电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

基于深度学习的机载传感器领域知识图谱构建研究与实现 遥感地质专业VIP免费

基于深度学习的机载传感器领域知识图谱构建研究与实现  遥感地质专业_第1页
1/32
基于深度学习的机载传感器领域知识图谱构建研究与实现  遥感地质专业_第2页
2/32
基于深度学习的机载传感器领域知识图谱构建研究与实现  遥感地质专业_第3页
3/32
摘要摘要经历了世界航空维修产业(MRO,Maintenance,Repair&Operations)的高速发展,我国的航空维修产业(MRO)也获得了到了很多发展的契机与挑战。怎样按照自己的发展情况计划好布局和方向,加入该产业的世界化高速发展中成了目前亟待解决的问题。中国的民用航空维修产业第一是要把技术发展放在首位。依托当下热门的大数据研究民用飞机维修方案,以寻求更加合理化的、增强航空器性能的、减少维修成本的方案,是非常有意义的。中国民航所在飞航空器中,大多数采用电传操纵,机载传感器数量、种类众多。以知识图谱为代表的处理关联数据的大数据应用技术是解决机载传感器更好飞机维修方案的方法之一。机载传感器知识图谱构建的核心内容包括实体识别和关系抽取,本文以作者所在MRO企业机载传感器维修日志文本信息为基础,全面探索机载传感器知识图谱识别与关系抽取的理论,进行了以下的研究:(1)在机载传感器实体识别问题中,提出一种基于转换器的双向编码表征(BERT)与双层双向长短期记忆网络(BiLSTMs)与条件随机场(CRF)结合的机载传感器实体识别方法,针对BERT预处理模型对其Positionembedding进行每一个字的标注,再接双层BiLSTM模型,获取更好的上下文表示,结合Attention机制,进行字力度信息获取,减少三层模型带来的庞大计算量,最后在CRF模型的作用下得到序列标注的成果。研究结果显示,和传统的CRF模型相较而言,F值上升了百分之4.03。(2)(2)在机制传感器关系抽取问题中,采用BiLSTM-ATT模型。首先将文本信息中的每个词向量与位置向量进行融合,将其输入BiLSTM模型中,然后引入一层词注意力机制来获取词重要性,减少噪声,最后通过Softmax分类输出关系抽取结果。(3)运用Neo4j构建可视化机载传感器知识图谱,并进行数据分析应用。关键词:机载传感器知识图谱,关系抽取,深度学习,实体识别,算法PAGE\*MERGEFORMAT27目录ABSTRACTWiththecontinuousgrowthoftheglobalaviationmaintenanceindustry(MRO,maintenance,repairandoperation)market,China'saviationmaintenanceindustryhasalsousheredinmanydevelopmentopportunitiesandchallenges.Howtomakealayoutplanaccordingtoitsowndevelopmentstatustoadapttothenewwaveofdevelopmenthasbecomeatopicworthyofattentioninthedomesticaviationmaintenanceindustry.Makingfulluseofthedevelopmentofadvancedtechnologyisofgreatsignificancetomycountry'scivilaviationmaintenanceindustry.technologyandrelyonthepopularbigdatatostudycivilaircraftmaintenanceprogramstofindmorerationalizedsolutionsthatImproveaircraftperformanceandreducemaintenancecosts.MostoftheplanesflyingbyChina'scivilaviationareoperatedbywire,andthenumberandtypesofairbornesensorsarealsonumerous.Thebigdataapplicationtechnologyofprocessingrelateddatarepresentedbytheknowledgegraphisoneofthewaystouseairbornesensorstosolvebetteraircraftmaintenanceplans.Thecorecontentofairbornesensorknowledgegraphconstructionincludesentityrecognitionandrelationshipextraction.Basedonthetextinformationoftheauthor'sMROcompany'sairbornesensormaintenancelog,thispaperconductsin-depthresearchontheentityrecognitionandrelationshipextractionoftheairbornesensorknowledgegraph.Themainresearchcontentsinclude:(1)Intheproblemofairbornesensorentityrecognition,Aconverter-basedbidirectionalencodingrepresentation(BERT)combinedwithatwo-layerbidirectionallong-termshort-termstoragenetwork(BiLSTM)andaconditionalrandomfield(CRF)forairbornesensorentityidentificationisproposed.ThemethodistomarkeachwordembeddedinitspositionfortheBERTpreprocessingmodel,andthenconnectthetwo-layerBiLSTMmodeltoobtainabettercontextualrepresentation.Combiningtheattentionmechanismtoobtainthestrengthinformationofthewords,reducethehugeamountbroughtbythethree-layermodel.Calculatethenumber,andfinally...

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

基于深度学习的机载传感器领域知识图谱构建研究与实现 遥感地质专业

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部