的有效手段,为了有效挖掘专利技术信息之间的潜在关联,然后本文提出了一种基于先验知识的知识图谱关系抽取模型。该模型首先利用先验知识数据辅助训练关系抽取模型来提高关系抽取的准确性,分析其在不同先验知识规模下的准确率、召回率和F1值(平衡F分数),然后与双向长短期记忆网络和条件随机场关系抽取模型进行对比以验证其有效性。结果表明:通过先验知识的引导可以有效提高知识抽取的质量。推荐系统是解决信息过载的有效方法之一,为了在船舶产品开发中向研发人员提供精准的信息推送,本文最后在潜在兴趣传播模型基础上提出了一种基于关系权重选择的兴趣传播模型。该模型首先利用统计学方法对知识图谱关系类型以及数量进行分析,利用截断策略对数据进行噪声清洗,然后为关系类型分配不同的权值,在兴趣传播中利用权值优先采样策略进行兴趣集选择,最后在验证集上验证该模型的有效性。结合本文研究内容和船舶企业产品设计需求,本文还基于Pyside2软件技术平台设计和开发了面向研发人员的船舶中文管理系统,为船舶产品的智能设计与制造提供技术支撑。
基于动态数据逻辑结构特征的室内移动机器人低代码编程平台的设计方法
这是一篇关于低代码编程,P-集合,数据逻辑特征,先验知识,人机交互的论文, 主要内容为近年来,随着人工智能、大数据以及计算机技术的发展,在移动机器人的研究上也取得了较大的进展。其中,室内移动机器人的发展方兴未艾,其应用范围非常之广,在工厂作业、餐饮、医疗以及一些公共场所都有所应用。目前对于移动机器人常用的功能控制是实现其自主导航和避障,而这些功能的实现离不开专业技术人员对移动机器人的编程控制,这种编程往往都是针对某一固定的数学模型或特定的应用场景,当其所处的环境发生变化或者任务目标发生变化时,都需要重新对其进行数学建模和代码的编程。传统的这种控制器软件开发实现方式存在效率低、门槛高、开发周期长、工作量大、成本高的弊端。针对传统的这种编程控制方式中存在的弊端,本文利用传感器的动态数据逻辑结构特征对室内移动机器人进行低代码的编程控制并开发了相关的应用平台,能够实现移动机器人自主导航和避障的功能。本文的主要工作如下:(1)给出了一种基于动态数据逻辑结构特征的室内移动机器人低代码编程控制方法。首先,给出了移动机器人传感器数据特征和数据变化特征以及先验知识的表示方式和相关的数学模型,明确了利用先验知识的提取、表示、编译与解释以及推理从而实现低代码编程的控制方法。其次,利用P-集合的相关原理给出了先验知识的提取模型和实现方法以及先验知识的推理方法,给出了利用16进制字节码进行知识编译与解释的实现原理。最后,从理论上阐述了利用先验知识进行移动机器人的导航和避障的可行性和合理性,并且给出了其在面对不同场景时所具备的灵活性。(2)自主设计搭建了移动机器人下位机的原型控制系统。首先,完成了硬件平台的搭建,其次,利用PIC核心控制器实现了对传感器模块、驱动模块、传输模块等基础软件模块的开发设计,并基于对知识的解释和推理的方法开发了相关的解释模块、存储模块、推理模块等应用模块。最后,通过传感器的信息融合实现了移动机器人的相对定位、轨迹跟踪的功能。(3)开发了低代码编程平台的上位机人机交互界面。开发了 C/S架构的上位机软件平台,包括遥操作、传感器节点语义配置、知识提取属性配置、低代码编程逻辑配置、低代码编程规则配置以及导航路线配置的上位机配置界面,此外还设计了对数据特征进行显示的上位机显示界面。通过设计的人机交互界面可以实现控制移动机器人完成任务的低代码编程,当应对不同的场景变化时也能利用低代码平台重新进行编程以适应新的需求,从而最终能够实现编程效率的提高以及适应不同场景的灵活性。(4)利用低代码平台完成了对移动机器人的导航和避障功能的实验验证。并且针对不同的场景变化利用低代码编程平台重新进行了编程从而适应了新的场景需求,验证了低代码编程平台所具有的灵活性和适应性,对室内移动机器人低代码开发平台的深入研究具有一定的参考价值。
基于知识图谱的船舶中文专利推荐技术研究
