全媒体时代高校二级学院特色文化凝练与构建策略探究

全媒体时代高校二级学院特色文化凝练与构建面临着定位规划精度不够、内涵挖掘深度不够、应对防范效度不够、引领传播力度不够等难点问题,探究全媒体时代高校二级学院特色文化凝练与构建具有重要实践意义。全媒体时代高校二级学院应采取立足二级学院办学实际,找准文化特色定位;紧扣学院整体规划重心,谋定文化特色蓝图;深入挖掘整合优势资源,夯实文化特色内涵;聚焦赋能师生成长成才,凸显文化育人价值;打造文化管理长效机制,稳固文化特色优势等实践策略,从而实现在全媒体时代以学院特色文化助力学院乃至高校高质量发展。

基于时空图卷积神经网络的管网产量模拟计算

针对原油集输管网的流量计测量数值偏差大,模拟仿真软件人工校正繁琐、自适应差的问题,提出一种自适应时空图卷积神经网络的产量计算方法,实现原油集输管网产量的模拟计算.以潜油电泵井为节点,输油管道为边构建管网拓扑图.使用图卷积神经网络提取井分布空间信息,时间卷积神经网络获取产量数据的时间序列特征,计算得到准确的产量模拟计算结果.在某油田原油集输管网系统上进行了实验验证,结果表明本文方法能够准确对管网系统内各电泵井的产量进行计算,与其他基准网络模型相比,各项误差指标均有下降,平均绝对误差降至0.87,平均绝对百分比误差降至4.45%,均方误差降至0.84,证明了提出方法的有效性和准确性.

基于双图神经网络的会话推荐算法

针对现有会话推荐算法缺乏对属性信息利用的问题,提出一种基于双图神经网络的会话推荐算法(SR-DGNN)。分别构建会话图和全局相似图学习项目的时序特征和内容特征表示,设计相似度图卷积网络(S-GCN)对全局相似图进行建模。设计基于注意力机制的融合策略对项目的特征表示进行聚合,获取会话的全局表示。综合考虑用户的长期和短期兴趣,预测用户偏好。在KKBOX和MIND两个数据集上进行了大量实验,实验结果表明,所提模型优于现有基准模型。

面向长尾分布的民众诉求层次多标签分类模型

接诉即办是实现社会治理智能化、提高人民满意度的重要举措,其中精准分析民众诉求智能匹配工单处理部门,实现诉求的快速响应、高效办理尤为关键;然而,民众诉求数据中的诉求描述不清晰、类别混淆且比例失衡会导致诉求类别分析困难,影响了智能派单的效率与准确性。针对上述问题,提出编解码器结构的诉求层次多标签分类模型(HMCHotline)。首先,在文本编码器中引入诉求领域中的细粒度关键词先验知识以抑制噪声干扰,并融合诉求的时空信息提高语义特征的判别力;其次,利用标签层次结构生成具有层次与语义感知的标签嵌入,并构建基于Transformer模型的标签解码器,利用诉求的语义特征和标签嵌入进行标签解码;同时,在标签的层级依赖关系基础上引入动态标签表策略限制标签的解码范围,以解决标签不一致问题;最后,采用Softmax分组策略将样本数量相近的标签类别分为同组进行Softmax操作,从而缓解由标签长尾分布导致的分类准确率低的问题。在Hotline、RCV1(Reuters Corpus VolumeⅠ)-v2和WOS(Web Of Science)数据集上的实验结果表明,相较于层次感知的标签语义匹配网络(HiMatch),所提模型的Micro-F1分别提高了1.65、2.06和0.43个百分点,验证了模型的有效性。

基于高维特征降维聚类的实时流量分类方法

针对传统网络流量分类方法无法避免未知流量对分类的影响和难以实现实时流量分类的问题,本文提出一种基于高维特征降维聚类的实时流量分类模型。首先,搭建CNN网络模型对流量数据进行高维特征提取,并保存特征向量。然后使用UMAP对特征向量进行降维,并使用DBSCAN聚类算法对流量进行分类,在实现应用程序粒度分类的基础上,有效降低未知流量对模型的影响。同时,提出一种基于流一致性的时延控制机制,借鉴TCP拥塞控制机制的思想,大幅减少流量分类的时间,使得本文模型能够满足实时流量分类的要求。同时,在真实网络中采集一套应用程序粒度的流量数据集,并在公开数据集和本文数据集上进行实验验证。结果表明,本文方法在已知数据集中准确率约为98%,当未知流量接近50%时,准确率保持在80%左右,且能够满足实时分类的要求。

