基于时间序列的发电机设备异常分析

为提高发电机组设备运行维护管理水平,提出一种基于PCA-Informer方法的发电设备故障预测技术。首先使用主成分分析(PCA)算法降低时间序列数据的特征维度;其次将数据分批次输入Encoder中,由Encoder执行蒸馏操作,提取长时间序列输入间的Long-Range依赖,通过蒸馏操作为重要特征赋予更高的权重,并在下一层生成聚焦的Self-Attention Feature Map;最后由Decoder通过一个正向过程一步生成长序列输出。通过实验验证,该方法能够有效地对发电设备的故障进行预测。

基于深层卷积网络的单幅图像超分辨率重建模型

【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。

如何识别欺骗性垃圾邮件的分析研究

近年来,电商平台收集的客户商品反馈邮件中常包含欺骗性内容,严重干扰了电商平台的商品质量监管工作。为解决这一问题,本文比较了三种针对欺骗性意见垃圾邮件的特征提取方法,并构建了一个包含负面情绪评论的欺骗性意见垃圾邮件数据集。基于该数据集的实验结果表明,RoBERTa 语言模型能够提取更深层次的文本特征,结合常见的文本分类技术,即可有效检测负面的欺骗性意见。RoBERTa 模型展现了最佳的整体性能,对欺骗性意见垃圾邮件的过滤具有重要价值。

一种快速的基于稀疏表示的人脸识别算法

基于稀疏表示的人脸识别算法(SRC)识别率相当高,但是当使用l1范数求最优的稀疏表示时,大大增加了算法的计算复杂度,矩阵随着维度的增加,计算时间呈几何级别上升,该文提出利用拉格朗日算法求解矩阵的逆的推导思路,用一种简化的伪逆求解方法来代替l1范数的计算,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算,基于AR人脸库的实验证明,维度高的时候识别率高达97%,同时,计算复杂度和开销比SRC算法大幅度降低95%。

玉林师范学院计算机专业学科竞赛的探索与实践

通过分析与讨论传统的实践教学体系与学科竞赛模式的异同,并结合玉林师范学院计算机专业在学生学科竞赛上的实践与探索,总结了高校在应用型人才培养过程中应起的作用和实施中应注重的问题,并提出了对于高校学科竞赛建设的相关建议与设想.

基于XML缓存文件频繁数据挖掘的简单改进算法

介绍XML缓存现状和Apriori算法的情况,在分析Apriori算法的基础上,通过对经典Apriori算法的改进,提出一种改进算法,该算法在计算候选大项集支持度所涉及的记录数目将小于事务数据库中原始的记录数目,实验证明该算法能够有效提高执行效率.

一种基于泰森多边形的人脸图像精确归一的研究

人脸图像的标准化,作为人脸图像预处理过程,是计算机人脸识别中很重要的一个环节.论文给出了一种基于泰森多边形改进的人脸图像标准化算法.先对照片使用泰森多边形的方法进行图片预处理,然后再进行人眼定位,最后对利用三庭五眼的方法对图像进行归一,将获得很好的效果.

地方本科院校计算机专业创新基地的探索与实践──以玉林师范学院为例

分析与讨论传统的实验基地与创新基地模式的异同,结合玉林师范学院计算机专业在学生创新基地建设上的实践与探索,总结了高校在创新人才培养过程中应起的作用和实施中应注重的问题,最后提出了对于高校创新平台建设的相关建议与设想.

基于约束优化的Petri网可达性分析

Petri网的可达性判定问题是进行Petri网分析的基础。通过分析目前求解Petri网可达问题的判定方法和基于约束程序的Petri网可达问题判定方法,提出一种基于约束优化的Petri网可达问题判定方法,该方法是在状态方程法的基础上,利用约束程序寻求可行解,再利用优化求最优解,从而减少问题搜索的分支,达到减少状态方程的解空间的目的。最后通过实例的求解验证算法能够提高判定效率。

Stone-Wales缺陷对碳纳米管电学性能的影响

运用非平衡格林函数结合局域密度泛函理论,对含有Stone-Wales缺陷的(5,5)金属型单壁碳纳米管(SWCNT)的局域态密度和透射概率进行研究,计算结果表明Stone-Wales缺陷导致部分电子态定域化.这些位于价带和导带的定域态对电子的散射作用十分明显.此外,(5,5)金属型SWCNT因管束效应而出现约0.1eV的赝隙,计算结果证明SWCNTs之间电势场的微扰作用是产生赝隙的主要原因,并导致透射系数发生突变.

