层级引导的增强型多目标萤火虫算法

针对多目标萤火虫算法在求解过程中易产生振荡和聚集现象,导致开发能力较弱、求解精度不佳的问题,提出一种层级引导的增强型多目标萤火虫算法(hierarchical guided enhanced multi-objective firefly algorithm,HGEMOFA)。构建层级引导模型,利用非支配排序获得不同层级个体,用优势层个体引导劣势层个体进化,明确引导方向,解决了进化过程中出现的振荡,减少了聚集现象的出现,增强了算法收敛性;引入莱维飞行扰动最优层个体,增强算法的全局搜索能力;每代进化完成后,对当前种群采用变异机制,增强算法的局部开发能力;把变异后的种群和前一代种群合并进行环境选择,筛选出和前一代种群规模相同的子代,避免优势解丢失。实验结果表明:HGEMOFA能有效增强解的收敛性和多样性。

新形势下疾病预防控制信息化需求及应用场景分析

目的/意义探讨新兴信息技术催生的疾病预防控制信息化新需求、新场景,为信息技术与疾病预防控制体系现代化建设深度融合提供参考。方法/过程分析新兴信息技术在电子病历与疾病报告智能化解析、区域症候群监测、大规模疾病排查与辅助流行病学调查、多渠道监测预警、卫生应急状态下便携式单兵通信等多方面的探索性应用,阐释尚未形成体系的原因。结果/结论提出未来现代化疾病预防控制信息化发展建议,为提升公共卫生服务能力、创新业务变革提供技术支撑。

人工智能课程群思政教学资源的挖掘、整合与融入

本文构建了“四层”人工智能课程群课程体系,对人工智能课程群的课程内容进行整合与重构;围绕课程群内各课程的教学目标和讲授内容,挖掘各课程思政元素,根据课程间的内容联系和逻辑关系,将思政元素整合为爱国主义和科技兴国、科学思维和工匠精神、创新开放和工程思维、科学伦理和职业道德等四类,并有机融入课程教学,形成界限分明、互为补充、各具特色的思政课程体系;通过课程考核评价机制验证人工智能课程群的思政教学成效。实践结果表明,该课程群思政教学有助于实现价值塑造、能力培养和知识传播的课程目标。

基于“知—情—意—行”的沉浸体验式思政教学在护理学基础课程中的应用研究

目的探讨基于“知—情—意—行”的沉浸体验式思政教学在护理学基础课程中的应用效果。方法选取桂林医学院护理学院护理专业学生为研究对象,干预组采用基于“知—情—意—行”的沉浸体验式思政教学模式,对照组采用传统思政教学模式,对比分析两组护生成绩及问卷得分。结果干预组护生对基于“知—情—意—行”的沉浸体验式思政教学模式满意度较高。干预组成绩及医学生社会责任感问卷总分均高于对照组(P<0.05)。结论基于“知—情—意—行”的沉浸体验式思政教学模式的教学效果较好,能有效拓展思政教育深度,促进护生在教学活动中主动关注思政内容,有助于其提高团队合作能力、观察能力、思维能力。

面向流形数据的加权自然近邻密度峰值聚类算法

流形数据由一些弧线形类簇组成,其特点是同一类簇的样本间距离较大.密度峰值聚类(DPC)算法具有简单高效的特点,但应对流形数据时表现不佳. DPC算法的两种密度度量标准可能造成不同程度的信息缺失,其分配策略仅参考距离和密度,致使聚类精度不高.提出面向流形数据的加权自然近邻DPC(DPC-WNNN)算法,定义样本局部密度时,综合分析样本的局部和全局信息,引入加权的自然近邻以及逆近邻来应对高斯核或截断核的信息缺失问题.设计样本分配策略时通过引入共享近邻和共享逆近邻计算样本相似度,弥补DPC算法空间因素缺失的问题.将DPC-WNNN算法在流形数据集和真实数据集上与7种类似算法进行比较,结果表明该算法能更有效地找到类簇的中心点并准确分配样本,表现出良好的聚类性能.

