健康服务转型中图书馆联盟的作用——以NNLM实践为基础的研究

图书馆服务向健康服务拓展是未来图书馆的发展趋势,整体上看,目前我国图书馆开展此项服务的能力明显不足,需要有系统的能力提升计划才能顺应时代给图书馆提供的机会和满足社会的需求。本文通过对美国医学图书馆联盟(NNLM)支持图书馆健康服务转型实践的分析与研究,探究图书馆联盟在图书馆健康服务转型过程中为能力建设赋能的经验,提出对我国建立医学图书馆联盟以促进图书馆服务向公众健康服务拓展的思考和建议。研究显示,NNLM在提供公众健康信息资源和技术支持、健康延伸活动项目的资金支持、推行健康主题的国家级倡议、提供公众健康信息服务职业能力的培育、促进多方协同合作以及构建评价体系等方面为成员提供了服务和支持;在健康服务转型中,图书馆应建立综合性图书馆联盟的开放性和包容性思维,图书馆联盟要参与国家健康倡议和健康行动的推进,为图书馆健康服务转型中的能力建设提供支持,并且促进多方协同合作以构建良好的健康服务生态。结合我国“健康中国2030”国家战略的要求,本研究认为,建立我国国家范围的医学图书馆联盟,需要做好图书馆联盟建设的计划和规划,通过图书馆联盟促进图书馆和相关社会力量形成合力,通过联盟服务提升图书馆整体服务能力,建立以图书馆为核心的健康服务良好生态。

基于Sigmoid框架的非负最小均方算法

脉冲噪声会导致非负算法在迭代过程中存在过大的误差值,进而破坏算法的稳定性使其性能严重下降,对此该文提出一种基于Sigmoid框架的非负最小均方算法(SNNLMS)。该算法将传统的非负代价函数嵌入Sigmoid框架中得到新的代价函数,新的代价函数具有抑制脉冲噪声影响的特性。此外,为了增强SNNLMS算法在稀疏系统识别问题上的鲁棒性,该文还提出基于反比例函数的反比例Sigmoid非负最小均方算法(IP-SNNLMS)。仿真结果表明SNNLMS算法有效地解决了脉冲噪声造成的失调问题;IP-SNNLMS增强了算法鲁棒性,改进了算法在稀疏系统识别问题中收敛速率上的缺陷。

基于神经网络语言模型的时间序列趋势预测方法

对于时序数据的预测,传统方法多数通过分析历史数据预测出后面的一个或者多个具体值,但预测的具体数值准确率较低。为此,提出一种新的时间序列短期趋势预测方法。通过对时序数据进行离散化,用字符表示各个时间段数据的范围,并利用神经网络语言模型预测得到下一个字符,即下一段数据的范围。实验结果表明,与支持向量机、循环神经网络、随机森林等算法相比,在预测结果分为5个区间的情况下,该算法平均预测准确率为 56.7 %,具有较高的可行性,且由于字符表示带有语义信息,所得预测结果可以反映数据趋势以及趋势变化程度。