随着第六代(6G)移动通信系统的发展,CSI(Channel State Information)是提升网络性能至关重要的信息。传统的信道图谱(Channel Charting)方法通过将高维CSI数据映射到低维空间,从而揭示无线信道与物理环境之间的关系。然而,现有的信道图...随着第六代(6G)移动通信系统的发展,CSI(Channel State Information)是提升网络性能至关重要的信息。传统的信道图谱(Channel Charting)方法通过将高维CSI数据映射到低维空间,从而揭示无线信道与物理环境之间的关系。然而,现有的信道图谱方法大多侧重于静态几何结构的学习,忽视了信道随时间变化的动态特性,导致在复杂动态环境中,信道图谱的稳定性和拓扑一致性较差。为了解决这一问题,提出了一种结合LSTM(Long Short-Term Memory)和AE(Auto-Encoder)的时序信道图谱构建方法(LSTM-AE-信道图谱),该方法在传统信道图谱框架的基础上融入了时序建模机制。通过引入LSTM网络捕捉CSI的时序依赖性,并使用AE学习低维的连续潜在表示,所提出的方法能够在保证信道几何一致性的同时,显式建模信道的时变特性。实验结果表明,所提出的方法在多个真实通信场景中均表现出了优异的性能,特别是在信道图谱的稳定性、轨迹连续性以及长期预测能力方面,相较于传统信道图谱方法,具有显著的优势。展开更多
现有基于预训练语言模型(PLM)的作文自动评分(AES)方法偏向于直接使用从PLM提取的全局语义特征表示作文的质量,却忽略了作文质量与更细粒度特征关联关系的问题。聚焦于中文AES研究,从多种文本角度分析和评估作文质量,提出利用图神经网络...现有基于预训练语言模型(PLM)的作文自动评分(AES)方法偏向于直接使用从PLM提取的全局语义特征表示作文的质量,却忽略了作文质量与更细粒度特征关联关系的问题。聚焦于中文AES研究,从多种文本角度分析和评估作文质量,提出利用图神经网络(GNN)对作文的多尺度特征进行联合学习的中文AES方法。首先,利用GNN分别获取作文在句子级别和段落级别的篇章特征;然后,将这些篇章特征与作文的全局语义特征进行联合特征学习,实现对作文更精准的评分;最后,构建一个中文AES数据集,为中文AES研究提供数据基础。在所构建的数据集上的实验结果表明,所提方法在6个作文主题上的平均二次加权Kappa(QWK)系数相较于R2-BERT(Bidirectional Encoder Representations from Transformers model with Regression and Ranking)提升了1.1个百分点,验证了在AES任务中进行多尺度特征联合学习的有效性。同时,消融实验结果进一步表明了不同尺度的作文特征对评分效果的贡献。为了证明小模型在特定任务场景下的优越性,与当前流行的通用大语言模型GPT-3.5-turbo和DeepSeek-V3进行了对比。结果表明,使用所提方法的BERT(Bidirectional Encoder Representations from Transformers)模型在6个作文主题上的平均QWK比GPT-3.5-turbo和DeepSeek-V3分别高出了65.8和45.3个百分点,验证了大语言模型(LLMs)在面向领域的篇章级作文评分任务中,因缺乏大规模有监督微调数据而表现不佳的观点。展开更多
以内蒙古巴彦淖尔市磴口县为研究区,在LPI-CA-Markov模型的基础上构建AES-LPI-CA模型,利用人工内分泌系统(AES)调整元胞自动机邻域中中心元胞的转移概率,并基于磴口县2000年与2007年景观格局数据对县域2014年景观格局进行模拟,将该模型...以内蒙古巴彦淖尔市磴口县为研究区,在LPI-CA-Markov模型的基础上构建AES-LPI-CA模型,利用人工内分泌系统(AES)调整元胞自动机邻域中中心元胞的转移概率,并基于磴口县2000年与2007年景观格局数据对县域2014年景观格局进行模拟,将该模型模拟结果与LPI-CA-Markov模型、CA-Markov模型的模拟结果进行对比,结果显示3种模型模拟结果的KIA(Kappa index of agreement,以2014年实际景观分布为参照)依次为0.823 6、0.785 5、0.768 2,AES-LPI-CA模型显示了较高模拟精度。展开更多
文摘现有基于预训练语言模型(PLM)的作文自动评分(AES)方法偏向于直接使用从PLM提取的全局语义特征表示作文的质量,却忽略了作文质量与更细粒度特征关联关系的问题。聚焦于中文AES研究,从多种文本角度分析和评估作文质量,提出利用图神经网络(GNN)对作文的多尺度特征进行联合学习的中文AES方法。首先,利用GNN分别获取作文在句子级别和段落级别的篇章特征;然后,将这些篇章特征与作文的全局语义特征进行联合特征学习,实现对作文更精准的评分;最后,构建一个中文AES数据集,为中文AES研究提供数据基础。在所构建的数据集上的实验结果表明,所提方法在6个作文主题上的平均二次加权Kappa(QWK)系数相较于R2-BERT(Bidirectional Encoder Representations from Transformers model with Regression and Ranking)提升了1.1个百分点,验证了在AES任务中进行多尺度特征联合学习的有效性。同时,消融实验结果进一步表明了不同尺度的作文特征对评分效果的贡献。为了证明小模型在特定任务场景下的优越性,与当前流行的通用大语言模型GPT-3.5-turbo和DeepSeek-V3进行了对比。结果表明,使用所提方法的BERT(Bidirectional Encoder Representations from Transformers)模型在6个作文主题上的平均QWK比GPT-3.5-turbo和DeepSeek-V3分别高出了65.8和45.3个百分点,验证了大语言模型(LLMs)在面向领域的篇章级作文评分任务中,因缺乏大规模有监督微调数据而表现不佳的观点。
文摘以内蒙古巴彦淖尔市磴口县为研究区,在LPI-CA-Markov模型的基础上构建AES-LPI-CA模型,利用人工内分泌系统(AES)调整元胞自动机邻域中中心元胞的转移概率,并基于磴口县2000年与2007年景观格局数据对县域2014年景观格局进行模拟,将该模型模拟结果与LPI-CA-Markov模型、CA-Markov模型的模拟结果进行对比,结果显示3种模型模拟结果的KIA(Kappa index of agreement,以2014年实际景观分布为参照)依次为0.823 6、0.785 5、0.768 2,AES-LPI-CA模型显示了较高模拟精度。