气象敏感性疾病综合数据平台设计与实现

目的/意义设计综合数据平台,以满足气象敏感性疾病调查数据收集和共享的需要,提升我国对气象敏感性疾病的监测能力。方法/过程通过数据抽取、数据交换、数据导入、定制采集等多种方式,将疾病数据、气象数据、环境数据、诊疗数据等加工处理,纳入平台统一管理。结果/结论该平台实现了数据采集、汇交、可视化展现、数据共享功能,可为全国各基地的科研人员更好地管理和利用气象敏感性疾病调查数据提供支撑。

国家疫苗接种数据交换系统的设计与应用

目的:实现全国疫苗接种信息的共享交换,支持各地开展跨省份接种信息查询,加快推进接种大数据的“聚通用”。方法:基于全国疾控信息化建设现状,优化数据处理流程,采用高性能大数据技术工具和安全的防护策略设计疫苗接种数据交换系统,搭建数据交换通道,实现数据安全传输和高效存储。结果:截至2023年4月,依托国家疾控数据共享交换平台,共计收集全国疫苗接种记录约106亿条,数据交换成功率为93%。结论:国家疫苗接种数据交换系统能有效解决海量数据的存储和传输问题,保证接种数据的准确性和完整性以及系统的安全性和稳定性。

大数据背景下校友母校认同感影响因素分析与评价机制构建

校友对母校的认同感是评价学校教育教学质量的重要指标。为更好理解和提升校友的母校认同,本文深入剖析校友数据,从校友情感认同、校友行为认同和母校教学建设、母校生活建设等四个维度出发,设计了23个具体的校友母校认同感影响因素;运用大数据技术和统计分析方法,分析确定各影响因素的重要性,设计了校友母校认同感评价指标体系;划分校友在校学习和毕业离校两个阶段,构建校友母校认同感评价机制。研究结果既可为校友母校认同感的研究提供新视角,也可为高校提升教育教学质量、加强校园文化建设提供支持和参考。

基于特征加权混合隶属度的模糊孪生支持向量机

模糊孪生支持向量机(FTSVM)忽略了不同特征间的差异,导致核函数或距离的计算无法准确反映样本间的相似性,使FTSVM在处理含有大量不相关或弱相关特征的高维数据分类时,难以达到良好分类效果;且隶属度的设计未有效区分离群点或噪声。针对以上问题,提出了一种基于特征加权混合隶属度的FM-FTSVM。首先计算每个特征的信息增益,并依据信息增益值的大小为特征赋予权重,降低不相关或弱相关特征的作用,使其能更好地应用于高维数据分类;然后,为每一类样本构造一个最小包围球计算基于紧密度的特征加权隶属度,并结合基于距离的特征加权隶属度得到特征加权混合隶属度,综合考虑样本点到类中心的特征加权欧式距离和样本间的紧密程度,可更好识别离群点或噪声数据;最后,融合特征加权核函数,降低不相关特征对核函数或距离计算产生的影响。与对比算法在人工数据集、高维数据集和UCI数据集上进行比较,发现本文提出的方法在区分离群点、噪声和有效样本上有明显优势,且在高维数据集上可获得更好分类效果。

实习护生心理压力与健康自我管理能力的关系研究

目的:调查实习护生心理压力现状,并分析其与健康自我管理能力的相关性。方法:采用便利抽样方法对459名临床实习护生进行调查。结果:459名实习护生心理压力总均分为(1.26±0.69)分,健康自我管理总均分为(3.35±1.15)分,两者呈显著负相关(r=-0.639,P<0.01);回归分析显示,学历、实习阶段和健康自我管理能力是实习护生心理压力的主要影响因素(R^(2)=0.480,P<0.05)。结论:实习护生心理压力与健康自我管理能力均处于中等水平,健康自我管理能力越强,其心理压力越低。

