传统的以数据为中心的路由协议,往往会导致传感网中出现在大量的"能量空洞"或"热点"现象。为了克服上述现象,借助雾计算理论模型,提出了一种基于雾计算跨层感知分簇路由协议(A Cross-layer-sensing Clustering Rout...传统的以数据为中心的路由协议,往往会导致传感网中出现在大量的"能量空洞"或"热点"现象。为了克服上述现象,借助雾计算理论模型,提出了一种基于雾计算跨层感知分簇路由协议(A Cross-layer-sensing Clustering Routing Protocol Based on Fog Computing,CCRP)。该协议通过跨层映射原理,利用感知事件驱动机制将雾节点映射到传感层,构成功能强大的虚拟控制节点,将传感网分簇路由协议的控制过程上传至雾层,通过雾计算实现事件域节点分布式成簇路由汇聚中心,从而建立以映射雾节点为中心的优化数据聚合路由,取代传感网底层路由中的数据,进一步平衡并减少网络负载。在路由协议优化阶段,利用粒子群优化算法(Particle Swarm Optimizations,PSO)采用无竞争开销方式选举一组最佳节点担任簇首,能有效地均衡全网能量的开销,抑制传感器节点能量的快速消耗,延长了网络生存周期。仿真实验表明,CCRP协议能够有效抑制网络开销的同时还可以高效完成对数据的优化过程。展开更多
事件抽取旨在从大量无结构的文本中抽取出结构化的事件信息,然而现有的研究工作存在难以抽取重叠角色,子任务间缺乏交互以及语义特征表达能力不足的问题。针对上述问题提出了一种中文事件抽取模型PACJEE(pre-trained language model and...事件抽取旨在从大量无结构的文本中抽取出结构化的事件信息,然而现有的研究工作存在难以抽取重叠角色,子任务间缺乏交互以及语义特征表达能力不足的问题。针对上述问题提出了一种中文事件抽取模型PACJEE(pre-trained language model and attention mechanism based Chinese joint event extraction)。该模型采用预训练语言模型RoBERTa来提取文本特征,对文本进行事件类型分类,在触发词识别阶段,将提取到的事件类型先验特征与文本特征进行融合,并且使用自注意力机制获取内部特征相关性,在论元角色分类阶段引入卷积神经网络与注意力机制来加强触发词特征的表达能力,通过多层指针标注进行重叠角色的识别。该方法在中文数据集ACE2005和DuEE上进行了实验分析,结果显示,相较于基准方法,在触发词分类上的F1值分别提升1.6和0.5个百分点,在论元角色分类上的F1值分别提升3.3和2.5个百分点,说明该模型能显著提升事件抽取效果,并且在一定程度上提升了对角色重叠事件的识别准确率。展开更多
文摘传统的以数据为中心的路由协议,往往会导致传感网中出现在大量的"能量空洞"或"热点"现象。为了克服上述现象,借助雾计算理论模型,提出了一种基于雾计算跨层感知分簇路由协议(A Cross-layer-sensing Clustering Routing Protocol Based on Fog Computing,CCRP)。该协议通过跨层映射原理,利用感知事件驱动机制将雾节点映射到传感层,构成功能强大的虚拟控制节点,将传感网分簇路由协议的控制过程上传至雾层,通过雾计算实现事件域节点分布式成簇路由汇聚中心,从而建立以映射雾节点为中心的优化数据聚合路由,取代传感网底层路由中的数据,进一步平衡并减少网络负载。在路由协议优化阶段,利用粒子群优化算法(Particle Swarm Optimizations,PSO)采用无竞争开销方式选举一组最佳节点担任簇首,能有效地均衡全网能量的开销,抑制传感器节点能量的快速消耗,延长了网络生存周期。仿真实验表明,CCRP协议能够有效抑制网络开销的同时还可以高效完成对数据的优化过程。
文摘事件抽取旨在从大量无结构的文本中抽取出结构化的事件信息,然而现有的研究工作存在难以抽取重叠角色,子任务间缺乏交互以及语义特征表达能力不足的问题。针对上述问题提出了一种中文事件抽取模型PACJEE(pre-trained language model and attention mechanism based Chinese joint event extraction)。该模型采用预训练语言模型RoBERTa来提取文本特征,对文本进行事件类型分类,在触发词识别阶段,将提取到的事件类型先验特征与文本特征进行融合,并且使用自注意力机制获取内部特征相关性,在论元角色分类阶段引入卷积神经网络与注意力机制来加强触发词特征的表达能力,通过多层指针标注进行重叠角色的识别。该方法在中文数据集ACE2005和DuEE上进行了实验分析,结果显示,相较于基准方法,在触发词分类上的F1值分别提升1.6和0.5个百分点,在论元角色分类上的F1值分别提升3.3和2.5个百分点,说明该模型能显著提升事件抽取效果,并且在一定程度上提升了对角色重叠事件的识别准确率。
