媒体深度融合背景下专业出版社版权编辑能力提升路径探析

在媒体深度融合背景下,专业出版社的版权业务面临重大的变革和挑战,传统媒体与新兴数字媒体的相互渗透和整合不仅改变了出版内容组织及呈现方式,也重塑了版权管理的模式,对版权编辑的能力提升提出了更高要求。文章概述媒体深度融合对专业出版社版权业务的影响,解析该背景下版权编辑的角色和重要性,探讨版权编辑面临的挑战和机遇,从提升技术能力、创新出版内容、增强法律与伦理意识三个方面提出版权编辑能力提升策略,为专业出版社在媒体深度融合背景下的版权业务高质量发展提供理论支撑和实践指导。

“互联网+”时代科技类版权编辑素质提升策略探究

“互联网+”时代的到来,促使信息传播速度与范围得到了极大提升和拓展,给出版行业带来了极大影响,也对编辑素质提出了更高要求。版权编辑作为出版机构中的重要岗位,所负责的工作内容通常有所差异,有些负责挑书,有些负责版权合同策划,有些则直接进行版权交涉等,但总体上可以概括为挑选适合的图书和对外版权沟通两大部分。对科技类版权编辑来说,为提升编辑内容的时效性和准确性,需要在此基础上对新型科技形态、理念、市场需求等保持基本的敏锐度,及时整理和编辑相关信息,无形中提高了素质要求。为了将科技类版权编辑的素质提升到一定高度,有效应对各项新的挑战,文章以“互联网+”为研究背景,从其给出版行业带来的积极影响着手,阐述了促进出版方式升级优化、强化人性化服务等发展优势;紧接着分析了科技类版权编辑目前存在的一些典型问题,发现其在沟通技能、时代认知、发展意识等方面还有所不足;最后提出了通过建立互联网思维、强化基础沟通技能、提升基础科学素养、树立编辑责任意识、培养发展性眼光、持续加强知识学习等策略提升编辑素质,旨在促进“互联网+”时代科技类版权编辑更好地提高自身素质,适应时代发展需求,提升工作效率和质量,推动出版行业发展,进一步完善文化传播体系。

浅谈“互联网+”时代科技类版权编辑素质提升

科技类版权编辑素质提升,是新时期传播渠道时代化转变的具体体现。为此,本文结合相关理论价值,着重从形成前瞻意识、做好时代发展的方向分析等方面,分析"互联网+"时代科技类版权编辑素质提升方法,促进我国文化传播体系的品质提升。

“互联网+”时代科技类版权编辑的职业素养探析

"互联网+"时代,出版业态融入了"信息运营、市场运作"等全新内涵,在新媒体背景下,文章结合图书版权的引进与输出工作,探析科技类图书版权编辑应具备的重要职业素养。

浅析如何做好引进版图书的编辑工作

出版业强强联手和大型出版集团的不断涌现的趋势,使出版资源高度集中在大型出版集团手中,也带来了出版经营的专业化,以及编辑业务的专业化细分。引进版图书是我国出版业的重要组成部分,并且引进的品种数逐年增加。引进版图书的编辑应该具有版权相关知识和经验的编辑,针对引进版权图书所具有的特点进行编辑加工,同时整合引进版权资源,提升出版社的竞争力。

网络时代学术期刊需要什么样的编辑

为了应对网络时代的巨大变化与挑战,学术期刊需要网上交互型编辑、在机式编辑、心态开放型编辑、版权保护型编辑。编辑只有较好地完成了这四种角色转换,才能更好地促进网络时代学术期刊的良性发展。