排课系统的着色Petri网建模

根据玉林师范学院的实际情况,建立排课系统的模型,并利用建模工具着色Petri网对排课系统进行可视化建模,描述系统流程,以期对排课系统的开发有所帮助.

大规模单细胞转录组测序数据的聚类方法比较

单细胞转录组测序(single-cell RNA-sequencing, scRNA-seq)数据具有高稀疏性、高噪声、高维度、结构信息和位置信息缺乏等特点,且数据规模迅速增大,使得单细胞聚类面临较大的挑战。为便于对不同的scRNA-seq数据选择合适的分析方法,本研究对scRNA-seq数据的质量控制、基因选择和聚类等方法进行比较分析。首先,分析质量控制中过滤和归一化的方法及其阈值设置;然后,从模型因子、测序技术、方法局限性和优势等方面,对6种典型的基因选择方法进行比较;最后,详细阐述6种典型的单细胞聚类方法,并分析其适用的数据规模和优缺点。收集14个带有真实标签的金标准scRNA-seq数据集,包括5个全长测序数据集和9个双端测序数据集,其中5个数据集包含的细胞数大于3 000个,对6种典型的基因选择方法和6种单细胞聚类方法进行实验比较,分析它们在识别高差异基因时和在聚类性能上的差异。结果发现,不同的基因选择方法在Adam和Wang_Lung数据集分别可以检测到182个和124个共有基因,以及一些独有基因。此外,Seurat、SC3、Monocle 3和scDeepCluster的聚类稳定性更好,Seurat在所有数据集上的聚类稳定性和准确性最好,scDeepCluster在大部分数据集上有很好的聚类准确性。因此,选择合适的scRNA-seq数据分析方法,需要综合考虑测序平台、数据规模,以及基因表达分布等因素。

多数据库的加权时态关联规则挖掘算法

大数据时代,从多数据库中挖掘时效性知识,对决策者越显重要.现行的关联规则挖掘算法主要是单数据库时态挖掘或者多数库的加权挖掘,而对二者结合研究较少,于是提出基于多数据库的加权时态关联规则挖掘算法.算法首先得到多数据库事务的时态事务向量表,对数据库事务数量赋予权值,然后通过Apriori等算法挖掘出所有的频繁项集及其关联规则,根据事务时态分别从各数据库中选择支持度高的规则,最后合成关联规则.实验结果表明该算法是可行和有效的.

多核超图神经网络单细胞分类算法

单细胞RNA测序技术将大量基因表达谱测序出来,识别细胞类型或转录标记成为研究重点。基于聚类方法假定聚类中所有细胞属于同一类型,因此可进行集群标记,但这种假设通常是错误的,集群中除了主要细胞类型外,还包含少量占比的多种细胞类型,所以设计一种细胞类型分类器很有必要。基于此,提出一种基于特征选择的多核超图神经网络分类方法(HVG-MHGNN)。对单细胞数据进行预处理,选择高度变异基因(HVG);构造多种相似距离进行多核合并;构建超图学习模型;采用多类型scRNA-seq数据集验证该方法。实验结果表明,与主流分类方法scPred、原始超图HGNN和多核HVG-MHGNN对比,HVG-MHGNN在单细胞数据集上准确率及时间效率都有所提升。

采用牛顿插值的多项式因式分解算法的设计与实现

基于Kronecker所提供的一元多项式因式分解的构造算法、一元整系数多项式在整数环上因式分解理论,利用牛顿向前差分插值算法代替拉格朗日插值算法,把有理域上一元高次多项式因式分解化为在整数环上的因式分解,得到了整数环上的一元多项式因式分解的构造性算法,给出了具体实现过程。

