基于GAN和MS-ResNet的房颤自动检测模型

房颤是一种常见的心律失常疾病,针对现有研究工作大多依赖于单尺度信号段而忽略了不同尺度下潜在的互补信息和数据不平衡问题导致诊断性能下降的问题,提出了一种新颖的基于生成对抗网络(generative adversarial network, GAN)和多尺度残差网络(multiscale residual net, MS-ResNet)的房颤自动检测模型,该网络使用GAN合成具有高形态相似性的单导联心电数据来解决数据的隐私和不平衡问题。同时,设计了MS-ResNet特征提取策略,从不同尺度提取不同大小信号段的特征,从而有效地捕捉P波消失和RR间期不规则特征。该模型联合这两种策略不仅为房颤自动检测生成高质量心电图(electrocardiogram,ECG)数据,还可以利用多尺度网格提取不同波之间的时序特征。在PhysioNet Challenge2017公开ECG数据集上以及平衡后的数据集上评估了MS-ResNet的性能,并将其与现有的房颤分类模型进行了比较。实验结果表明,MS-ResNet在平衡后的数据集上平均F1值和精确率分别达到0.914 1和91.56%,与不平衡数据集相比,F1提高了4.5%,精确率提高了3.5%。

融合GA-Attention-LSTM算法的温室樱桃环境参数预测与裂果预警

针对温室环境因素对樱桃的影响,设计一套大樱桃温室环境自动监测装置,用来采集温室内的环境参数值为樱桃裂果提供数字化预警支持及防治方案。基于采集的环境参数值,首先使用相关性分析得出与棚内裂果具有强相关性的环境参数特征;其次使用滑动窗口方法将输入的环境特征生成时间序列矩阵形式;随后提出一种融合GA-Attention-LSTM算法的预测模型,实现精准预测棚内的环境参数的功能;最后通过SPSS数据分析软件来分析不同大棚的环境参数和裂果率。所提的融合GA-Attention-LSTM算法的预测模型的平均绝对误差为0.112,均方误差为0.087,相比于LSTM网络模型高出12.80%和9.72%,对环境参数的预测精度更高,同时得出一套科学的樱桃环境参数值范围,为预测模型对樱桃裂果数字化预警提供有力支持。

基于Transformer的司法文书命名实体识别方法

命名实体识别是自然语言处理领域的关键任务之一,是实现下游任务的基础。目前针对司法领域的相关研究相对较少,司法系统的信息化和智能化转型仍有许多问题亟需解决。相比其他领域的文本,司法文书存在专业性强、语料资源少等局限,导致现有的司法文书识别结果较低。因此,从以下3方面开展研究:首先,提出了一种多标签层级迭代的文本标注方式,可以对原始司法文书文本进行自动化标注,同时有效地提升司法文书命名实体识别任务的实体识别效果;其次,提出了一种交融式的Transformer神经网络模型,对汉字固有属性的深层特征进行了充分利用,用于对司法文书进行命名实体识别;最后,对所提出的标注方法和模型与其他神经网络模型进行了对比实验。所提出的文本标注方式可以较为准确地实现司法文书的标注任务;同时,所提出的模型在通用数据集中相对于对照模型有较大的提高,并在司法领域数据集中取得了良好的效果。

多策略改进的被囊群算法在入侵检测中的应用

针对被囊群优化算法应用于网络入侵检测系统存在算法收敛速度较慢,容易陷入局部最优解的缺陷,提出一种适用于XGBoost的参数寻优以及特征选择的改进被囊群优化算法。应用Tent混沌映射和自适应步长两种策略加快算法的收敛,融合莱维飞行策略增强个体的路径扰动帮助算法更好跳出局部最优解。仿真结果表明,改进后优化算法收敛速度更快,更加稳定,寻优精度更高,在XGBoost上的应用相较于其它机器学习算法,取得了更好的检测结果,有效提高了网络入侵检测的性能。

基于小样本的胶囊网络轴承故障诊断方法

针对滚动轴承故障样本稀疏、卷积神经网络(convolutional neural network, CNN)池化层效率低的问题,提出一种基于胶囊网络的小样本学习方法模型。基于孪生神经网络,通过相同或者不同类别的样本对进行特征学习,根据特征之间的差异进行故障分类。在标准的凯斯西储大学(Case Western Reserve University, CWRU)轴承故障数据集进行的实验结果表明,该模型在有限数据样本下对故障诊断更为有效。通过添加不同幅值能量的高斯白噪声开展实验,其结果表明,所提方法在抗噪性方面具有优势。