这是一篇关于中文专利,先验知识,主题挖掘,关系抽取,推荐系统的论文, 主要内容为大型船舶企业在发展过程中积累了海量的专利技术信息,如何有效利用专利服务于产品研发环节成为当前船舶企业发展的关键。为了利用现有专利数据提高船舶产品的设计效率与质量,本文提出了一种基于知识图谱的中文专利推荐机制,利用主题挖掘、知识图谱等自然语言处理和信息管理技术开发面向设计研发人员的船舶中文专利推荐系统,从而实现船舶企业的智能化、快速化以及高质量化发展。主题模型是从海量文本中挖掘潜在语义信息的关键技术,是超高规模数据处理的有效手段。为了有效挖掘专利中的技术信息,本文首先提出一种基于先验知识的中文专利半监督主题挖掘模型。该模型基于相关性解释利用先验知识作为辅助信息来对潍柴20万条专利摘要文本进行挖掘,利用pyLDAvis可视化技术选取超参数,然后对主题挖掘结果进行一致性检验,最后将其结果与隐含狄利克雷分布、相关性解释两大经典无监督主题模型进行对比以验证其有效性。实验结果表明:先验知识的引入可以有效提高主题模型的主题一致性和指向性。构建领域知识图谱是信息管理的有效手段,为了有效挖掘专利技术信息之间的潜在关联,然后本文提出了一种基于先验知识的知识图谱关系抽取模型。该模型首先利用先验知识数据辅助训练关系抽取模型来提高关系抽取的准确性,分析其在不同先验知识规模下的准确率、召回率和F1值(平衡F分数),然后与双向长短期记忆网络和条件随机场关系抽取模型进行对比以验证其有效性。结果表明:通过先验知识的引导可以有效提高知识抽取的质量。推荐系统是解决信息过载的有效方法之一,为了在船舶产品开发中向研发人员提供精准的信息推送,本文最后在潜在兴趣传播模型基础上提出了一种基于关系权重选择的兴趣传播模型。该模型首先利用统计学方法对知识图谱关系类型以及数量进行分析,利用截断策略对数据进行噪声清洗,然后为关系类型分配不同的权值,在兴趣传播中利用权值优先采样策略进行兴趣集选择,最后在验证集上验证该模型的有效性。结合本文研究内容和船舶企业产品设计需求,本文还基于Pyside2软件技术平台设计和开发了面向研发人员的船舶中文管理系统,为船舶产品的智能设计与制造提供技术支撑。
基于深度学习的零样本图像目标识别
这是一篇关于图像目标识别,零样本学习,深度学习,跨模态映射,先验知识的论文, 主要内容为近年来随着深度卷积神经网络技术的快速发展,基于有监督学习的图像识别方法取得了很大进步。然而,为了实现卓越的分类精度,需要大量人工标注的数据,并且学习出的分类器无法有效迁移到没有标注图片的场景下。因此,如何减少人工在数据方面的工作,以及如何使模型快速适应层出不穷的新样本,成为亟待解决的问题。零样本学习的提出,则有效地解决了此类问题,其旨在让模型具有识别从未见过数据类别的能力。目前对于零样本图像目标识别的研究在诸如分类模型、类别定义等方面均有所进展,但其仍存在一些不足之处。一方面,分类模型自身的表达能力不足;另一方面,类别定义没有充分利用外部描述或知识等辅助信息。为了解决这些问题,论文将分别从分类模型和类别定义着手,提出相应的改进方法,主要包括以下几个创新工作:(1)针对基于映射的分类模型中对映射空间约束不足的问题,论文提出一种基于类内类间约束的语义映射模型SEMIIR,同时对类内类间距离进行优化。(2)针对基于词向量的类别定义中的歧义性和非视觉性问题,论文提出一种基于视觉性修正的语义嵌入算法VMSE,通过引入外部描述对类别向量进行修正。(3)针对先验知识欠利用的问题,论文提出一种基于不同类型知识图谱的带注意力机制的残差图卷积网络模型ARGCN-DKGs,通过引入残差机制和注意力机制,以及融合不同知识图谱的方式,实现类别间知识的有效迁移。将论文所提的三种改进模型分别应用于各个标准数据集,实验结果验证了所提模型在多种评估指标上的有效性和优越性。
基于机器阅读理解的热点事件抽取研究与实现