结合置乱与扩频的数字水印算法

提出了一种使用置乱技术置乱水印图像,然后将Gold码用于水印结构设计的扩频数字水印算法。通过置乱技术提高了抽取数字水印的视觉效果,并可以在一定程度上弥补数字水印在嵌入、传输和抽取过程中的损耗。利用Gold码具有较多独立码的特性,以多位二进制信息为单位对置乱后的二值图像水印进行扩频调制,然后将调制信号自适应地加入到载体图像离散余弦变换域的低频分量系数中。应用Gold码使得算法可以采用较长的扩频序列,相应提高了鲁棒性。这种结合置乱和扩频的水印算法对于抵抗各种噪声、滤波和压缩等合法攻击以及其他非法攻击都具有很好的鲁棒性。

基于卷积神经网络的臂丛神经超声图像分割方法

近几年卷积神经网络(convolutional neural network,CNN)在图像处理、语音识别、自然语言处理以及信息检索等领域得到广泛应用,颈部臂丛神经超声图像具有较低的信噪比、较低的对比度、模糊的边缘,其分割是一项富有挑战性的工作。文章针对目前臂丛神经超声图像手工标注的训练样本较少的情况,对U-Net模型进行改进,构建了一个适用于臂丛神经分割的卷积神经网络模型QU-Net,并选择BP图像数据库进行训练、测试。实验结果表明,与主流神经卷积网络分割算法SegNet、U-Net相比,QU-Net的图像分割结果具有更高的准确性。

基于改进的CycleGAN模型非配对的图像到图像转换

图像到图像转换是一类视觉和图形问题,目标是通过使用一组配对的图像来学习输入图像和输出图像之间的映射.然而,对于许多任务来说,配对的训练数据难以获得.CycleGAN提出了一种在没有成对示例的情况下学习从源域x到目标域y的图像转换的方法.一般来说,生成式对抗网络(GAN)在训练的过程中,由生成器产生的图片将不再能够欺骗判别器,判别器容易战胜生成器,因此平衡生成器和判别器的训练稳定程度有时比性能指标更重要.为了解决此问题,本文将训练数据的分类标签加入GAN的训练,提出了一种改进的CycleGAN半监督模型,以解决GAN训练不稳定问题.实验结果表明,生成的图像显示更加真实,具有更佳视觉效果.

计算机工科生数据科学思维人才培养模式研究与实践

随着第四次工业革命的到来,各产业设备逐渐走向智能化。计算机类专业人才培养引入数据科学思维至关重要,针对计算机类工科生思考模式由数据到知识,最终用知识解决问题的传统思维。提出以数据科学与大数据技术、人工智能等专业为背景,探索学生从数据直接解决问题的数据科学思维培养模式。拥有数据科学思维三要素能力(理论、实践、精神)是每个学生必备条件。文章研究如何将数据科学思维融入课堂教学中,探索在学习新技术前,以数据为导向,激发学生从数据收集到萃取价值过程中数据科学思维模式。

融合数据扩散算法与深度生成模型的单细胞特征提取研究

深度模型在单细胞转录组测序(single-cell transcriptome sequencing,scRNA-seq)中以单细胞分辨率提取基因的特征表达,但是scRNA-seq采集过程中存在“dropout”(数据缺失)问题,造成基因表达矩阵存在大量技术零值的噪声数据,部分基因间的关联性被噪声掩盖或影响。盲目地挖掘噪声数据往往会对深度学习模型的训练和推理过程产生消极影响,进而导致批次效应、虚假差异基因表达结果和性能下降等问题,掩藏真正的表达关系。针对以上问题,本文提出了一种融合单细胞转录组数据扩散算法的深度生成模型,通过数据扩散算法在相似的细胞之间分享信息,消除细胞计数矩阵中噪声的同时填补“dropout”现象,提高深度模型的聚类精度并有效去除批次效应。