用户偏好-制造商偏好双重视阈下的产品创新机会识别路径研究

精准识别产品创新机会对制造商规避盲目创新风险,持续获取竞争优势至关重要。针对现有产品创新机会识别研究中因视角单一致使制造商价值创造的效率难以最大化,以及识别的创新机会聚焦度不清晰等诸多问题,基于用户偏好制造商偏好双重视阈构建了产品创新机会识别路径。首先,运用结构主题模型从用户在线评论和产品描述文本中分别提取用户偏好及制造商偏好的产品属性主题;其次,基于两类主题之间的相似度进行主题分类以获取具象产品的创新需求;再次,从现有相关专利中提取创新要素并依托多维技术创新地图识别产品创新机会;最后,以老年智能手环靶向开展产品创新机会识别为例,验证了所提路径的可行性。应用结果表明,构建的用户偏好制造商偏好双重视阈下的产品创新机会识别路径能够为制造商高效开展产品创新活动提供可资借鉴的决策理论支持。

智能云平台异构数据库协同检索算法研究

智能云平台是一种集成各种资源和功能的高效计算平台,可以为用户提供灵活的数据存储和高效的数据检索服务.随着信息技术飞速发展,异构数据库中数据呈爆炸式增长.为了提升网络异构数据库检索效果,提出智能云平台异构数据库协同检索算法.构建智能云平台异构数据库,均衡异构数据库中的节点能耗;排序云平台多源异构数据,预处理异构数据;建立以索引库为核心的检索服务引擎,利用神经网络提取多源异构数据特征,实现异构数据库的匹配检索.测试结果表明,所提算法查准率为96%,查全率为94%,数据丢失量仅为1.由此证明,所提方法有效提高了网络异构数据库检索效果.

融合神经网络和优化算法的网络安全态势评估及预测模型研究

针对网络安全防护,提出一种融合神经网络与优化算法的态势评估模型。利用深度神经网络进行网络态势评估模型构建,并通过长短时记忆构建网络态势预测模型,利用遗传算法实现模型参数调优。结果表明,评估模型的平均误差率相比于浅层神经网络模型降低了3.88%。因此,研究设计的基于优化深层神经网络与长短时记忆网络的态势感知模型,具有较好的评估预测性能。

融合双通道特征的中文短文本情感分类模型

中文短文本具有特征稀疏、歧义多、信息不规范、文本情感丰富等特点,现有基于深度学习的中文短文本情感分类模型具有提取文本特征不充分和只注重语义信息而忽视句法信息的问题。针对上述问题提出融合双通道特征的中文短文本情感分类模型。预训练模型得到动态词向量,赋予模型更丰富的语言特征和明确的句法信息。双通道提取动态词向量的文本特征,上侧通道改进了DPCNN网络,提取文本丰富的长距离依赖关系;下侧通道建立双向长短期记忆网络各时间的字词特征和文本特征的多头自注意力关系,学习更加充分的文本特征,对分类结果较为关键的词汇给予更多的关注。将双通道的特征信息拼接获得最终的文本表示。实验结果表明,该分类模型在Chn-SentiCorp、微博评论和电商评论数据集的准确率分别能够达到96.54%、92.05%和94.3%,对比模型准确率平均值高2.28、2.44和1.01个百分点。融合双通道特征的中文短文本情感分类模型能有效提高文本分类准确率,为中文短文本情感分类提供了新的理论模型。

大型实验室网络敏感数据访问认证方法仿真

由于大型实验室网络中的敏感数据认证过程繁琐复杂,且对其安全性要求较高,增加用户访问敏感数据的复杂性和时间成本。为此,提出一种大型实验室网络敏感数据访问多阶段认证算法。利用互补集合经验模态分解(Coplementary Ensemble Empirical Mode Decomposition,CEEMD),分解含有噪声的大型实验室网络数据,获取不同本征模态函数,通过改进小波阈值去噪,重构本征模态函数(Intrinsic Mode Functions,IMF)信息,获取降噪处理后的数据。通过Apriori算法和互信息理论,分析不同数据之间的相关性,挖掘其关联性,实现大型实验室网络敏感数据访问多阶段认证。通过仿真分析证实,采用所提算法可以精准完成大型实验室网络敏感数据访问多阶段认证,准确性在90%以上。

