“候鸟式”异地养老中就医问题探析

考虑到气候环境、日常消费水平、护理成本等方面的差异,异地养老在人口老龄化较为突出的国家早已开始实施。我国的异地养老较早始于2003年的大连同泰老年休养中心发起的异地互动养老,即通过异地疗养机构签署养老协议。异地养老,广义来说是指离开常住户口所在地到省外或本省跨行政区域内跨地级以上市经常居住较长一段时间的养老方式,它包含了夫妻两地分居造成的异地养老、跟随子女生活的异地养老、异地退休回原籍的异地养老、候鸟式的异地养老等方式。

基于k-shell熵的影响力节点的排序与识别

节点的影响力排序一直是复杂网络领域中最具有吸引力的一个问题,其对于衡量节点的传播能力有着重要的作用。由于网络中的节点的规模很大,研究者们希望能够更准确地估计节点的传播能力。文中基于信息论的基本概念和k-shell方法提出了一种新的影响力节点的排序方法,根据节点所在网络中的位置的拓扑信息来测量节点的传播能力。实验结果表明,该方法可以有效地识别网络中有影响力的节点,并且可以有效避免k-shell法的“富人俱乐部现象”。

基于改进EfficientNetV2的有害垃圾图像分类方法

随着工业的迅速发展,垃圾产生的数量呈爆炸式上升,使得垃圾处理成为一个世界性的难题。我国政府对环境的关切也逐渐加深,不断推出了各种垃圾分类政策以及法律法规以监督市民进行垃圾分类。垃圾处理特别是有害垃圾处理,如电子废弃物等,如果处理不当,会对环境产生恶劣影响。有害垃圾图像数据具有数据质量低、图像不清晰的特点,采集来自不同设备的图像样本又有明显差异,因此有害垃圾图像处理面临巨大挑战,同时有害废弃物分类结果关系到环境污染问题,且目前产出的垃圾数量巨大,要求具有较高的处理速度和准确度。文中提出了一种基于卷积神经网络和注意力机制的垃圾图像分类方法。该方法不需要对输入的图像进行手工提取特征,通过深度学习模型框架,弥补传统图像处理算法的不足,实现对有害垃圾准确、高效的分类,可以较好地识别多种类型的有害垃圾。经实验验证,所提方法在harmful-waste数据集上的准确率达到97.46%,相比其他算法模型,其模型训练时间更短,性能更优。利用深度学习的方法,部署自动化垃圾分类模型,对于环境保护有重要意义。

基于核心节点影响力的社区发现方法

社区发现是复杂网络研究领域的一个热点问题,目前已经有许多局部社区发现算法被提出用于快速发现高质量的社区,不过它们往往存在种子节点依赖或是稳定性问题。因此,部分算法试图根据核心节点被邻居高度包围且相互之间距离较远的拓扑特性来精确地锁定种子节点以避免上述问题,但距离的计算使得其时间复杂度较高。文中提出了一种基于核心节点影响力的社区发现方法CDIC,该方法首先根据核心节点的拓扑特性和网络邻接信息寻找所有可能是核心的节点,之后利用真正核心节点影响力较高的性质和标签传播的思想来扩张社区,并淘汰被误选为核心的节点以避免种子依赖问题,同时不涉及最短距离的计算也保证了较低的时间复杂度,最后依据相似度理论提出了一种社区对节点的吸引力来合并特异节点,以保证算法结果的稳定性。将CDIC与6种经典算法以及2种近年来提出的算法在64个人工网络和4个真实网络上进行仿真实验,并对其社区划分结果对应的标准化互信息值和纯度进行了比较,结果表明了CDIC的有效性。