基于生成对抗网络模型的小样本PM_(2.5)预测

针对目前数据驱动的方法在小样本下PM_(2.5)预测准确率较低的问题,提出一种基于生成对抗性网络(GAN)模型PME-GAN,用于在线预测PM_(2.5)浓度值。在生成器中加入长短期记忆网络(LSTM)并用于提取输入数据的时序特征,在判别器中加入多层感知机网络(MLP),通过生成器对PM_(2.5)浓度值进行预测。与LSTM、GRU、CNN-LSTM和CNN-GRU 4种模型进行对比实验,结果表明,该方法在小样本数据集上具有更高的预测准确率,对保定测试集的后25%数据开始预测,预测效果很好。

区块链下的EMRs聚合密钥可搜索加密方案

针对患者的多个电子医疗病历中单关键字检索的安全性不足和检测效率低的问题,提出一种区块链下的电子病历(EMRs)聚合密钥可搜索加密方案。采用星际文件系统(IPFS)和云服务器结合存储EMRs和密文,由患者在区块链上设置智能合约和存储交易单,对多文档多关键字的EMRs提出聚合密钥可搜索加密方案,数据请求方通过两次陷门匹配保证数据有针对性且安全的共享。安全性分析和数值模拟实验结果表明,该方案在保证聚合密钥安全和密文安全的前提下,具有较高的计算效率。

基于LightGBM和SHAP的云南省森林火灾预测研究

针对当前森林火灾预测研究中存在准确性不足和缺乏模型可解释性的问题,选择云南省为研究区域,提出融合LightGBM机器学习模型和SHAP可解释模型的森林火灾预测方法。结果表明,与已有的多种机器学习模型相比,LightGBM表现出更高的准确率(90.5%),在高易发区域大部分火点被准确识别。通过引入SHAP模型,增强了LightGBM模型的可解释性。其中,全局可解释方法可以帮助使用者理解各个特征在模型中的响应趋势,而局部可解释方法则可以解释特定森林火灾实例的预测过程。本文提出的基于LightGBM和SHAP可解释机器学习方法不仅有助于云南省森林火灾预测,还对其他灾害预测领域的风险预测建模具有启示意义。

中文命名实体识别研究综述

随着自然语言处理领域相关技术的快速发展,作为自然语言处理的上游任务,提高命名实体识别的准确率对于后续的文本处理任务而言具有重要的意义。然而,中文和英文语系之间存在差异,导致英文的命名实体识别研究成果难以有效地迁移到中文研究中。因此从以下四方面分析了当前中文命名实体识别研究中的关键问题:首先以命名实体识别的发展历程作为主要线索,从各阶段存在的优缺点、常用方法和研究成果等角度进行了综合论述;其次从序列标注、评价指标、中文分词方法及数据集的角度出发,对中文文本预处理方法进行了总结;接着针对中文字词特征融合方法,从字融合和词融合的角度对当前的研究进行了总结,并对当前中文命名实体识别模型的优化方向进行了论述;最后分析了当前中文命名实体识别在各领域的实际应用。对当前中文命名实体识别的研究进行论述,旨在帮助科研工作者更为全面地了解该任务的研究方向和研究意义,从而为新方法和新改进的提出提供一定的参考。

深度特征的实例图像检索算法综述

基于内容的图像检索算法(CBIR)目标是在数量庞大的图像数据库中通过分析视觉内容,找出与查询图像在语义上匹配或相近的图像。其中通过特征提取获得具有判别性的图像表示对检索结果至关重要。随着深度学习的不断发展,图像检索中使用的图像特征表示方法也逐渐由原来的基于手工特征的方法转变为基于深度特征的方法。通过从特征提取的不同方法角度出发,回顾并追踪了最近基于深度特征的图像检索算法。对基于深度特征的图像检索算法分为基于深度全局特征与基于深度局部特征的图像检索算法两方面进行综述,其中在基于深度局部特征算法中重点关注了深度卷积特征聚合技术。并对现在广泛应用的深度全局与局部特征融合的图像检索方法进行归纳。探讨了深度特征的实例图像检索技术在遥感图像检索、电子商务产品检索和医疗图像检索领域中的实际应用,并比较这些特征提取算法在图像检索精度方面的表现。最后展望了深度特征提取技术在实例图像检索领域的未来研究趋势。

