快捷入口

  • 作者投稿
  • 专家审稿
  • 编辑办公
  • 最新文章
  • 优先出版
  • 过刊浏览
  • 视频速递
  • Vol. 70  期 3， 2024 2024年 70卷 第3期
    • “最新研究揭示，基于Transformer架构的ChatGPT在自然语言处理任务中表现出色，为工业领域研发设计、生产运营和经营管理等环节提供新解决方案。”

      黄勃,李文超,刘进,刘瑾,王文广,杨勇,赵晓丽

      DOI：10.14188/j.1671-8836.2023.0122
      摘要：人工智能技术的发展给人们的生活带来了极大的便利，自然语言处理技术在其中发挥着重要作用。基于Transformer神经网络架构的聊天生成预训练转换器（chat generative pre-trained transformer，ChatGPT），具有强大的语言理解和文本生成能力，可以根据用户输入的信息和问题，快速生成高度匹配用户意图的响应，其精度和反应速度相当出色。本文结合人工智能技术应用于工业领域的特征，介绍了ChatGPT在众多自然语言处理任务中展现出的非凡能力，展望了ChatGPT在工业应用中研发设计、生产运维和经营管理等环节的应用可能性，列举了当前ChatGPT应用于工业领域存在多方面限制，并提出改进方向，以便更好地满足工业应用的需要。  
      关键词：ChatGPT;深度学习;Transformer;大型语言模型   
      248
      |
      160
      |
      0
      <HTML>
      <网络PDF>
      <引用本文> <批量引用> 50039068 false
      更新时间：2024-06-20
    • “在工业领域，一项创新的自注意网络算法被提出，通过融合标签语义与字形拼音信息，显著提升了中文命名实体识别的准确性，为工业场景化应用提供了有效解决方案。”

      张建伟,刘瑾,杨海马,曾国辉,邢季,张锐

      DOI：10.14188/j.1671-8836.2023.0234
      摘要：工业领域数据由于其非结构化、领域特定性和数据稀缺性等特点，传统的中文命名实体识别技术在工业领域的应用并不理想。本文以汽车产业数据为依托，提出一种将标签语义与字形拼音信息相融合的自注意网络算法，结合字符级和标签级特征进行多维特征提取。模型引入自注意机制获得文本长距离依赖关系，将分词特征整合到字符级，并结合标签语义特征的上下文进行预测，提高了字符词边界的识别性能。在一定程度上解决了词边界分割歧义及短语组合上下文依赖问题。本文方法在MSRA和Weibo数据集及自构建工业维修文档数据集上进行了实验，结果表明所提方法能够提高实体识别准确性，并在工业领域汽车零配件数据集上实现了工业场景化应用。  
      关键词：中文命名实体识别;自注意机制;多特征融合;标签语义   
      179
      |
      148
      |
      0
      <HTML>
      <网络PDF>
      <引用本文> <批量引用> 48911679 false
      更新时间：2024-06-20
    • “在工业软件研发领域，研究者提出了一种基于增量学习的转炉图像异常识别系统，通过机器视觉技术和深度残差网络，实现了高效、低成本的异常识别解决方案。”

      武星,殷浩宇,姚骏峰,金小礼

      DOI：10.14188/j.1671-8836.2023.0209
      摘要：为简化工业软件的研发过程，提高图像异常识别的准确性和效率，提出了一种基于增量学习的转炉图像异常识别系统。该系统采用机器视觉技术采集转炉图像，引入深度残差网络形成转炉图像异常识别模型，并利用采集到的图像训练该模型。系统采用低代码开发方法实现，并结合增量学习算法优化了模型的迭代更新。对比基于不同神经网络架构的转炉图像异常识别模型的识别准确率，并在低代码平台中对比了增量学习和全量学习在模型精度和时间消耗上的差异。实验结果表明，本系统在图像异常识别中展现出良好的精确性和稳定性；在低代码开发平台中，基于增量学习的系统软件在处理大规模数据和实时场景中表现出色，为转炉图像异常识别提供了一种高效、低成本的解决方法。  
      关键词：增量学习;转炉图像识别;低代码平台;深度残差网络;异常检测   
      89
      |
      127
      |
      0
      <HTML>
      <网络PDF>
      <引用本文> <批量引用> 50224217 false
      更新时间：2024-06-20
    • “在工业软件研发领域，专家提出了一种基于时间事件因果关系检测的需求确认方法，通过定义时间事件因果关系、抽取系统行为生成CCSL规约，并结合模型检测技术与社区发现算法，有效检测系统行为是否满足利益相关者期望，为工业软件需求确认提供了创新解决方案。”

      尹玲,陈小红,安冬冬,谢越

      DOI：10.14188/j.1671-8836.2023.0208
      摘要：工业软件深度参与研发设计、生产制造、运营管理和维护服务等方面，软件的行为符合业务的需要至关重要。因此，工业软件的开发需要进行需求确认，即确认系统的行为满足利益相关者（应用方的操作人员，通常是生产和运维中涉及的各方面的工作人员）的要求。业务方面，利益相关者的期望通常表现为关心的事件间的因果关系。针对工业软件的时间融合于行为、复杂度高、规模大等特点，提出一种基于时间事件因果关系检测的需求确认方法，检测用UML/MARTE+CCSL模型表达的系统行为是否满足相应的时间事件因果关系。包括：定义时间事件因果关系表达利益相关者的期望；抽取模型的多图协作下的系统整体行为生成CCSL（clock constraint specification language）规约；结合模型检测技术和社区发现算法检测该行为规约是否满足时间事件因果关系。通过比较实验评估了方法的有效性和实用性，特别是引入社区发现算法处理规模大、复杂度高的规约效果显著。  
      关键词：基于模型的系统工程;需求确认;模型检测   
      68
      |
      123
      |
      0
      <HTML>
      <网络PDF>
      <引用本文> <批量引用> 49205075 false
      更新时间：2024-06-20
    查看更多
    批量引用
    0