面向SQLite的多密钥页级别加密系统

目前国内外对于SQLite的加密的研究粒度级别都是文件级别,且采取的都是单一密钥,加密粒度粗、破解难度低。针对SQLite的安全性不足的问题,设计了一个多密钥页级别加密系统。首先,为每一个物理页设置一个独立的页密钥,每个页面独立加解密,并引入密钥文件存放所有页密钥;其次,在内存中引入一个页密钥缓存器KeyCache生成和缓存物理页的页密钥,减少页密钥频繁I/O读写的性能损失;再次,设计了加解密模块Crypto实现物理页的加密和解密功能,Crypto通过KeyCache快速获取页密钥从而提升整个系统的处理性能。将所提系统和典型的SQLCipher等进行对比实验:在读取测试和修改测试中,相较于SQLCipher,所提系统的执行时间平均缩短了1.5%和3.0%,能在安全级别更高的情况下达到更好的性能;而在新增测试和删除测试中,所提系统相较于SQLCipher的性能损失很小,在大幅提升安全级别的情况下性能损失接近。实验结果验证了所提系统的有效性。

面向乡村振兴的认养农业发展影响因素——基于咸阳市周边橙种植户的调查

为推进城郊认养农业发展,促进乡村进一步振兴,采用Logistic回归方法,从个人因素、家庭因素、生产因素和环境因素等4个维度对咸阳市周边橙种植户参与认养农业的意愿及影响因素进行研究。结果表明,咸阳周边农户参与认养农业意愿最强烈的影响因素为农户性别、文化程度、是否村干部或合作社成员、是否参与过认养农业、家庭耕地面积、农产品价格波动与滞销情况,均在1%水平上呈现正向显著相关;农户年龄、人口数量、收入来源是否为农业种植、生产对象的需求弹性等因素在5%水平上正向显著相关;家庭收入、市场规模、政策支持、自然灾害和交通便利程度等因素未通过显著性检验。基于实证结果和结合咸阳城郊认养农业发展实际,提出提高农户对认养农业的认知水平,鼓励农户进行规模化、标准化生产,建立专项补贴贷款渠道等措施,从而更好的促进咸阳城郊认养农业发展,加快乡村振兴。

基于大数据的网络信息挖掘与用户行为分析

本文探讨了基于大数据的网络信息挖掘与用户行为分析的关键技术和实践应用。首先概述了大数据技术的发展现状与常用技术框架,如Hadoop、Spark和Storm。其次介绍了网络信息挖掘方法,包括文本挖掘技术、社交网络分析方法和网络结构挖掘与图数据库技术。在用户行为分析方面,讨论了用户画像构建、行为模式识别和用户行为预测模型等技术。文章还重点阐述了基于大数据的网络信息挖掘与用户行为分析实践,包括数据采集与预处理、用户行为分析模型的构建与验证,并通过新闻资讯平台的用户行为分析案例展示了实际应用效果。最后,对全文进行了总结,强调了大数据技术在网络信息挖掘与用户行为分析领域的重要性和应用前景。

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

基于Docker容器的MySQL数据主从同步技术分析与实践

面对海量的数据存储问题,传统的数据库架构很难满足现代互联网上的高并发访问场景,在探讨了Docker容器相较于传统虚拟化架构优势的基础上,本文提出一种基于开源的应用容器引擎(docker container, Docker)的关系型数据库管理系统(my structured query language, MySQL)数据主从同步方法。实践表明,该方法相较于传统的部署方法可大大提升运维管理效率和资源利用率,并且使用该方法还能将部署好的容器打包成新的镜像,以便更好地应对业务升级和扩缩容。

区域级智慧海洋大数据中心架构规划及建设实践

智慧海洋大数据中心是智慧海洋工程建设的核心载体和体系中枢,其区域中心的规划和建设对于加快各省海洋强省建设、支撑地方数字政府建设、推动国家智慧海洋工程建设具有重要的支撑意义。本文基于推进重点领域突破的实际需求,提出一种区域级智慧海洋大数据中心的架构设计,阐述了其总体框架、技术架构和数据架构,并给出了实现的研究案例。基于架构设计的浙江省智慧海洋大数据中心提供了数据资源、能力支撑、综合展示、开放创新、应用服务等层面的关键技术,构建了浙江省海洋大数据安全开放的应用环境和自发主动、高效规范的共享模式,形成了国家首个省级海洋大数据中心示范效应和全国可复制可推广的建设经验。智慧海洋大数据中心作为新型信息化平台,将促进海洋大数据资源的共享应用和潜能释放,聚焦数据共享、应用生态、迭代升级和创新驱动,为海洋数据资源全生命周期管理共享和运营服务提供完整解决方案。

