鉴于中国南方古稻作梯田作为全球重要农业文化遗产的独特地位及其对生态系统服务、生物多样性保护及农业可持续发展的重要意义,文章采用文献计量分析方法,系统梳理了Web of Science及CNKI数据库中该领域相关的国内外文献,旨在全面评估...鉴于中国南方古稻作梯田作为全球重要农业文化遗产的独特地位及其对生态系统服务、生物多样性保护及农业可持续发展的重要意义,文章采用文献计量分析方法,系统梳理了Web of Science及CNKI数据库中该领域相关的国内外文献,旨在全面评估该领域研究现状并探索其未来发展路径。研究发现:(1)国内在该领域的研究分为初步发展期和快速发展与繁荣期两个阶段,不同时期的研究内容也不相同;国际学术界在该研究领域尚处于逐渐升温的阶段;(2)当前形成的合作群体多以导师与学生之间的紧密合作为主,但各研究力量间的合作尚显不足;(3)该领域的研究内容广泛,涉及自然、社会、经济、文化等多维度,涵盖梯田文化、遗产保护、水稻土等,聚焦于生态系统服务、生物多样性保护、水土保持与农业可持续发展以及梯田撂荒问题等。本研究同时揭示了当前研究存在的空白点,为增强跨学科、跨机构的合作和推动梯田生态、文化及经济的综合可持续发展提供重要的研究依据和策略方向。展开更多
针对同步定位与建图(simultaneous localization and mapping,SLAM)技术对计算资源的高需求、有限环境适应性、累积误差问题、系统复杂度高、成本昂贵、大场景处理能力受限以及缺乏有效的回环检测机制的缺点,提出一种结合人工势场法和...针对同步定位与建图(simultaneous localization and mapping,SLAM)技术对计算资源的高需求、有限环境适应性、累积误差问题、系统复杂度高、成本昂贵、大场景处理能力受限以及缺乏有效的回环检测机制的缺点,提出一种结合人工势场法和深度强化学习的方法。利用图论模拟人工势场在机器人间的相互作用以及机器人与目的地之间的势场力,并采用孪生延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)算法来优化机器人对障碍物信息的感知和处理。仿真试验结果表明:该方法使机器人能够在未知环境中快速、准确地进行定位、移动,同时维持队形的稳定性和一致性。展开更多
Enterprise applications utilize relational databases and structured business processes, requiring slow and expensive conversion of inputs and outputs, from business documents such as invoices, purchase orders, and rec...Enterprise applications utilize relational databases and structured business processes, requiring slow and expensive conversion of inputs and outputs, from business documents such as invoices, purchase orders, and receipts, into known templates and schemas before processing. We propose a new LLM Agent-based intelligent data extraction, transformation, and load (IntelligentETL) pipeline that not only ingests PDFs and detects inputs within it but also addresses the extraction of structured and unstructured data by developing tools that most efficiently and securely deal with respective data types. We study the efficiency of our proposed pipeline and compare it with enterprise solutions that also utilize LLMs. We establish the supremacy in timely and accurate data extraction and transformation capabilities of our approach for analyzing the data from varied sources based on nested and/or interlinked input constraints.展开更多
为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方...为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。展开更多
文摘鉴于中国南方古稻作梯田作为全球重要农业文化遗产的独特地位及其对生态系统服务、生物多样性保护及农业可持续发展的重要意义,文章采用文献计量分析方法,系统梳理了Web of Science及CNKI数据库中该领域相关的国内外文献,旨在全面评估该领域研究现状并探索其未来发展路径。研究发现:(1)国内在该领域的研究分为初步发展期和快速发展与繁荣期两个阶段,不同时期的研究内容也不相同;国际学术界在该研究领域尚处于逐渐升温的阶段;(2)当前形成的合作群体多以导师与学生之间的紧密合作为主,但各研究力量间的合作尚显不足;(3)该领域的研究内容广泛,涉及自然、社会、经济、文化等多维度,涵盖梯田文化、遗产保护、水稻土等,聚焦于生态系统服务、生物多样性保护、水土保持与农业可持续发展以及梯田撂荒问题等。本研究同时揭示了当前研究存在的空白点,为增强跨学科、跨机构的合作和推动梯田生态、文化及经济的综合可持续发展提供重要的研究依据和策略方向。
文摘针对同步定位与建图(simultaneous localization and mapping,SLAM)技术对计算资源的高需求、有限环境适应性、累积误差问题、系统复杂度高、成本昂贵、大场景处理能力受限以及缺乏有效的回环检测机制的缺点,提出一种结合人工势场法和深度强化学习的方法。利用图论模拟人工势场在机器人间的相互作用以及机器人与目的地之间的势场力,并采用孪生延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)算法来优化机器人对障碍物信息的感知和处理。仿真试验结果表明:该方法使机器人能够在未知环境中快速、准确地进行定位、移动,同时维持队形的稳定性和一致性。
文摘Enterprise applications utilize relational databases and structured business processes, requiring slow and expensive conversion of inputs and outputs, from business documents such as invoices, purchase orders, and receipts, into known templates and schemas before processing. We propose a new LLM Agent-based intelligent data extraction, transformation, and load (IntelligentETL) pipeline that not only ingests PDFs and detects inputs within it but also addresses the extraction of structured and unstructured data by developing tools that most efficiently and securely deal with respective data types. We study the efficiency of our proposed pipeline and compare it with enterprise solutions that also utilize LLMs. We establish the supremacy in timely and accurate data extraction and transformation capabilities of our approach for analyzing the data from varied sources based on nested and/or interlinked input constraints.
文摘为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。