基于激光雷达点云的3D目标检测方法综述

近年来,利用激光雷达点云进行3D目标检测是计算机视觉领域的一个研究热点,并在自动驾驶领域备受关注。3D相比于2D而言,结合了深度信息,更能体现出现实世界的特征,以有效解决如路径规划、运动预测、目标检测等方面的实际问题。介绍了3D目标检测的发展背景,概述了基于激光雷达点云数据的3D目标检测框架的流程,比较了几种常见的包含点云信息的数据集,并对主要研究方法进行分类。结合了自动驾驶的应用场景,对不同方法的性能和局限性进行了分析和比较。最后,总结了现阶段的技术难点,并展望了该领域未来的发展前景。

基于多维数据的WTD-GA-BP海参养殖水温预测

在海参健康生长过程中海水温度是最为关键的因素,针对海参养殖环境复杂,预测水温难度大,精确度较低等问题,提出一种基于多维数据的WTD-GA-BP海参养殖水温预测模型.首先利用相关性分析方法,系统地获取海参养殖气象及水体环境因子与水温的相关关系;其次使用WTD方法对影响海参养殖水温变化的关键影响因子降噪,增强其数据的平滑性;最后,构建GA-BP水温预测模型,以多维数据作为模型输入,以水温作为输出完成水温序列的预测.结果表明,WTD方法有效去除了数据信号噪声,增强了数据平滑性.同时,以多维数据作为输入,充分挖掘了水温数据的变化特征.基于多维数据的WTD-GA-BP水温预测模型具有良好的预测性能,其评价指标MAE、MAPE和MSE分别为0.1468、0.0060和0.0503,能为海参养殖环境的水温预测提供数据参考依据.

基于步态分析的帕金森病辅助诊断方法综述

针对现有的帕金森病(PD)的诊断方法,对基于步态分析的PD的辅助诊断方法进行了综述。在临床上,常见的步态评估PD的诊断方法是基于量表的,该方法虽然简单方便,但主观性强,且对医生的临床经验要求较高。而计算机技术的发展为步态分析提供了更多的方法。首先,总结了PD以及它在步态上的异常表现。然后,回顾了基于步态分析的PD辅助诊断的常用方法,这些方法大致可分为基于可穿戴设备的和基于非可穿戴设备的:可穿戴设备体积小、辅助诊断准确率高,可长时间监测患者的步态状况;非可穿戴设备则是通过微软Kinect等视频传感器捕捉人体步态数据,避免了穿戴相关设备以及对患者行动的限制。最后,指出了现有的步态分析方法中存在的不足并探讨了未来可能的发展趋势。

基于分时重叠算法的欧洲甜樱桃表型关键特征区域图像分割方法

获取与描述植物表型是植物学与农学研究的一个核心命题,大规模植物表型试验在作物优良品种选育与栽培技术研究中发挥了重要作用。其中,计算机视觉相关技术正日益成为自动化获取植物表型数据的关键方法。基于计算机视觉,提出分时重叠分割算法,并运用该算法从樱桃图像中分割出表型关键特征区域图像。算法从普通监控摄像头特性出发,分时获取同一角度樱桃作物本体的日间彩色图像与夜间红外灯补光灰度图像;将灰度图像进行阈值处理与形态学滤波,提取初始区域轮廓;以此作为前置条件,自适应地寻找日间彩色图像中的关键特征区域边缘路径。同时,采用粒子群算法获取特定图像的最优参数,将参数运用于同一角度的时间序列樱桃图像中。结果表明,算法自动分割关键特征区域平均IoU为0.8497,达到需要人工参与的交互式算法相近水平。该方法实现成本低、分割精度高、适用性强,可自主实现樱桃图像表型关键特征区域的切割与获取,并可大面积运用于农业生产环境中。

基于机器视觉的温室蓝莓花期蜜蜂授粉监测

为评估日光温室蓝莓开花窗口期内授粉蜜蜂投放量的合理性,基于机器视觉对蓝莓的蜜蜂授粉次数进行统计。针对检测环境复杂、目标尺度小、易被遮挡等问题,对数据集进行改进泊松融合数据增强处理;并优化设计YOLOv5模型结构,通过引入GAM注意力机制和Transformer模块,增强模型特征提取能力,特征金字塔网络采用BiFPN结构及CARAFE模块补充上下文信息;使用EIoU损失函数和Soft NMS边界框筛选算法,提高边界框的定位精度,解决目标遮挡漏检问题。结果显示,改进后网络的平均精度均值达到96.6%,较原网络提高3.5个百分点,在GPU上对单张蓝莓授粉图像的平均检测时间为11.4 ms。研究结果表明,本研究建立的模型的识别准确度、检测速度及鲁棒性能满足对蓝莓的蜜蜂授粉次数的实时监测。