基于鸟类迁徙关联要素数据的知识图谱构建

为解决当前鸟类迁徙关联要素数据量繁杂,传统方法不足以高效处理这些数据并精准分析关联要素之间的关系等问题,提出一种鸟类迁徙领域知识图谱构建方法。通过构建本体,利用黄河三角洲生态保护和高质量发展研究院提供的鸟类迁徙数据以及互联网大量文本信息来构建鸟类迁徙实体语料库,设计一种基于RoBERTa-BiLSTM-CRF的鸟类迁徙关联要素实体识别方法进行知识的抽取,利用文本相似度技术进行知识融合,将数据存入图数据库Neo4j中。实验结果表明,所提方法简单高效,构建的知识图谱扩充了鸟类迁徙领域的关联要素信息,是知识图谱技术在生态保护领域的应用与探索。

基于多模态数据融合的改进中尺度涡检测模型

提出一种基于多模态数据融合的改进中尺度涡检测模型。该模型以海平面高度数据为基础,首次将融合表层海温数据扩展为融合多深度层海温数据;将海温数据的深度层作为通道,嵌入通道注意力机制,使得模型能够关注于海水温度数据中最具有区分度的深度层;模型在编码及解码过程中采用残差学习单元,在加深网络深度的同时,更好地拟合激活函数,缓解训练问题,以提高模型的检测准确率。以中国南海部分海域为例开展实验验证,结果表明该中尺度涡检测模型准确率达到93.62%,模型具备有效性和可靠性。

基于多样化标签矩阵的医学影像报告生成

医学影像在医学诊断中具有重要作用,而准确描述的文本报告对于理解图像以及后续疾病诊断是必不可少的。目前在医学影像报告生成领域,基于模式化方法生成规范的文本报告成为近年的研究热点。但正负样本数量差距较大导致的数据偏差问题,使得生成的报告内容普遍倾向于描述正常状况,难以准确捕捉异常信息。为解决这一问题,提出了一种基于多样化标签矩阵的医学报告生成方法,可以对不同的疾病进行差异化学习,生成多样化的医疗报告;设计文本-矩阵特征损失函数,优化多样化标签矩阵;增加特征交叉模块改进Transformer网络,加强图像与文本的映射,提升疾病描述的准确性。在IU-X-Ray和MIMIC-CXR两个数据集上进行实验,实验结果表明,与目前的主流方法相比,所提方法在BLEU,METEOR等多个指标上取得了最优的效果。

基于可变生成概率和多差分柯西变异的均衡优化算法

针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equilib-rium optimization algorithm,VDEO)。首先,结合Tent混沌映射增加初始化种群的多样性,为寻优提供基础;其次,引入可变的生成概率代替原始的固定值,使算法在迭代前期增加全局搜索能力,后期关注求解精度,以提升全局搜索和局部搜索的平衡能力;最后,融合多种差分策略和柯西变异帮助寻优过程跳出局部最优。针对包含单峰、多峰和固定维多峰在内的15个基准测试函数和CEC2022测试函数,将VDEO在多种维数下与EO,GWO,WOA,SCA,MFO,AOA,AVOA,BWO,AHA,POA这10个启发式算法进行仿真对比实验,并对基准测试函数的实验结果进行Wilcoxon秩和检验,实验结果表明,VDEO实现了更好的全局搜索和局部搜索的平衡,并具有更好的跳出局部最优的能力以及更高的收敛精度。

