基于1137个钻孔资料的场地模型及相应的土层地震反应分析计算结果,从场地地震动峰值加速度和特征周期两方面讨论分析了中国《建筑抗震设计规范:GB50011—2016》和美国规范IBC(International Building Code)中的场地分类方法。依据场地...基于1137个钻孔资料的场地模型及相应的土层地震反应分析计算结果,从场地地震动峰值加速度和特征周期两方面讨论分析了中国《建筑抗震设计规范:GB50011—2016》和美国规范IBC(International Building Code)中的场地分类方法。依据场地效应一致性分析得出:在中硬土场地上,美国的C类场地的离散性最小;在中软土场地上,中国的Ⅲ类场地表现出一定的弱势性;在软弱土场地上,中国的Ⅳ类场地优势性明显。总体上中国的双指标分类方法体现了一定的优势性。因此,提出了新的场地分类方法,方法中按照覆盖层厚度和30 m两者较小值的土层计算等效剪切波速,并将目前的Ⅱ类场地划分为Ⅱ1和Ⅱ2,将Ⅲ类场地中覆盖层厚度大于50 m且等效剪切波速小于等于170 m/s的场地归类到Ⅳ类场地,500 m/s以下的等效剪切波速分界线提高20 m/s。研究为建立更合理的场地分类方法提供新的解决方案。展开更多
随着数字金融服务业的不断发展,互联网和金融服务系统积累了海量文本数据,对金融文本中描述的金融事件自动分类是金融科技的现实需求,也是自然语言处理和机器学习领域广泛关注的方向。目前,深度学习方法已在文本分类中广泛应用,针对文...随着数字金融服务业的不断发展,互联网和金融服务系统积累了海量文本数据,对金融文本中描述的金融事件自动分类是金融科技的现实需求,也是自然语言处理和机器学习领域广泛关注的方向。目前,深度学习方法已在文本分类中广泛应用,针对文本数据中的金融事件多标签分类中存在的已标注数据缺少、已有深度学习方法消耗资源大以及现有方法未利用金融事件文本的具体特点等问题,通过采用ALBERT和TextCNN等表示工具,引入主体词注意力机制,提出了一种半监督金融事件多标签分类方法。首先,通过无监督数据增强(Unsupervised data augmentation,UDA)方法缓解标注数据量不足的问题;其次,引入了主体词注意力机制,使用ALBERT动态词向量表征方法对文本中的词进行表示;然后,利用TextCNN对文本进行综合语义表示;最后,分别采用交叉熵和KL散度度量标记数据和无标记数据的损失来训练模型。在金融文本数据集上验证了本文所提方法的有效性。展开更多
文摘随着数字金融服务业的不断发展,互联网和金融服务系统积累了海量文本数据,对金融文本中描述的金融事件自动分类是金融科技的现实需求,也是自然语言处理和机器学习领域广泛关注的方向。目前,深度学习方法已在文本分类中广泛应用,针对文本数据中的金融事件多标签分类中存在的已标注数据缺少、已有深度学习方法消耗资源大以及现有方法未利用金融事件文本的具体特点等问题,通过采用ALBERT和TextCNN等表示工具,引入主体词注意力机制,提出了一种半监督金融事件多标签分类方法。首先,通过无监督数据增强(Unsupervised data augmentation,UDA)方法缓解标注数据量不足的问题;其次,引入了主体词注意力机制,使用ALBERT动态词向量表征方法对文本中的词进行表示;然后,利用TextCNN对文本进行综合语义表示;最后,分别采用交叉熵和KL散度度量标记数据和无标记数据的损失来训练模型。在金融文本数据集上验证了本文所提方法的有效性。
