船舶消防演习检查指导的思考

“21世纪海上丝绸之路”推动我国经济进入新时期,船舶消防作为航运安全重要一环的作用愈加突出。针对民警在船舶消防检查中的实际情况,指出船舶消防演习存在的问题,结合港口国监督对船舶消防检查的内容、演习评估方式,通过深入思考,设计了船舶消防演习的通用程序,规范了演习内容,以期顺利通过港口国监督,提高我国船员船舶消防技能,减少船舶火灾损失。     

半监督卷积神经网络的词义消歧

为了解决有标签语料获取困难的问题，提出了一种半监督学习的卷积神经网络(convolutional neural networks, CNN)汉语词义消歧方法. 首先，提取歧义词左右各2个词汇单元的词形、词性和语义类作为消歧特征，利用词向量工具将消歧特征向量化；然后，对有标签语料进行预处理，获取初始化聚类中心和阈值，同时，使用有标签语料对卷积神经网络消歧模型进行训练，利用优化后的卷积神经网络对无标签语料进行语义分类，选取满足阈值条件的高置信度语料添加到训练语料之中，不断重复上述过程，直到训练语料不再扩大为止；最后，使用SemEval-2007:Task#5作为有标签语料，使用哈尔滨工业大学无标注语料作为无标签语料进行实验. 实验结果表明:所提出方法使CNN的消歧准确率提高了3.1%.      

基于半监督SVM的交通方式特征分析和识别

为解决基于手机信令数据识别大规模用户交通方式问题,多维度分析出行方式特征,提出结合主动学习和Tri-training的半监督支持向量机算法。以手机信令出行链为基础,将出行特征划分为距离、时间、速度、出行者属性等四类,并进一步研究多维度特征及其计算方法 ,基于有向无环图设计一种结合主动学习与基于Tri-training的半监督多分类支持向量机。运用HY市手机信令数据构建样本集并训练该分类器,与多种监督学习分类算法进行比较。结果表明主动学习构造的富含信息的已标记样本集可以减少半监督学习的迭代次数,Tri-training半监督支持向量机可以通过大量未标记样本提升分类器准确率,结合主动学习与Tri-training半监督支持向量机算法可以有效地识别手机信令数据出行链的交通方式。     

国际航行拖船缺少备用救生筏案例分析

介绍SOLAS对于救生筏配备的基本要求,并结合船舶安检中发现的国际航行拖船缺少备用救生筏的案例进行分析,围绕相关缺陷的纠正过程,探讨相关船舶的安全管理问题,剖析问题产生的原因,并提出可行性建议。     

基于手机信令数据的居住地人口分布辨识改进方法

针对传统的基于手机信令数据的居住地人口分布分析方法的不足,通过建立一种基于手机信令数据和问卷调查数据的多源数据融合手段,利用有监督机器学习方法,实现对居住地人口分布现状的分析.首先通过问卷调查数据获取志愿者的实际居住地位置及其所使用的通信运营商相关信息,并进行样本筛选.其次,在通信运营商内部机房建立志愿者用户实际居住地位置与手机信令数据位置信息之间的对应关系.最后,利用手机信令数据,通过获取志愿者在居住地网格位置的停留特征以及非居住地网格位置的停留特征训练朴素贝叶斯分类器模型,继而完成机器学习方法的建立并应用到其他手机用户实际居住地的识别.分析结果表明:基于有监督学习方法的人口分布辨识方法较传统的阈值判断方法预测精度有明显提升.     

新型船载航行数据记录仪典型缺陷和使用建议

介绍三起新型船载航行数据记录仪(VDR)PSC检查的典型缺陷案例,解读相关决议中最新的航行数据记录仪和简化航行数据记录仪年度试验指南的技术通告相关要求,对国际航行船舶新型船载航行数据记录仪的在船使用提出相关建议。     

港口国监督检查官胜任力模型的初步构建

提出港口国监督检查官(PSCO)胜任力模型研究的课题,以PSCO为研究对象,通过文献分析、组织战略分析、工作岗位分析、访谈分析、调查问卷分析等途径提炼胜任力要素,从而完成PSCO胜任力模型的初步构建,为提升PSCO胜任力水平、改进人力资源管理工作提供理论支撑。     

国有企业纪检监察工作的思考分析与实践探索——以常州公交为例

党的十九大以来,以习近平同志为核心的党中央坚定不移地推动全面从严治党向纵深发展。新常态下,国有企业反腐倡廉和监督执纪的工作要求愈来愈高、愈来愈严,国有企业纪检监察工作的重要性凸显。纪检监察工作既服务于全面从严治党,为企业营造风清气正的政治生态提供有力支撑,又可融入企业生产经营管理,助力国有企业科学健康发展。本文通过思考分析国有企业纪检监察工作存在的主要问题和应对措施,对进一步加强企业纪检监察工作的路径进行了探索。     

基于成对约束的半监督选择性聚类集成

针对现有聚类集成算法基本都是无监督聚类集成算法和传统聚类集成方法,其通常将所有产生的聚类成员都参与集成的问题,设计了一种基于成对约束的半监督选择性聚类集成方法(SSCES). SSCES方法选择基于聚类成员质量和差异度的选择聚类集成为研究对象,借鉴半监督集成的关键思想,将半监督聚类信息带入到选择聚类集成中.通过在多组数据集上实验来验证SSCES算法的有效性.