探究医院信息化建设中计算机网络安全管理与维护

医院是我国基础建设中的重要组成部分,若想切实满足当前时代的发展需求,就需要配合各类信息化手段,在管理的模式和方法上进行转变,使各项工作开展更加便捷,但如果未能做好计算机网络安全管理与维护,则其起到的效果将会大打折扣,且可能会埋下安全隐患问题。为此,下面将对医院信息化建设进行探究,从计算机网络方面入手,提出了具体的管理与维护策略,以期能够为相关人员提供一定的参考借鉴,进一步推动未来我国未来医疗事业的发展。

基于深度学习的司法判决预测算法研究

司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景。在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判。为使易混淆罪名得到更好的区分,结合BERT(bidirectional encoder representations from transformer)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)深度学习网络,提出BGAAT(BERT BiGRU attribute self-attention)网络模型。该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述。为使少样本罪名更好地被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值。最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现。

基于Fasttext网络的煤矿事故案例文本分类方法对比

随着大数据时代的到来,煤矿企业积累了大量煤矿数据资源。其中煤矿事故案例信息丰富,包括对事故发生时间、事故发生经过、导致事故的原因以及事故报告等多个方面的分析和总结,但是对这些非结构化文本信息提取很困难,不能有效的获得隐含的语义特征。因此针对煤矿事故案例,对比基于Fasttext网络的文本表示与分类方法,更好的挖掘文本中的语义信息,并准确有效的对案例事故进行类别预测,为后续建立专家知识库、构建应急救援平台提供有力的技术支撑。该文实验的所有代码均已放在GitHub上。

MDataEE:多因素时间序列数据的分析与可视化

多因素时间序列数据及异常数据的可视化对于提高决策分析效率等问题具有十分重要的意义.由于不同种类数据具有不同的特征,传统的可视化方法在绘制此类数据时会出现图像复杂、用户观察效率低的情况.为此,提出一种高效探索多因素时间序列数据及异常数据的可视化方法MDataEE.首先,使用可视化映射简化多种类数据的视图;其次,根据数据的密度和重要性以及视觉感知来优化坐标轴的绘制;最后,增加了一些交互操作,通过图像显隐及生成对比视图等操作,方便用户根据需求自由探索不同方面的数据.在真实PM2.5数据集上进行的实验结果表明,与传统可视化方法相比,所提出的方法能够生成简洁且易于分析的可视化视图,在分析异常数据变化的趋势及原因等方面更有优势,可提高用户理解并分析异常的多因素时间序列数据的效率.