精英引导和信息交互的多目标狼群算法

鉴于狼群算法在单目标优化问题上的优越表现,结合狼群的生物习性将其运用到多目标优化问题上,提出一种精英引导和信息交互的多目标狼群算法(MOWPA-EGII)。首先,提出精英引导策略,利用外部档案中的精英狼和当前子种群的头狼共同引导种群移动,让人工狼均匀地分布在整个搜索空间,增强算法的全局搜索能力;其次,设计信息交互机制,模拟狼群捕猎过程中的信息传递,具有不同优势的个体可以相互传递信息,保证狼群的捕猎效率,提高算法勘探Pareto最优解的能力;最后,加入变异算子,扰动人工狼的移动方向,让算法跳出局部最优,增强算法的局部搜索能力。为了验证MOWPA-EGII的有效性,将其与5种经典算法和10种新近算法进行比较,结果表明MOWPA-EGII拥有良好的收敛性和多样性,证明了所提算法具有较好的优化性能。

基于密度峰值聚类的Tri-training算法

Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。

一种结合卷积自编码和补丁惩罚的生成对抗网络单图像去雨方法

针对传统的图像去雨方法存在去雨图像失真、生成伪影等问题,提出一种结合卷积自编码和补丁惩罚的生成对抗网络单图像去雨方法。首先,该方法采用卷积自编码组成生成器网络,使用对称跳跃连接提高生成器网络的训练效率和收敛性能,实现对图像细节信息和二维信号空间信息的重构;其次,引入马尔可夫鉴别器在图像补丁层次上进行惩罚,去除生成图像中的伪影;最后,提出一种新的精细化损失函数参与训练网络模型,进一步增强模型的去雨深度。采用峰值信噪比和结构相似性作为模型的评价标准,实验结果表明,该方法在现实雨图和合成雨图的去雨处理上都有良好的表现,基本还原了图像细节内容,并保证了较高的视觉质量。

农村学校心理健康教育教师胜任力模型建构及问卷编制

为了对我国农村学校心理健康教育教师的胜任特征结构进行分析,并编制适合农村学校的心理健康教育教师胜任力问卷。首先通过文献法、行为事件访谈等提出农村学校心理健康教育教师胜任特征的理论结构,然后通过探索性因素分析和验证性因素分析对农村中小学心理健康教育教师进行施测,形成《农村心理健康教育教师胜任力问卷》。该问卷共21个题项,包含知识技能、自我调控、教育情怀3个维度,具有较好的信效度。

深度学习萤火虫算法

为克服萤火虫算法全局寻优精度不高和过早收敛的缺点,本文提出深度学习萤火虫算法.算法采用随机吸引模型,萤火虫随机选择一个粒子学习,根据历史最优位置构建广义中心粒子,对其进行一定次数的单维深度学习,学习后的粒子引导种群进化.实验发现,深度学习策略及粒子深度学习次数对算法优化性能的改善起着重要作用.12个基准测试函数的实验结果表明,算法的综合寻优性能优于其它8种最近提出的萤火虫算法.

基于粒子群优化的Shearlet自适应图像去噪

研究Shearlet变换域图像去噪阈值选取的问题,提出Shearlet变换域图像去噪自适应阈值选取方法.该方法根据Shear-let变换域不同尺度和方向系数的分布特性,采用粒子群优化算法自适应地确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪.仿真实验表明,该方法能有效滤除图像的噪声,较好地保留图像的边缘信息.同时,去噪后图像具有更高的峰值信噪比(PSNR).

