移动低占空比无线传感器网络是近年来出现的新型网络。在移动低占空比无线传感器网络中,由于节点的存储空间有限,并且节点的移动及睡眠会导致网络不连通、数据无法及时传输等问题,使数据很难被快速分发并存储,数据持续性较低。为此,提...移动低占空比无线传感器网络是近年来出现的新型网络。在移动低占空比无线传感器网络中,由于节点的存储空间有限,并且节点的移动及睡眠会导致网络不连通、数据无法及时传输等问题,使数据很难被快速分发并存储,数据持续性较低。为此,提出一种卢比变换码的分布式数据存储(LT-MDS,Luby transform codes based mobile distributed storage)算法,该算法采用一种新的传染病式数据分发方法在节点不断移动的网络中分发数据,使数据能以较低的时延被网络中绝大部分节点接收到,提高了网络的可靠性;节点在接收到数据的同时,利用卢比变换码(LTC,Luby transform code)对数据进行编码存储,使容量有限的节点可以保存更多的数据信息。理论分析和仿真实验表明,LT-MDS算法能够以低时延完成数据分发和存储,同时获得较高的数据持续性。展开更多
字符的位置信息和语义信息对命名方式繁杂且名称长度较长的中文农业实体的识别至关重要。为解决命名实体识别过程中由于捕获字符位置信息、上下文语义特征和长距离依赖信息不充足导致识别效果不理想的问题,该研究提出一种基于EmBERT-BiL...字符的位置信息和语义信息对命名方式繁杂且名称长度较长的中文农业实体的识别至关重要。为解决命名实体识别过程中由于捕获字符位置信息、上下文语义特征和长距离依赖信息不充足导致识别效果不理想的问题,该研究提出一种基于EmBERT-BiLSTM-CRF模型的中文农业命名实体识别方法。该方法采用基于Transformer的深度双向预训练语言模型(Bidirectional Encoder Representation from Transformers,BERT)作为嵌入层提取字向量的深度双向表示,并使用实体级遮蔽策略使模型更好地表征中文语义;然后使用双向长短时记忆网络(BidirectionalLong Short-Term Memory,BiLSTM)学习文本的长序列语义特征;最后使用条件随机场(Conditional Random Field,CRF)在训练数据中学习标注约束规则,并利用相邻标签之间的信息输出全局最优的标注序列。训练过程中使用了焦点损失函数来缓解样本分布不均衡的问题。试验在构建的语料库上对农作物品种、病害、虫害和农药4类农业实体进行识别。结果表明,该研究的EmBERT-BiLSTM-CRF模型对4类农业实体的识别性能相较于其他模型有明显提升,准确率为94.97%,F1值为95.93%。展开更多
文摘移动低占空比无线传感器网络是近年来出现的新型网络。在移动低占空比无线传感器网络中,由于节点的存储空间有限,并且节点的移动及睡眠会导致网络不连通、数据无法及时传输等问题,使数据很难被快速分发并存储,数据持续性较低。为此,提出一种卢比变换码的分布式数据存储(LT-MDS,Luby transform codes based mobile distributed storage)算法,该算法采用一种新的传染病式数据分发方法在节点不断移动的网络中分发数据,使数据能以较低的时延被网络中绝大部分节点接收到,提高了网络的可靠性;节点在接收到数据的同时,利用卢比变换码(LTC,Luby transform code)对数据进行编码存储,使容量有限的节点可以保存更多的数据信息。理论分析和仿真实验表明,LT-MDS算法能够以低时延完成数据分发和存储,同时获得较高的数据持续性。
文摘字符的位置信息和语义信息对命名方式繁杂且名称长度较长的中文农业实体的识别至关重要。为解决命名实体识别过程中由于捕获字符位置信息、上下文语义特征和长距离依赖信息不充足导致识别效果不理想的问题,该研究提出一种基于EmBERT-BiLSTM-CRF模型的中文农业命名实体识别方法。该方法采用基于Transformer的深度双向预训练语言模型(Bidirectional Encoder Representation from Transformers,BERT)作为嵌入层提取字向量的深度双向表示,并使用实体级遮蔽策略使模型更好地表征中文语义;然后使用双向长短时记忆网络(BidirectionalLong Short-Term Memory,BiLSTM)学习文本的长序列语义特征;最后使用条件随机场(Conditional Random Field,CRF)在训练数据中学习标注约束规则,并利用相邻标签之间的信息输出全局最优的标注序列。训练过程中使用了焦点损失函数来缓解样本分布不均衡的问题。试验在构建的语料库上对农作物品种、病害、虫害和农药4类农业实体进行识别。结果表明,该研究的EmBERT-BiLSTM-CRF模型对4类农业实体的识别性能相较于其他模型有明显提升,准确率为94.97%,F1值为95.93%。
