学习事件

摘要： 本发明涉及多模态数据的表示学习技术领域，具体涉及一种基于事件本体的多模态事件表示学习方法。具体技术方案为：一种基于事件本体的多模态事件表示学习方法，包括：相关领域事件本体的构建并形成事件本体模型；初始多模态事件信息数据的预处理，根据事件本体中定义的语言表现，将不同的事件归并到不同的事件类中；采用本体模型和多模态预训练模型对多模态事件数据进行嵌入表示；采用图卷积神经网络模型学习本体中由事件和事件以及事件和关系所构成的图结构。本发明能够解决单模态事件表达能力不足、事件之间缺乏语义信息的问题，同时能够保证相似或相关事件之间的语义距离越近，无关或不相似事件的语义距离越远。

摘要： 本公开提供了一种基于持续学习的事件抽取的模型训练、事件抽取的方法、装置及设备，属于自然语言处理技术领域，其中，该方法包括：获取文本流数据集；将文本流数据集输入至预训练的语言模型和自注意力机制中进行处理，得到与文本流数据集中文本对应的第一融合特征向量；采用知识蒸馏的方式，利用第一融合特征向量训练待训练的基于持续学习的事件抽取模型的学生网络和教师网络，得到基于持续学习的事件抽取模型，通过知识蒸馏框架实现知识迁移学习，利用历史增强特征转移网络使事件抽取模型能够在学习新事件知识的同时不会遗忘已经学习过的历史事件知识，在对新增事件类型检测的同时仍可以对历史事件类型进行检测，实现持续性事件学习和检测。

摘要： 本发明涉及基于融合主题信息增强PU学习的事件相关新闻过滤的学习方法。本发明将已标注和未标注的事件相关新闻数据集通过无监督预训练的方式进行主题信息抽取，再将抽取到的主题信息加入到PU学习的初次训练和后续的迭代训练过程中，确保在初始事件相关新闻样本较少的情况下能利用到更多的样本信息，并且在后续的迭代训练过程中都进行主题增强，使得每次迭代训练出来的分类器都能从未标注数据中获取到真正可靠的正负样本数据，来提高最终事件相关新闻分类器的性能。本发明比PU学习的基线模型，F1值提高了1.8％，且在低初始样本和高迭代的情况下领先更多。本发明利用主题信息增强PU学习的方法能有效解决与案例相关的新闻过滤任务中缺乏训练数据的问题。

摘要： 本发明属于船舶自动控制技术领域，具体涉及一种基于复合学习的水面船舶动态事件触发控制方法，包括：建立船舶数学模型；设计神经网络状态观测器；设计控制律的控制指令。本发明通过采用神经网络逼近技术对船舶数学模型中纵向、转向中非线性动态不确定项进行重构，建立有限时间扰动估计器，对纵向、转向中包括未知外部扰动和不可接近部分在内的整体不确定性进行在线重构，能够实现复杂不确定性的快速、准确在线重构，释放了在线干扰估计技术对船舶运动模型的精确要求，扩大了在线干扰估计技术的应用范围，引入事件触发控制方法，抑制驱动器不必要的磨损。

摘要： 本发明公开了一种基于深度学习的化学反应事件抽取方法和系统。本方法包括以下步骤：S1从pdf文献中截取与化学反应相关的文本图片，并利用OCR技术将其转换为文本文件；S2借助NLP工具包对其进行分句分词，获取标准化的数据；S3搭建神经网络模型识别与化学反应事件相关的实体；S4调整输入特征，利用网络模型对句子中的触发词进行抽取；S5引入图卷积网络，检测事件元素，建立触发词与相应反应实体间的关系，从而完成对一个化学反应事件的完整描述。本发明通过构建深度学习模型从化学文献中抽取涵盖化学反应的相关文本，将非结构化数据转换为结构化数据，丰富了化学反应数据库，推动了相关领域的任务进展。

摘要： 本发明提供了一种基于视听学习的人群异常事件检测方法。首先，对音频信号进行预处理，再将其对数梅尔谱图输入VGGish网络进行特征提取，得到音频表征；然后，对视频序列进行空间变换和时间变换，再将其输入到3D‑ResNet网络中进行特征提取，得到视频表征；最后，融合两类特征，并将其输入到分类网络，得到事件类别预测结果。本发明是一种多模态学习方法，可以更加有效地用于人群分析中的异常事件检测。

摘要： 本发明涉及一种基于分层网络表征学习的工业设备事件检测方法及设备，所述方法包括：获取待检测事件数据，通过一预训练的分层网络表征学习模型，获得属性表征和映射关系，从而获得与待检测事件对应的事件表征，将所得事件表征与所有正常和异常事件的簇心计算欧氏距离，将待检测事件归类为距离小的一类。与现有技术相比，本发明具有更强的异常检测能力和鲁棒性。

摘要： 本发明基于孪生深度时空网络，涉及生产制造过程现场管控技术领域，具体公开一种基于嵌入式和深度学习的制造边缘实时事件洞察方法，通过利用相同或不同工艺路线的生产状态变化时间序列样本对来学习，解决不同工作条件下的事件规则参数的设定问题。本发明针对如何利用采集到的少数一种或多种产品无法按时加工的异常样本，用于有限数据的产品按时完工的事件洞察。本发明解决不同工艺路线、不同订单紧急程度、不同工艺要求等变化工作条件下的生产现场的实时事件洞察困难，所构建的孪生深度时空网络能够在样本缺乏情况下实现在不同的工作条件之间、具有很大差异的同类事件的准确识别与洞察。

摘要： 本发明属于微地震检测领域，具体地而言为一种基于方差分形的深度学习微地震事件检测方法，包括：采用雷克子波合成地震记录中的有效信号；截取，构建一个包含噪声集和信号集的数据集；计算每个信号样本及噪声样本的方差分形维数，将计算过方差分形维数的噪声集及信号集输入到一个由卷积层、激励层、Dropout层、全连接层的一维卷积神经网络中进行训练，待训练完成后，保存模型，将待检测的数据计算整体的方差分形维数，通过在待检测的方差分形维数的数据上滑窗得到很多个样本，输入到保存的模型中得到检测结果。

摘要： 一种方法可以包括获得与对象相关联的动态视觉传感器的一组像素的一组事件；基于该组事件确定该组像素的一组电压；基于该组像素的该组电压产生一组图像；将该组图像输入到配置为输出对象的视觉运动估计的第一神经网络中；将该组图像输入配置为输出第一神经网络输出的视觉运动估计的置信度分数的第二神经网络；基于将该组图像输入到第一神经网络和第二神经网络中，获得对象的视觉运动估计和对象的视觉运动估计的置信度分数；提供对象的视觉运动估计和所述置信度分数。