基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用

滑坡位移预测是滑坡稳定性评价的重要环节。尽管基于深度学习范式的时间序列方法预测滑坡位移取得了一定的成果,但由于滑坡位移数据的非平稳性、周期性和趋势性变化特征,导致当前时间序列模型的滑坡位移的多变量预测容易过拟合。为解决这一问题,针对滑坡位移数据的波动性和由周期项与趋势项位移叠加组成的特性,提出一种基于孤立森林(Isolation Forest,IF)异常检测、集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的滑坡位移预测模型。选择三峡库区以降雨为影响因子的阶跃型白家包滑坡为研究对象,引入IF算法对滑坡原始位移数据进行异常检测,使用EEMD方法提取滑坡趋势项和周期项位移,通过CNN捕捉局部周期项和趋势模式,并基于LSTM模型预测总体位移。结果表明,EEMD-CNN-LSTM在预测降雨情况时滑坡总体位移的均方根误差(RMSE)、平均绝对误差(MAE)、评价绝对百分比误差(MAPE)和决定系数(R2)4种指标分别为0.4190、0.3139、0.2379和0.9997,前3种精度评价指标较现有模型分别提升32.3%、25.1%、7.3%。相较于传统的LSTM模型、随机森林方法和EEMD-LSTM方法,EEMD-CNN-LSTM模型在有、无降雨这一外部影响因素下具有显著优势,能够较大地降低过拟合,提高预测的准确性。

场景图像弯曲文本检测与识别

随着深度学习技术的发展,场景文本检测与识别在近几年取得了巨大的进步,场景文本检测与识别的实现方式也越来越具有多样性。然而,场景文本的表示方式仍然以矩形和旋转矩形居多,该类文本表示方式难以精准表示弯曲的文本实例。为了解决弯曲文本的表示问题,论文提出了一种参数化的弯曲文本表示法,并且基于参数化表示法设计了弯曲文本纠正算法,实现了弯曲文本的形态纠正,降低了识别的难度。通过引入该方法,实现了功能完善的场景文本检测与识别系统。实验结果表明,此方法可以有效完成场景文本的检测与识别任务。

智慧物流园区信息平台建设研究

在我国现阶段的区域性物流园区建设过程中,建立区域内物流信息标准是非常必要的。智慧物流园区的核心在于物流园区信息平台。在信息化手段下,智慧物流园区建设需要充分考虑影响物流园区因素及关键建设步骤,尤其需要选择良好的商业模式,通过对智慧物流园区的商业模式进行数学建模,将能够有效指导物流园区的可持续、良性发展。

浅谈健康中国背景下康复基本知识普及路径

健康中国2030是国家保障国民健康的重要战略,它是国家、社会等方面对于健康发展的革命性纲领,对于新形势下国家健康事业的发展具有重要意义。康复医学是一门新兴学科,现阶段普通大众对于康复的定义、范围、地位、治疗方法等基本知识比较陌生,甚至将康复医学与其他学科混淆而望文生义。本文通过结合健康中国战略,研究分析康复知识的传播途径,为中国特色康复事业的发展做出应有的贡献。

交叉学科下《黄帝内经》翻译策略的对比研究

中医学是一门古老而又蓬勃的学术体系,《黄帝内经》的问世极大地推动了中医的发展。《黄帝内经》在中医领域的地位非常重要,是第一部中医理论经典。中华文化博大精深,中医术语在语义表达、情境意象、文化传承等方面都具有突出的特点。《黄帝内经》英译本众多,译者间不同的解读使得各英译本内容相差悬殊。通过运用中医与英译的跨学科研究方法,对比分析不同版本《黄帝内经》译者语言翻译的认识机制,探索其影响因素,以寻求最佳的翻译策略。