融合知识推理与相似度检索的民众诉求大模型构建与应用

高效回复民众诉求是实现智能化管理、提升民众满意度的必要措施,将智能问答应用于民众诉求能有效节约人力和时间资源。然而,智能问答中基于规则和检索的模型依赖预设知识,当诉求超出预设知识范围时无法提供有效回复,在处理多轮对话时也无法保持对话连贯性。现有的大语言模型可以和用户流畅对话,但通用大语言模型缺乏诉求领域知识。由于训练数据中问答对的信息没有覆盖回答用户问题所需要的知识,导致通用大语言模型生成错误回复或答非所问,产生幻觉。针对上述问题,构建了面向民众诉求领域的智能问答大语言模型(PC-LLM)。设计基于BERT-BiLSTM-CRF的实体关系抽取模型获得诉求工单中实体及其关系,进而构建诉求知识图谱,使用BERT模型对诉求工单向量化并构建诉求工单向量索引库;回复生成阶段,抽取用户诉求的实体和关系,在诉求知识图谱中通过实体链接进行知识推理,获取潜在关系提示,同时在诉求工单向量索引库内对诉求进行快速检索,获取相似诉求并构建相似诉求提示;将潜在关系提示、相似诉求提示与用户诉求融合形成综合提示,引导大语言模型生成准确的回复。实验分析显示,该大语言模型在诉求数据集中的表现明显优于ChatGPT4o、文心一言、通义千问等大语言模型。

基于AHRFaultSegNet深度学习网络的地震数据断层自动识别

断层识别是地震数据解释的重要环节之一。深度学习技术的发展有效提高了断层自动识别的效率和准确性。然而,目前在断层的自动识别任务中,如何准确捕捉断层细微结构并有效抵抗噪声干扰仍然是一个具有挑战性的问题。为此,在HRNet网络的基础上,构建了一种基于解耦自注意力机制的高分辨率断层识别网络模型AHRFaultSegNet。对于自注意力机制解耦,结合空间注意力和通道注意力,代替HRNet中并行传播的卷积层,在减少传统自注意力机制计算量的同时,模型可以在全局范围内计算输入特征的相关性,更准确地建模非局部特征;对解耦自注意力使用残差连接来保留原始特征,在加速模型训练的同时,使模型能够更好地保持细节信息。实验结果表明,所提出的网络模型在Dice、Fmeasure、IoU、Precision、Recall等性能评价指标上均优于其他常见的断层自动识别网络模型。通过对合成地震数据与实际地震数据等进行测试,证明了该方法对断层细微结构具有良好的识别效果并且具有良好的抗噪能力。

基于CNN-LSTM算法的气井产量预测研究

气井产量预测对合理评价气井产能和制定合理的排采制度具有重要意义。基于经验模型的产量预测方式,在使用条件和环境上具有较大的局限性。论文提出一种基于CNN和LSTM的融合算法,从数据角度出发,预测气井产量。通过CNN算法提取数据空间特征,用LSTM算法提取数据的时间特征,同时,基于机理模型分析气井产量与生产参数的关系,对特征参数进行预处理,提高算法的准确率。实验结果表明,与传统的CNN算法、LSTM算法相比,具有较好的预测效果,预测日产气量与实际日产气量之间误差小于5%。

超密集网络中基于多基站博弈均衡的分布式无线资源管理算法

移动边缘计算和超密集网络技术在扩大移动设备计算能力和增加网络容量方面有明显的优势.然而,在两者融合的场景下,如何有效降低基站之间的同信道干扰,减少任务传输的时延和能耗是一个重要研究课题.本文设计了一个基于多基站博弈均衡的分布式无线资源管理算法.将小基站之间的无线资源管理问题转化为博弈问题,提出一种基于奖励驱动的策略选择算法.基站通过迭代不断更新其策略的选择概率,最终优化子信道分配和发射功率的调控.仿真结果表明,我们的算法在提高信道利用率和降低任务处理的时延和能耗方面具有优势.

融合IndRNN和PSO的随钻测井数据反演方法

针对传统的反演方法过于其依赖初始模型,导致结果不稳定与计算效率低的问题,提出一种融合独立循环神经网络和粒子群优化算法的随钻测井实时反演方法.首先,通过地层模型正演模拟产生的序列数据,建立独立循环神经网络模型,并引入注意力机制强调关键特征在随钻测井反演中的作用;其次,在粒子群优化算法中引入随机惯性权重提高粒子群算法的全局和局部搜索能力,利用粒子群优化算法对神经网络模型进行超参数优化;最后,在正演模拟测试集与某油田1931–2132 m段的测井数据测试集上分别进行消融实验与对比实验,结果证明,粒子群算法与注意力机制可以有效提高预测精度,且该方法在各个方面的反演性能均优于长短期记忆神经网络、双向长短期记忆神经网络以及门控循环单元网络模型,满足随钻测井数据实时反演的需要.