面向模糊C均值算法的MAME聚类有效性指标

聚类有效性指标可用来评估聚类结果的有效性,并且帮助判别聚类的类别数。现有的面向模糊C均值算法的聚类有效性指标存在对于类内紧致性的刻画不太到位、对于类间分离性的度量刻画不够准确的问题。为此,基于类内紧致性和类间分离性两个角度着手设计,提出了一种新的模糊聚类有效性指标——考虑最大值和均值的指标(maximum-mean,MAME)。首先,考虑了整个数据集的综合特征,计算分别分为K类和1类的情况的比值,提出了一种新的模糊紧致性度量表达式。其次,引入最大聚类中心距离和平均聚类中心距离,提出了一种新的分离性度量方法。最后,从模糊紧致性度量表达式、分离性度量方法出发,提出了MAME指标。面向5个UCI数据集和6个人工数据集,和9个聚类有效性指标(包括CH、DB、NPC、PE、FSI、XBI、NPE、WLI和I指标)一起进行了对比实验,验证了所提指标的准确性、稳定性,说明了MAME指标的鲁棒性较好。

深度残差收缩网络的多特征锅炉炉管声波信号故障识别

为了提高锅炉炉管声波信号故障识别的学习效果和识别精度,采用特征向量并行和拼接两种融合方式构成特征层,以及平均得分和最大值得分两种融合方式构建决策层等不同信息融合机制,提出基于深度残差收缩网络的多特征锅炉炉管声波信号故障识别方法。首先,考虑锅炉炉管上各声波传感器的差异性,分别计算声波信号谱特征一阶和二阶差分构建三通道特征集作为二维网络的输入特征向量;然后,在卷积神经网络和双向长短时记忆网络基础上引入注意力机制构建基线模型,并采用深度残差收缩网络对二维网络的通道权重进行优化分配,提高模型的故障识别精度。大量实验结果表明:采用特征向量并行融合方式构成特征层的信息融合机制是一种更有效的策略;本文模型的识别精度得到较大程度提高,与基线模型相比较,未加权平均召回率提高了4.32%。

融合聚类和小生境搜索的多模态多目标优化算法

针对多模态多目标优化中种群多样性难以维持和所得等价Pareto最优解数量不足问题,提出一种融合聚类和小生境搜索的多模态多目标优化算法(multimodal multi-objective optimization algorithm with clustering and niching searching,CSSMPIO)。首先利用基于聚类的特殊拥挤距离非支配排序方法(clustering-based special crowding distance,CSCD)初始化种群;引入自适应物种形成策略生成稳定的小生境,在不同的小生境子空间并行搜索和保持等价Pareto最优解;采用特殊拥挤距离非支配排序策略实现个体选优、精英学习策略避免过早收敛。通过在14个多模态多目标函数上进行测试,并与7种新提出的多模态多目标优化算法进行对比实验以及Wilcoxon秩和检验发现,CSSMPIO的总体性能优于对比算法。最后将算法用于基于地图的测试问题,进一步证明了算法的有效性。

优化分类的弱目标孪生网络跟踪研究

针对传统孪生网络算法对模糊、低分辨率等弱目标跟踪效果不佳的问题,提出了优化分类预测的孪生网络算法。首先通过引入可变形卷积模块,提高骨干网络特征提取能力,其次在分类分支中引入位置信息,提升算法对于目标的识别能力,最后使用轻量级的卷积神经网络进行分类预测和边界预测任务,在规避多尺度测试的同时,进一步利用了图像的语义信息,使跟踪结果具有较高的可信度。在OTB2015、VOT2018公共数据集上进行的大量实验表明,本文算法综合表现优于主流同类算法,对模糊、形变、快速运动等多种复杂场景具有较好的适应性。

数据流形边界及其分布条件的增量式降维算法

为了解决增量流形学习中的噪声干扰,以及对不同分布状态下的新数据进行流形降维问题,本文提出一种数据流形边界及其分布条件的增量式降维算法(incremental dimensionality reduction algorithm based on data manifold boundaries and distribution state,IDR-DMBDS)。该算法首先分析噪声概率分布同时对数据降噪,确定降噪数据的流形形态为主流形,并在主流形上表征出噪声的分布形式,以此获得近似的原数据流形边界,然后基于流形边界判别新数据的分布状态,最后将分布于原流形形态之上以及之外的新数据分别映射至低维空间。实验表明,该算法能够有效实现基于流形的增量式高维含噪数据的低维特征挖掘。