基于Transformer的航空目标检测算法

近几年,基于深度学习的目标检测算法在航空图像检测任务中得到了广泛应用。针对传统水平目标检测算法无法定位航空图像中大量密集排列的倾斜目标问题,提出了TF-BBAVectors模型算法来实现航空图像中倾斜目标的检测任务。为了避免深度卷积神经网络(Deep Convolutional Neural Network,DCNN)带来的网络退化等问题,使用Transformer结构搭建特征提取网络;针对密集的、小尺度图像目标的问题,采用多尺度特征融合的方法提升检测效果;针对倾斜目标检测的问题,通过边界框边缘感知向量表示任意角度的倾斜目标。在DOTA1.0和SSDD+数据集上的部分测试结果表明,此方法的平均精度分别为72.39%和79.98%,证明了TF-BBAVectors模型算法的有效性。

研究生导师培训现状与优化对策探讨

该研究旨在探讨目前高校研究生导师培训的现状,并提出相应的优化对策。研究发现,当前研究生导师培训存在一些问题,如培训内容不够丰富、培训方式不够多样化、导师培训评价机制不健全等。为了解决这些问题,文章提出了一些具体的对策,包括拓展培训内容、多渠道、多层次开展培训、建立完善的导师培训评价机制、更新培训内容、加强培训的可持续发展等。这些对策有助于提高研究生导师的培训质量,进一步提升研究生教育的质量和水平。

基于卷积神经网络的机械故障诊断技术综述

针对传统机械故障诊断方法难以解决人工提取不确定性的问题,提出了大量深度学习的特征提取方法,极大地推动了机械故障诊断的发展。作为深度学习的典型代表,卷积神经网络(CNN)在图像分类、目标检测、图像语义分割等领域都取得了重大的发展,在机械故障诊断领域也有大量文献发表。为了进一步了解利用CNN的方法进行机械故障诊断的问题,首先简单介绍了CNN的相关理论,然后从数据输入类型、迁移学习、预测等方面对CNN在机械故障诊断中的应用进行了归纳总结,最后展望了CNN及其在机械故障诊断应用中的发展方向。

基于DBSCAN_GAN_XGBoost的网络入侵检测方法

由于网络异常流量检测中异常流量数据占比不平衡,导致模型不能对稀有攻击类别流量进行充分学习,从而影响模型训练和检测精度。针对这一问题,提出一种基于DBSCAN_GAN_XGBoost的网络入侵检测模型,该模型在对稀有攻击类样本进行扩充时,着重扩充更容易让机器学习产生混淆的噪声样本。首先,利用DBSCAN算法对提取出的稀有攻击类别数据进行聚类处理,生成一个或多个子簇,并提取出簇内样本和游离在簇外的噪声样本;然后,使用生成对抗网络模型对提取出的簇内样本和噪声样本分别进行样本扩充,改变数据集中原有的样本比例;最后,使用重新构建后的数据集对以决策树作为基分类器的XGBoost算法进行训练,并完成网络异常流量数据的检测。采用UNSW-NB15数据集进行对比实验,实验结果表明:DBSCAN_GAN_XGBoost模型的准确率和精确率分别为98.76%和96.5%,比样本扩充前分别提高了15.63百分点和19.60百分点,有效地提高了稀有攻击类别的检测精度。

基于SOC的有机膜REFETs研究

由于传统参比电极的大尺寸及液接盐桥的存在,限制了ISFET向着小型化、集成化方向发展．研制了一种采用0．35μm标准CMOS工艺制造的,集ISFET/REFET及其信号检测、处理电路于一体的生化SOC(system on chip)．REFET是该生化SOC采用差分测试方法省略参比电极的关键．介绍了几种有机物材料作为钝化膜的RE- FET．分析比较了各种制备REFET钝化膜的工艺特点及膜的功能特点．实验结果表明,以PTFE为钝化膜的REFET对pH的响应可达到0．39 mV/pH,这表明PTFE膜是一种较为理想的pH钝化材料．