丁苯酞对缺血性脑损伤作用的细胞靶点研究

目的研究丁苯酞对缺血性脑损伤产生作用的准确细胞类型。方法分别使用大鼠肾上腺髓质嗜铬细胞瘤细胞(Rat adrenal pheochromocytoma,PC12)和大鼠动脉内皮细胞(rat artery endothelial cells,SUVRAEC)构建氧气葡萄糖剥夺-再灌注损伤模型,通过噻唑蓝[3-(4,5-dimethylthiazole-2-y1)-2,5-biphenyl tetrazolium bromide,MTT]进行细胞活性检测,观察单纯损伤细胞与各剂量丁苯酞处理后的细胞活性。同时,采用1,1-二苯基-2-苦基偕腙肼(1,1-diphenyl-2-picrylhydrazyl,DPPH)法检测自由基清除活性。结果丁苯酞各剂量组对PC12和SUVRAEC的细胞活性均无明显影响,均不能抑制自由基离子。丁苯酞处理使经受氧气葡萄糖剥夺-再灌注损伤的SUVRAEC细胞活性增加约15%,约90%的细胞活性得到有效保护,并具有剂量依赖性;而对PC12的细胞活性则无明显作用。结论丁苯酞对PC12和SUVRAEC均无毒性作用,不具有直接清除自由基的能力;丁苯酞主要作用于血管内皮细胞,而对神经元的作用相对较弱。

面向流形数据的测地距离与余弦互逆近邻密度峰值聚类算法

密度峰值聚类算法倾向在球形分布数据中选择密度峰值,而流形数据多呈非球形分布,导致不能准确找到数据的类簇中心.该算法的分配策略优先对类簇中心附近的样本进行链式分配,而流形数据大量样本远离其类簇中心,导致本应属于同一类簇的样本被错误分配.为此,本文提出一种面向流形数据的测地距离与余弦互逆近邻密度峰值聚类算法.将K近邻与测地距离结合并重新定义局部密度,凸显密度峰值与非密度峰值的差异,准确找到类簇中心;将互逆近邻和余弦相似性相结合,得到基于余弦互逆近邻的样本相似度矩阵,为流形类簇准确分配样本.实验结果表明,本算法能有效发现流形数据集的几何形状并准确聚类,对真实数据集和图像数据集的聚类效果优秀.

一种基于最大最小策略和非均匀变异的萤火虫算法

针对多目标萤火虫算法勘探能力弱、求解精度差的问题,本文提出了一种基于最大最小策略和非均匀变异的萤火虫算法(HVFA-M)。该算法首先引入Maximin策略,实现对外部档案的动态调整和对精英解的随机选择;其次,精英解结合当前最好解共同引导萤火虫进行全局搜索以扩大算法的搜索范围,提高算法的勘探能力,从而增加找寻全局最优解的概率;最后,在算法全面勘探的基础上,添加非均匀变异算子使得算法融合局部搜索的思想引导种群进行局部开采,进一步增强算法的寻优能力。将HVFA-M与经典及新近多目标进化算法进行比较,实验结果表明:HVFA-M能有效提升算法的勘探能力,在解的收敛性和多样性也表现出良好的性能。

K近邻和加权相似性的密度峰值聚类算法

密度峰值聚类算法的局部密度定义未考虑密度分布不均数据类簇间的样本密度差异影响,易导致误选类簇中心;其分配策略依据欧氏距离通过密度峰值进行链式分配,而流形数据通常有较多样本距离其密度峰值较远,导致大量本应属于同一个类簇的样本被错误分配给其他类簇,致使聚类精度不高.鉴于此,本文提出了一种K近邻和加权相似性的密度峰值聚类算法.该算法基于样本的K近邻信息重新定义了样本局部密度,此定义方式可以调节样本局部密度的大小,能够准确找到密度峰值;采用样本的共享最近邻及自然最近邻信息定义样本间的相似性,摒弃了欧氏距离对分配策略的影响,避免了样本分配策略产生的错误连带效应.流形及密度分布不均数据集上的对比实验表明,本文算法能准确找到疏密程度相差较大数据集的密度峰值,避免了流形数据的分配错误连带效应,得到了满意的聚类效果;同时在真实数据集上的聚类效果也十分优秀.