基于二级时空分桶的伴随轨迹查询

随着移动传感器设备的普及,人们能够采集到的位置数据越来越多,轨迹数据的规模也越来越庞大.从大规模时空数据中查找与指定轨迹最相似的前k条轨迹一直是时空大数据挖掘的重要挑战之一.现有的相似轨迹查询方法大都包括三个阶段:(1)对海量的离线轨迹数据建立索引;(2)基于索引结构从已知轨迹集中查询与指定轨迹相似的候选轨迹;(3)计算指定轨迹与候选轨迹之间的精确相似度并返回相似度最大的前k条轨迹.但大多数现有方法对轨迹进行聚类索引时不能有效利用时间和空间信息,导致时间相似度不高的轨迹也会被划分到相同的索引项上,最终影响查询的准确性和效率.此外,现有的时空轨迹相似度计算方法存在大量的无效运算,使得相似轨迹的查询效率整体较低.针对当前伴随轨迹查询方法对时间与空间信息利用不充分的问题,本文提出一种新的二级时空分桶索引结构,首先将每条轨迹数据按照时间滑动窗口划分为若干带有时间槽信息的子轨迹,在时间上对轨迹进行一级索引聚类;在此基础上对在相同时间槽内的子轨迹进行二级空间索引聚类,利用哈希算法将具有连续相同位置点的子轨迹映射到同一时空分桶中.与已有索引方法相比,该方法对不同轨迹在索引时具有更好的区分度,查询时的筛选条件更为严格,有效降低了候选轨迹集的规模.针对现有轨迹相似度计算方法效率低下的问题,提出一种基于时差约束的轨迹相似度计算方法.利用轨迹之间的时差排除大量不必要的位置比较运算,将轨迹相似度的计算复杂度控制在线性级别,大大提高了计算效率,同时为过滤伴随轨迹查询过程中的无效计算,对基于时差约束的轨迹相似度计算方法进行变体得到一种上下界过滤方法,最大限度地避免了无效计算.最后,在4个真实的大规模轨迹数据集上对所提方法进行实验验证,实验结果表明所提方法的轨迹查找效率是已知最好方法的9~20倍,证明了算法的有效性.

基于全波段反射光谱的花岗岩及其主要矿物自动识别研究--以康定某隧道为例

岩矿的全波段光谱是高光谱遥感岩性解译的物理基础,也对岩矿的自动识别及分类具有重要意义。本文应用高性能便携地物光谱仪,在卤素灯全波段光源照射下,测量实验室、野外露头及隧道内岩矿样本的反射光谱,构建了94种常见岩石和矿物的用户地物波谱库,重点对典型花岗岩及构成花岗岩的6种主要矿物光谱特征进行研究。系统总结了花岗岩及其主要矿物波谱特征、主要吸收峰谷及产生的机理。运用光谱角匹配法(SAM)、光谱特征拟合法(SFF)和二进制编码分类法(BE)3种方法相结合并进行1∶1∶0.7权重分配的评分方式,将野外测得的8件中—酸性岩浆岩及矿物比对ENVI软件自带的JPL岩矿波谱库与用户地物波谱库,进行自动识别,结果显示,运用波谱匹配方法可实现岩矿自动识别和分类,用户地物波谱库在岩矿自动识别中具有明显优势。本研究以康定某隧道现场花岗岩及其主要矿物的全波段光谱研究为例,探讨了岩矿地物波谱在岩矿识别及自动分类中的价值,为岩矿快速、无损、便捷识别提供了新思路,建立的用户波谱库可应用于区域内岩矿的分类,对高光谱遥感岩性填图及矿产勘查具有较重要价值。

HL-2A装置低频漂移波模数据库与机器学习初步研究

本文探索建立了HL-2A/3装置实验漂移波模数据库,并以此作为样本数据库,通过机器学习方法,利用人工神经网络预测托卡马克放电中漂移波模不稳定性的发生及其强度,为实现HL-2A/3等离子体实时参数控制提供参考。首先基于电子/离子温度梯度(η)、俘获电子份额(ε)、局域安全因子q和磁剪切s等4个基本参数构成的参数数据组(η,ε,q,s)作为变量,其他参数取有效的常数值,利用HD7代码计算相应模特征值数据,构建了一个低频漂移波模基本数据库。然后,基于BP神经网络与支持向量机(SVM)模型,分别进行了机器学习建模与编程实验,验证了对HL-2A装置离子温度梯度(ITG)\俘获电子模(TEM)不稳定性进行智能预测的可行性。研究结果表明,通过将参数集与数据集进一步扩充成完备数据库、并加快BP神经网络训练速度、或采用深度学习等更复杂模型,可以最终实现前述漂移波模预测目标。

