基于多模型的COVID-19传播研究

COVID-19在短时间内传播至全国各省市,不仅严重影响了人民的正常生活以及社会经济,同时还在威胁着人民的生命安全,因此多模型COVID-19传播研究有明确的理论和现实意义。本研究依据公开数据,首先,基于小世界和无标度网络模型研究了节点传播控制;其次,利用改进的SEIR模型,结合武汉疫情趋势,将感染者分为有症状感染者和无症状感染者,加入住院和死亡状态,并分别进行正常社交行为、保持距离的社交行为以及隔离措施的社交行为3种情况下的仿真研究;最后,基于混沌模型对COVID-19感染水平与周期性进行了分析。数据仿真结果验证了以上模型具有好的适用性。

采用Transformer-CRF的中文电子病历命名实体识别

命名实体识别是自然语言处理的基本任务之一。针对中文电子病历命名实体识别传统模型识别效果不佳的问题,提出一种完全基于注意力机制的神经网络模型。实验采用自建真实中文电子病历数据集并对数据集进行人工标注、分词等预处理;对Transformer模型进行训练优化,以提取文本特征;利用条件随机场对提取到的文本特征进行分类识别。为验证所提方法的有效性,将构建的Transformer-CRF神经网络模型与其他7种传统模型进行比较研究,实验采用精确率、召回率和F1值三个指标评估模型的识别性能。实验结果显示,在同一语料集下,TransformerCRF模型对身体部位类的命名实体识别效果较好,F1值高达95.02%;且与其他7种传统模型相比,Transformer-CRF模型的精确率、召回率和F1值均较高,在一定程度上验证了所构建模型具有较好的识别性能。

结合注意力机制的Bi-LSTM-CRF中文电子病历命名实体识别

在中文电子病历命名实体识别任务中,为了消除传统命名实体识别方法高度依赖人工提取特征这一不足,设计了双向长短时记忆(Bi-LSTM)网络与条件随机场(CRF)结合的网络模型,并在联合网络的基础上添加注意力机制,从而优化实体识别准确率。首先,将中文电子病历数据集进行脱敏处理及序列标注等预处理;其次,结合词嵌入技术将电子病历文本序列进行词向量化表示,并利用Bi-LSTM网络模型构造包含前向和后向文本的语义特征;然后,将双向特征序列输入到注意力层,利用注意力机制对文本特征向量的语义编码分配不同的注意力权重,进一步强化当前信息与上下文信息之间潜在的语义关联性;最后,输入到CRF层中,由此提取出实体。实验结果表明,该注意力机制与Bi-LSTM-CRF模型融合的新方法能有效提高中文电子病历命名实体识别的准确率。

用于肺结节影像分类识别的DBN与CNN的比较研究

针对肺结节图像的分类识别精度和效率问题,分别将CNN(Convolution Neural Network)模型和DBN(Deep Belief Network)模型用于肺结节分类识别,并评估不同的深度学习模型在肺结节图像分类方面的性能。首先,实验将预处理过的训练集和标签分别输入到CNN模型和DBN模型,达到训练模型的目的;其次,将测试集输入到参数最优的模型中,比较两种模型测试集分类的准确率、敏感性和特异性,并分析两种模型的分类识别性能。最后,从分类准确率、敏感性和特异性3个指标以及时间复杂度来分析比较两种模型,发现CNN模型在肺结节图像分类识别上更有优越性。

安全监控中心建设要点分析

随着云计算、大数据和人工智能的发展,人类进入数字经济时代。数据安全对于企业发展越来越重要,尤其是国防军事、工农业保障生产的企业。文章阐述了当前国家安全发展的形式和需要建设安全监控中心的迫切要求。针对安全监控中心的建设目标,重点探讨了其相关建设的要点。安全监控中心的建设是企业发展的重要基石,做好安全监控,对企业自身的发展至关重要。