1例扩张型心肌病病人长程依赖泵入药物的护理

扩张型心肌病(DCM)是以心室腔扩大、心肌收缩功能下降而左心室壁厚度正常为主要特征的心肌病[1]。晚期DCM的患病率为36.5/10万,是心力衰竭的第三大病因,5年病死率15%~50%[2]。临床上常使用微量注射泵予强心、利尿、扩血管等治疗,药物依赖性是指药物与机体相互作用所造成的一种精神状态,有时也包括身体状态,它表现出一种强迫要连续定期使用该药的行为和其他的反应,可以发生或不发生耐受性.

非参数回归模型下长程依赖线性过程

考虑数据相互依赖时的非参数回归模型,在作出一定假设的条件下,给出超级光滑情形时长程依赖线性过程中的重要结论,并给予相应的证明.

结合多尺度注意力机制和双向门控循环网络的视频摘要模型

任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来获取局部和全局视频序列关键特征,降低注意力值的方差。同时通过并行地引入双向门控循环网络(bidirectional recurrent neural network,BiGRU),二者的输出分别输入到改进的分类回归模块后再将结果进行加性融合,最后利用非极大值抑制(non-maximum suppression,NMS)和核时序分割方法(kernel temporal segmentation,KTS)筛选片段并分割为高质量代表性镜头,通过背包组合优化算法生成最终摘要,从而提出一种结合多尺度注意力机制和双向门控循环网络的视频摘要模型(local and global attentions combine with the BiGRU,LG-RU)。该模型在TvSum和SumMe的标准和增强数据集上进行了对比试验,结果表明该模型取得了更高的F-score,证实了该视频摘要模型保持高准确率的同时可鲁棒地对视频完成摘要。

基于离散小波变换的网络流量多重分形模型

网络流量过程中所蕴含的分形尺度特性对网络性能有显著的影响。因此研究能全面准确地刻画网络流量过程在小时间/空间尺度上的复杂奇异性特征和大时间/空间尺度上的长程依赖性特征的流量模型对Internet网络工程有重要的意义。本文对实测的流量数据(从著名的校园网和国内著名的ISP)进行了分析,利用小波技术构建了一个新的网络流量的多重分形模型,通过模拟验证,发现该新模型能以较简洁的形式捕捉实际网络流量特性,并具有刻画真实流量数据中的多重分形特征的能力。

Hurst指数估计中存在的若干问题——以在气候变化研究中的应用为例

用7种方法估计中国近百年月平均温度距平序列的Hurst指数,并用随机重排法与高斯随机数做均值对比。结果表明:R/S分析法、小波分析法和Whittle法优于残差方差法、绝对值法、聚合方差法和周期图法;中国近百年月平均温度距平序列的Hurst指数的估计值约为0.76±0.003,表现出较强的持续性。未来中国月平均温度变化将与自20世纪80年代增温的趋势一致,将来整体趋势还是增温。

一种具有自相似性的分组业务流模型

以两种状态 Markov链调制的 Poisson过程 (MMPP(2 ) )为原型 ,建立了一种具有自相似性的分组业务流模型 ,并从模型中引出时间尺度的概念。当调节模型参数时 ,该模型既表现长程依赖性 L RD(L ong- Range Dependence) ,又表现出短程依赖性 SRD(Short- Range Dependence)。仿真结果表明 ,这种参数可调模型能更好符合通信网业务的实际情况。

融合交叉注意力机制的图像任意风格迁移

图像风格迁移指将一张普通照片转化为一张具有其他艺术风格效果的图像,随着深度学习的发展,出现了一些图像任意风格迁移算法,给定任意风格便能生成具有该风格的风格化图像。针对任意风格迁移算法中存在如何同时适应全局和局部风格,保持空间一致性问题,提出了一个融合交叉注意力的任意风格迁移算法网络,通过捕捉长程依赖,高效生成全局与局部风格协调的风格化图像;针对风格化图像的内容结构扭曲问题,在进行风格迁移之前,加入一组并行的通道空间注意力网络,该注意力网络能进一步细化关键特征,保留关键信息;除此之外,提出了一个新的损失函数,在消除伪影的同时能更好地保留内容结构信息。该算法能根据内容图像的语义空间分布,匹配语义上最接近的风格特征,高效灵活地调整局部风格,且能保留更多内容结构的原始信息。实验结果表明,所提算法能够生成任意风格且视觉效果更佳的高质量风格化图像。