普通话多模态情感语音数据库构建与评测

本文设计并建立了一个包含发音运动学、声学、声门和面部微表情的多模态情感语音汉语普通话数据库,分别从语料设计、被试选择、录制细节和数据处理等环节进行了详细的描述,其中信号被标记为离散情感标签(中性、愉悦、高兴、冷漠、愤怒、忧伤、悲痛)和维度情感标签(愉悦度、激活度、优势度)。本文对维度标注的数据进行统计学分析,验证标注的有效性,同时验证标注者的SCL-90量表数据并与PAD标注数据结合后进行分析,探究标注中存在的离群现象与标注者心理状况之间的内在联系。为验证该数据库的语音质量和情感区分度,本文使用SVM、CNN、DNN3种基础模型计算了7种情感的识别率。结果显示,单独使用声学数据时7种情感的平均识别率达到了82.56%;单独使用声门数据时平均识别率达到了72.51%;单独使用运动学数据时平均识别率也达到了55.67%。因此,该数据库具有较高的质量,能够作为语音分析研究的重要来源,尤其是多模态情感语音分析的任务。

基于激光熔化技术加工工艺参数优化研究

为进一步提升选区激光熔化技术加工材料的质量,提出一种基于PSO-BP神经网络的工艺参数优化模型,通过提升致密度进一步提升材料质量。其中,使用粒子群优化算法PSO对BP神经网络进行参数优化,进一步提升参数优化预测精度。实验结果表明,与基于传统的BP神经网络优化预测模型相比,基于PSO-BP神经网络的工艺参数优化模型具有更高的预测精度,优化后的预测致密度值更加接近于真实值,且优化预测过程的稳定性更好,更加适用于选区激光熔化技术的工艺参数优化,实现效果更佳的质量提升。

C/SiC复合材料数据库及机器学习性能预测平台的设计与开发

以MySQL Workbench 8.0为数据库平台,采用三层浏览器/服务器架构,利用PyCharm 2022开发了一套基于Web界面和机器学习技术的C/SiC复合材料数据库系统,该系统包括材料数据库和机器学习模型2部分,具有对材料组分结构、制备工艺、试验性能等材料研发各阶段的信息查询、添加、修改、删除、搜索以及支持信息管理、设计分析视图、案例推理辅助设计、用户与系统管理等功能。基于神经网络回归算法训练机器学习模型,利用材料微观结构参数预测材料力学性能,对不同微观结构参数的影响权重进行评价,并部署在系统平台中;通过Web用户界面调用机器学习模型,对预留的验证集数据进行拉伸模量和弯曲模量预测。结果表明:机器学习模型预测材料力学性能的精度达到95%左右,训练出来的预测模型具有良好的精度与泛化能力。

基于深度学习的EEG数据分析技术综述

对近年来的相关工作进行全面分析、横向比较,梳理出基于深度学习的EEG数据分析闭环流程.对EEG数据进行介绍,从深度学习在EEG数据预处理、特征提取以及模型泛化3个关键阶段的应用进行展开,梳理深度学习算法在相应阶段提供的研究思路和解决方案,包括各阶段所存在的难点与问题.全方位总结出不同算法的主要贡献和局限性,讨论深度学习技术在各个阶段处理EEG数据时所面临的挑战及未来的发展方向.

基于Bi-LSTM与状态约束的心音分割算法

心音分割是进行准确心音分类的前提。针对心音分割,提出一种基于双向长短时记忆网络(Bi-LSTM)与状态约束的算法。该文通过网格法确定Bi-LSTM网络中的最佳参数,并训练出心音状态识别模型;统计Bi-LSTM预测的心音状态持续时间,并计算自相关参数;利用自相关参数和心音固有状态转移规则对预测的心音状态进行约束处理。使用五折交叉验证法在PhysioNet/CinC 2016数据集上进行测试,该算法与同类算法相比,整体性能更佳。

融合关系图注意力网络的并行查询执行计划选择

查询作为数据库系统中最重要的功能之一,它的执行效率直接决定系统的性能。并行场景下,查询交互(query interaction,QI)本质上表现为操作间的相互作用,是准确选择查询执行计划的关键。现有在操作粒度上度量QI的模型未能描述交互的动态性,只提取操作特征来反映QI,难以为并行场景下的执行计划选择提供准确的QI度量。为此,在QI的表示上,提出查询组合异构图,以操作为节点,操作间的交互关系为边,实现动态、操作粒度、多交互类型的QI表示;在QI特征提取上,提出多边类型权重计算(multi-edge type weight calculation,MTWC)模型用于计算边权重,并将其作为关系特征,体现交互的强弱程度;在执行计划的选择上,提出一种基于关系图注意力网络(relational graph attention network,R-GAT)的查询组合异构图分类模型(query-mix heterogeneous graph classifica-tion,QHGC),为并行查询选择执行计划。在PostgreSQL上的实验表明,QHGC为查询选择执行计划的准确率达90.4%,平均准确率比查询优化器提高48.2个百分点,比现有最先进的模型PSG提高6.9个百分点。