基于点集匹配的缺陷样本图像生成方法

针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题,使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换,使用单张样本进行扩充得到不同特征的缺陷图像,解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证,该方法生成的图像具有更好的视觉效果,并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中,达到扩充样本提高训练效果的目的。

基于强化学习的水下高速航行体纵向运动控制研究

水下高速航行体由于空泡特性导致其数学模型存在强非线性和强不确定性,经典控制方法如线性二次型调节控制(linear quadratic regulator, LQR)、切换控制等很难实现有效控制。针对水下高速航行体模型难以准确解耦或线性化处理;经典控制方法难以充分考虑水下环境复杂多变性以及在应对扰动时控制器可能会出现过饱和现象的问题,采用智能控制中的强化学习算法,使用在不基于准确模型的条件下与环境不断探索与交互得到控制策略的策略,完成了深度确定性策略梯度(deep deterministic policy gradient,DDPG)智能体控制器的设计。实验结果证明,设计的控制器能够保证水下高速航行体纵向运动的稳定控制,在执行器不超过饱和范围内能够应对扰动并完成下潜控制任务,具有较强的鲁棒性和更好的适应性。

基于空时对抗变分自编码器的人群异常行为检测

基于视频的人群异常行为检测对提前发现安全风险、预防群体安全事故发生具有重要价值。针对人群异常行为事件的稀少性导致的无法直接充分学习异常样本的表示、异常事件检测精度低的问题,在变分自编码器基础上,提出一种基于预测的空时对抗变分自编码器(spatial-temporal adversarial variational autoencoder,STAVAE)视频异常检测模型,通过引入长短期记忆网络(long short-term memory,LSTM)和对抗网络模块,对正常样本视频序列的时间维度与空间维度进行联合特征表示与重构,减少了正常样本重建过程中的特征损失进而扩大了异常样本的预测损失,避免了对异常样本的依赖,实现了基于模型重构误差的人群逃散异常行为检测。在公开数据集UMN及采集视频数据集上进行对比实验,证明ST-AVAE模型在基于监控视频的人群异常逃散行为检测中均具有最优的检测精度和召回率,对抗网络模块显著提升了异常检测的性能。

知识推理框架下的改进自组织映射方法设计

随着互联网技术的快速发展,在智能制造过程中会伴随着出现海量的工艺知识数据,为了提升对工艺数据的充分利用和掌握,提出一种知识推理框架下的改进自组织映射算法。在协同训练的思想下,对于知识库当中的工艺知识数据进行自组织映射网络下的筛选优胜,提高优胜单元的抗局部最优能力;利用改进自组织映射算法对特征优胜单元进行知识推理准则判断,在向量空间的映射下,通过双曲空间距离公式优选出置信度高的样本数据进行更新子代样本集;为了进一步提升特征信息的利用率,在知识推理框架下多次循环筛选提高工艺知识数据的有效预测。通过对铣削过程中真实数据进行建模仿真,验证了所提方法在面对多样本数据情况下的良好预测优化的性能。

面向阿尔茨海默症辅助诊断的多尺度域适应网络

针对传统有监督学习忽略了磁共振影像数据(magnetic resonance imaging, MRI)由于个体差异和不同站点等原因导致的特征分布不一致这一域偏移问题,本文提出了一种多尺度域适应网络模型应用于阿尔茨海默症(Alzheimer disease,AD)的辅助诊断。首先在三维卷积神经网络中设计空洞空间金字塔模块进行特征的多尺度信息提取融合,并加入注意力一致性损失来保留域间转移的语义信息;然后协同训练两个域判别器和特征提取器进行对抗学习实现源域和目标域的特征对齐,并加入权重差异损失防止域判别器过拟合;最后,在对抗训练中引入基于最大密度差异的距离度量方法,增强两个域数据的特征对齐。实验结果表明,本文方法在面临域偏移的MRI数据上具有更好的识别精度和鲁棒性。