这是一篇关于事件抽取,机器阅读理解,热点事件,先验知识的论文, 主要内容为信息时代,热点事件的出现会伴随大量无意义信息,给人们提取信息造成障碍。为避免信息过载,人们可利用事件抽取技术高效获取事件有效信息。事件抽取包括两个子任务:事件检测和论元抽取。该技术可以将无结构数据转化成结构化数据,极大地方便研究人员进行后续的热点事件分析。传统事件抽取方法多依赖实体识别技术作为预处理步骤或并行步骤,存在误差累积问题。并且这些方法独立地对每个论元进行分类,忽视了不同论元角色之间的类别相似性,导致语义信息丢失。为了解决上述问题,本文提出了一种基于机器阅读理解的热点事件抽取方法,主要的研究内容如下:(1)将两个子任务均通过构建问句模板的方式转化为机器阅读理解任务,减少子任务对实体信息的依赖,进而解决了误差累积的问题。在论元抽取任务中将论元角色表述为自然语言描述的问题,通过在上下文中回答这些问题来抽取论元。该方法令论元角色的类别信息参与训练,从而解决语义信息丢失问题。(2)基于机器阅读理解的框架,采用两种技术手段引入各自的先验知识进一步提高子任务精准度。在事件检测任务上,本文将训练集的所有触发词构建成先验知识库,利用双向GRU进行特征学习;而在论元抽取任务上,则通过加入条件正则层来融入触发词语义信息。最后实验证明,这两种技术手段均提高了各自子任务的抽取准确率。(3)在以上模型的基础上实现了热点事件抽取系统,该系统采用B/S架构,使用Neo4j数据库来存储事件的结构化数据,利用d3.js技术将结构化数据进行图谱可视化展示,可用于事件检索和抽取事件关键信息。综上所述,本文在Du EE数据集上进行实验,证实基于机器阅读理解的改进策略和引入先验知识的手段能提高事件抽取任务的准确率,同时设计系统展示了事件抽取技术在热点事件上的应用,该系统还能被用来辅助抽取舆情突发事件。
基于先验知识的特定领域关系抽取研究
这是一篇关于特定领域,关系抽取,先验知识,卷积神经网络,远程监督的论文, 主要内容为随着知识图谱在特定领域的研究,领域知识图谱的构建逐渐成为研究热点。然而,在一些特定领域中,由于领域专业知识较复杂,应用范围较小等领域因素,使得领域关系抽取任务缺少适用于领域的关系抽取模型以及特定领域关系抽取数据集。而且,目前特定领域积累的行业先验知识在知识图谱构建和关系抽取任务中发挥的作用是有限的。本文把从领域语料文本以及现有知识库中获取的词汇信息和三元组知识作为领域先验知识,并提出了一种结合领域先验词汇的关系抽取模型,并且以金属材料领域为例,基于领域三元组知识和远程监督标注方法构建了关系抽取数据集。本文做了以下研究工作。1)提出了一种结合领域先验词汇的关系抽取模型。在关系抽取任务中,特定的关系类别常常可以在文本语句中找到能够表达该关系类别的一系列关系描述词汇,从而通过关系描述词汇来判定关系类别。因此,本文将语料文本中与关系类别具有高度相关性的关系描述词汇作为领域关系先验词汇,并通过深度学习方法将先验词汇融合到卷积神经网络模型,辅助关系抽取模型进行关系分类任务。模型评估实验结果显示,领域先验词汇知识的应用提高了模型的关系抽取性能,表明模型能够适用于特定领域内的关系抽取任务。2)设计了一种基于远程监督的领域关系抽取数据集构建方法。针对特定领域关系数据标注的难题,设计了领域文本及三元组抽取算法来获取大量的领域文本和领域三元组知识,并通过开放信息抽取工具来抽取领域语料中的三元组知识,最后再利用远程监督标注方法对领域文本进行关系标注,从而得到特定领域关系抽取数据集。实验过程中以金属材料领域为例,构建了金属材料领域关系抽取数据集,其中包含了两万多条关系标注文本。3)针对特定领域关系抽取数据集不同的噪声类型,设计了不同的降噪优化处理方法。在构建领域数据集的过程中,由于获取的领域语料中包含非领域文本,并且远程监督方法会生成错误的标注,因此领域数据集产生了两种噪声数据:领域型噪声和监督型噪声。针对领域型噪声数据,采用了文本分类的方法来降低噪声影响;针对监督型噪声数据,采用了强化学习模型来识别错误标签。根据降噪优化实验结果得知,经过两种噪声处理方法优化后,数据集的质量以及关系抽取模型的性能均得到了提升。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/48591.html