基于选举模型理论研究股市特性

基于交互粒子系统之一的选举模型理论,构造了一个股票价格方程(模型)来实现股市价格和收益的模拟.文中讨论了选举模型理论中3个重要参数,强度、初始密度和网格维数,对股票收益统计特性及幂律分布的影响.为验证价格模型的有效性,对比上证综指、香港恒生指数及模拟收益,通过自相关系数分析、经典R/S分析法和修正R/S分析法来研究以上3个时间序列的长期依赖性.同时计算并检验了著名的Hurst指数,求取了以上3个金融序列的记忆周期.

城域网骨干网络业务流量的性能分析

近期研究分析表明很多信息源会产生在多时间尺度下具有自相似特性的信息流,本文分析了西安宽带多媒体城域网骨干网的数据流量分布特性,以及自相似特性,实验表明真实骨干网的流量分布接近正态分布,并且具有共同特性,即左尾比正态分布短,右尾比正态分布长,即正态右偏性。

基于自注意力模型的企业关系抽取

卷积神经网络和长短时记忆网络是当前自然语言处理主要采用的特征抽取方法,但是两者在抽取长程依赖特征时有各自的局限性,因此提出了基于自注意力机制的企业关系抽取模型。通过自注意力模型进一步计算每个词的长程依赖特征,有效捕获了句子内部结构。同时使用词汇层和句子层注意力机制从不同层次抽取与关系分类更相关的特征,相对于其他模型,网络结构更加简单。在公开的公司关系数据中,准确率和召回率明显提升,多头自注意力的特征抽取能力较Bi-GRU强,其F值有2%的提升。通过实验可知,该模型在企业关系抽取中优于其他经典网络。

基于深度学习的生成式文本摘要技术综述

在互联网数据急剧扩张和深度学习技术高速发展的背景下,自动文本摘要任务作为自然语言处理领域的主要研究方向之一,其相关技术及应用被广泛研究。基于摘要任务深化研究需求,以研究过程中存在的关键问题为导向,介绍现有基于深度学习的生成式文本摘要模型,简述定义及来源、数据预处理及基本框架、常用数据集及评价标准等,指出发展优势和关键问题,并针对关键问题阐述对应的可行性解决方案。对比常用的深度预训练模型和创新方法融合模型,分析各模型的创新性和局限性,提出对部分局限性问题的解决思路。进一步地,对该技术领域的未来发展方向进行展望总结。

基于大数据的数据清洗研究

大数据具有体量大、来源和格式多样、增长速度快、价值密度低和处理难度大的特点,即使通过合理设计参数对某段数据进行点估计的结果可能相当令人满意,但通过应用标准统计程序对整个数据体进行精度估计得到的结果,却是差强人意,从而误导人们。目的旨在分析影响大数据清洗的主要因素有哪些,首先回顾了数据获取对时间序列的依赖性并构造了一个大数据模型,然后在列出数据估计时所用的一些属性后,给出了数据清洗时的回归分析,同时探讨回归系数估计的可能影响。最后给出了大数据处理中误差累积的通用表示方法,提出了与时间序列理论中短程和长程依赖之间的区别大致相同的问题。

基于Bi-GRU和Self-Attention模型的企业关系抽取

从大量非结构化的企业文本中抽取出结构化的企业关系,是建立企业知识图谱的基础工作。循环神经网络(RNN)和卷积神经网络(CNN)是当前关系抽取的主要方法。但是由于企业文本语法特征复杂,长程依赖明显,所以采用RNN的变形网络Bi-GRU来进行初步提取。Bi-GRU虽然考虑了长距离词的相关性,但提取特征不够充分。所以在已有基础上引入Self-Attention,使模型能进一步计算每个词的长程依赖特征,提高模型的特征表达能力。最后通过各种模型的实验比较,该方法相较只含Bi-GRU或其他经典模型,在企业文本的关系抽取性能有进一步提高。

排队系统中一种具有自相似性的增量模型

以一个具有自相似通信量的模型作为输入,分析了有限长排队系统队长特性,提出了一个增量自相似模型,并求出了该模型的H参数以及一阶、二阶统计量,从而为计算输入模型中的H参数和设计缓存大小提供了一种新的方法。