多尺度特征融合的双判别器残差生成对抗网络

生成对抗网络(generative adversarial networks, GANs)作为一类基于深度学习的无监督生成模型,无需对数据分布进行建模便可以生成真实且质量较高的图像。标准的GANs往往训练困难,常出现梯度消失、梯度爆炸或者模式崩溃等问题,限制模型的性能。为解决模式崩溃问题,本文提出一种双判别器结构来提高模型生成图像的多样性。另外,本文改进了生成器模型和判别器模型,提出一种基于残差网络和多尺度特征融合的生成器和基于多尺度特征融合的判别器,在提高生成图像质量的前提下解决深层网络出现的梯度消失、梯度爆炸的问题。将其应用于MNIST、LSUN、CelebA数据集上,训练结果稳定且生成图像质量较高,取得了令人满意的FID和IS值。

面向异构分布式机器学习的动态自适应并行加速方法

分布式机器学习因其优越的并行能力成为人工智能领域复杂模型训练的常用技术。然而,GPU升级换代非常快,异构集群环境下的分布式机器学习成为数据中心、研究机构面临的新常态。异构节点之间训练速度的差异使得现有并行方法难以平衡同步等待和陈旧梯度的影响,从而显著降低模型整体训练效率。针对该问题,提出了一种基于节点状态的动态自适应并行方法(dynamic adaptive synchronous parallel,DASP),利用参数服务器动态管理节点训练时的状态信息并对节点的并行状态进行划分,通过节点状态信息自适应调整每个节点的并行状态,以减少快速节点对全局模型参数的同步等待时间与陈旧梯度的产生,从而加快收敛效率。在公开数据集上的实验结果表明,DASP比主流方法收敛时间减少了16.9%~82.1%,并且训练过程更加稳定。

基于自注意力机制与卷积ONLSTM网络的软测量算法

针对实际工业过程的非线性和动态性特点,并考虑过程变量中存在的冗余信息,提出一种带自注意力机制的卷积有序神经元长短时记忆网络(ordered neurons long short-term memory,ONLSTM)多层时序预测模型。首先利用卷积神经网络降低局部特征维度,对输入变量进行局部特征提取,并通过构建层级重要性指标对长短时记忆网络(long short-term memory,LSTM)隐藏层神经元进行特定排序,以辨识层级结构信息,提高网络模型的重要信息判断能力;其次将自注意力机制引入ONLSTM网络,根据各输入变量之间内部相关性,自适应地为其分配不同的注意力权重,以提高模型预测性能;最后将模型应用于青霉素发酵过程的产物浓度预测,并与其他先进网络模型进行对比,验证了模型的有效性。

采用轻量级姿态估计网络的脊柱侧弯筛查方法

脊柱侧弯是一种复杂的脊柱三维畸形,如不及时矫正将对身体健康产生严重影响。通过拍摄X光片或测量人体表面形貌的方法可以对脊柱侧弯进行筛查,但现有方法存在成本高、效率低且不适用于所有人群等缺点。本文提出了一种采用轻量级姿态估计网络的脊柱侧弯筛查方法,首先,将MobileNetV3的前13层作为轻量级人体姿态估计网络的编码器,经过坐标解码得到关键点的二维坐标。其次,利用各关节点的坐标计算人体姿态的空间特征;最后,用3个SVM(support vector machine)二分类器对脊柱侧弯进行详细分级,并将训练好的姿态估计和脊柱侧弯筛查模型移植到嵌入式平台。实验结果显示,该系统可以对4种不同程度的侧弯进行筛查,准确率分别为93.0%、81.7%、81.3%、86.6%。该方法的提出为脊柱侧弯筛查工作提供了一种便捷解决方案,易于在全民健康普测工作中进行推广。