基于Echo框架的网络学习社区的研究与实现

文中的研究目标是设计并实现具有先进的系统结构、强大的交互能力和方便的扩展性的"网络学习社区"。分析了Ajax技术的特点和Echo框架的技术特征,结合"网络学习社区"的客观需求建立系统模型、提出解决方案。使用Mysql、Echo软件包和Tomcat等软件作为支撑,探讨了以Java语言实现"Virtual Campus在线学习社区"的关键技术。

基于贝叶斯框架和回声状态网络的日最大负荷预测研究

为克服神经网络中的伪回归问题,对标准的回声状态网络进行改进,用贝叶斯理论提高网络的泛化能力。在实证算例分析中,采用某地区的实际负荷数据和相关气候数据,对该地区的日最大负荷进行预测,验证所提方法的有效性和适用性。对比试验的预测结果表明,改进的回声状态网络比标准回声状态网络和前馈神经网络预测效果更精确,网络泛化能力更强。

基于概念维度拓展的汉语文本全局语义分析方法

针对数学应用题的机器类人求解,以汉语子句为单位,在子句局部语义标注的基础上,提出基于概念维度拓展的汉语文本全局语义分析方法。首先,以概念维度拓展为基础,总结了汉语子句语义框架标注的统一文法,探讨了语义框架与输入子句的模式匹配方法;再者,提出了子句间的全局语义的分析方法。接着,描述了其在数据元变量语义归纳及计算思维迭代和约束探索模式中的作用。然后,基于全局语义分析方法实现了计算思维引擎的四个核心算法。最后,以数学应用题类人自动求解为示例,详细介绍了概念层次分析、全局计数与累加、集合划分和语义呼应等全局语义分析方法的实现过程和运行机制。用C++语言实现了计算思维引擎和语义工程平台的原型系统,并完成对550多道初等数学应用题的语料标注、数据积累和分析调试,初步验证了这种全局语义分析方法工程上的有效性。

基于STL-ADABOOST-ESN组合模型在全国HIV月发病数预测中的应用

目的根据全国人类免疫缺陷病毒(human immunodeficiency virus,HIV)月发病数的情况,采用基于Loess季节趋势分解方法(seasonal-trend decomposition procedures based on loess,STL)和自适应提升(adaptive boosting,AdaBoost)框架下的回声状态网络(echo state network,ESN),构建HIV月发病数模型,并预测2017年全国HIV月发病数。方法从中国疾病预防控制中心官网收集2013年1月-2016年12月全国HIV月发病数,通过STL将月发病数序列分解为季节和非季节序列,对两部分分别采用简单的季节估计方法和ADABOOST-ESN进行建模,最后将它们的输出值进行加和,得到HIV月发病数的预测值。结果本文以均方根误差(root mean squared error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为模型性能的评价指标,得到STL-ADABOOST-ESN的建模性能RMSE和MAPE分别为164.083和1.842%,预测性能RMSE和MAPE分别为359.404和3.776%,其预测精度高于乘积季节模型(seasonal autoregressive integrated moving average,SARIMA)、ESN、ADABOOST-ESN和STL-ESN等模型。采用本文提出的方法得出2017年1-12月全国HIV发病数预测值为5654~8497人。结论本研究提出的STL-ADABOOST-ESN模型预测准确度较高,预测2017年全国HIV年发病数将达到92040人,相比于2016年增长了4.87%,因此有必要在全国实施更为严格的HIV预防控制工作。