基于FastCAE的油气藏模拟黑油模型仿真分析应用

在油藏数值模拟领域,黑油模型是最为成熟和广泛应用的模型,成熟地掌握黑油模型的求解、仿真模拟技术对于油气田开发生产具有极强的现实意义.为了加强对石油渗流规律的认识,本文首先通过Python语言实现了黑油模型,并通过Bendiksen、W&G、MAE三种算法进行对比;其次,使用Pyinstaller封装技术将Python语言模型转换成.exe格式的黑油模型数值求解器;最后,将.exe格式的黑油模型求解器引入到FastCAE开源平台中,实现油田场景下可使用的黑油模型的模块化开发.

基于深度学习的区块链蜜罐陷阱合约检测

针对当前检测方法准确率不高以及模型泛化性较差的问题,提出了基于KOLSTM深度学习模型的蜜罐陷阱合约检测方法。首先,通过分析蜜罐陷阱合约的特点,提出了关键操作码的概念,并设计了可用于选取智能合约中关键操作码的关键词提取方法;其次,在传统的LSTM模型中加入关键操作码权重机制,构建了可以同时捕获蜜罐陷阱合约中隐藏的序列特征以及关键操作码特征的KOLSTM模型。最后,通过实验表明,该模型具有较高的识别精确率,在二分类和多分类检测场景下的F值较LightGBM模型分别提升2.39%与19.54%。

基于改进遗传算法的SDN控制器放置优化研究

与传统的网络不同,软件定义网络将网络的控制层与数据层分开,从而提供了网络的集中视图,可以灵活控制网络流量。然而在大规模的软件定义网络中不合理的控制器部署会直接影响到网络的性能。为了找到网络中最优的控制器放置位置和数量,同时最小化时延、均衡负载并优化成本,提出一种基于改进遗传算法的求解算法。在该算法中引入贪婪思想并改进变异算子从而改善其收敛速度和寻优能力。此外,在一些真实的拓扑上将该算法与其他求解算法进行对比,结果表明改进的遗传算法性能更好。

基于知识图谱的潜油电泵井故障诊断

潜油电泵井系统是油田开采重要工具,具有排量大、扬程高与作业环境灵活多变等优点.为了降低潜油电泵井系统故障危害,需要对其发生故障部件进行快速精确定位并维修.本文提出一种基于知识图谱的潜油电泵井故障诊断方法.采用改进BiLSTM-CRF实体识别算法与BERT关系抽取算法提取故障数据中的专家知识,构建潜油电泵井故障诊断领域知识图谱;利用构建知识图谱搭建以故障征兆为初始节点的贝叶斯推理网络,利用历史故障数据与条件概率解耦的计算方式推理出故障原因.本文通过故障诊断真实案例进行方法验证.

基于多模态社交情感分类的高校学生心理健康分析

为了更智能、准确地从高校学生的社交动态中分析学生们的心理健康状态,该研究提出了一种基于多模态社交情感分类的高校学生心理健康分析方法。针对高校学生群体情感表现的复杂性,提出了一种将情感状态表达划分主体情感和侧面情感的分析方法;针对社交动态数据模态的多样性,提出一种多模态数据融合方法。实验结果表明,论文提出的多模态社交情感分类方法在构建的高校学生社交动态数据集上主要情感分类得的准确率达到89.8%,并在多个公开数据集上相对于基准算法提高了4%~6%的分类准确率。

基于服务负载的时序QoS预测

网络技术的发展和多接入边缘计算的兴起使得计算和网络资源的部署逐渐靠近终端.随着服务数量的增多,为了向用户更好地推荐服务,如何在复杂、动态的边缘计算环境中实时、准确地预测服务质量(quality of service,QoS)成为一项挑战.本文提出一种基于服务负载实时预测QoS的深度神经模型(QPSL),它可以为边缘计算中的QoS预测提供缺少的负载状况感知和周期感知.首先,对服务的负载状况进行特征表示,并通过时序分解模块获取时序特征.其次,将CNN和BiLSTM结合,学习潜在的时序关系,生成不同时刻的状态向量.然后,基于Attention机制为历史时刻的状态向量分配权重,从而构造未来时刻的状态向量.最后,将上下文嵌入向量与状态向量送入感知层完成实时QoS预测.基于真实的融合数据集进行了大量的实验,结果表明QPSL在响应时间和吞吐量任务上的MAE分别平均提升了10.28%和10.87%,优于现有的时间感知QoS预测方法.