数字经济赋能中国式现代化:逻辑机理、现实梗阻与创新路径

合理发挥数字经济优势是全面推进与拓展中国式现代化的必由之路。数字经济可为中国式现代化提供市场体系、基础设施、技术网络、经济支柱支持。研究发现:数据要素融入、数字基建布设、数字技术下沉及数字业态创新为中国式现代化注入动能。尚需注意,数字治理局限性、城乡发展脱轨化、技术应用片面化、数字文化偏向性等诸多梗阻并存,限制数字经济对中国式现代化的赋能作用发挥。为此,应寻求数字组织再嵌入社会基层治理、重塑数字基建组织性网络动态结构、探索数字技术全流程生态治理应用、构建文化产业数字化新型发展业态,以扎实推进中国式现代化。

基于多模态数据的在线学习认知风格智能识别

在人工智能技术迅速发展的背景下,多模态数据分析在教育领域的重要性日益凸显。本研究通过提取学习者在线学习中产生的脑电数据、表情数据和眼动数据等,构建了基于多模态数据的认知风格智能识别框架,并运用六种机器学习模型验证其有效性。研究结果显示,四种机器学习模型的识别准确率超过80%,且最佳模型的准确率达89.17%,F1分数达0.9241。此外,与基于单模态数据的模型相比,基于多模态数据的认知风格模型识别表现更佳。这表明,多模态数据融合策略具有优越性,有助于加强在线学习平台的适应性和个性化。

基于DDL的“微讲座”词汇学习模式态度感知和学习风格关系研究

以同义词辨析为学习目标,采用引导型归纳教学方法设计以学习者为中心、基于DDL的“微讲座”学习模式,该学习模式持续18周,包含任务前引导、任务中展示和任务后练习及反馈三个阶段。为了考察在这一数据驱动探索过程中,学习者对“微讲座”、语料库使用的态度感知以及学习风格和学习者态度感知的相关性,通过问卷调查及访谈结果发现,学习者对“微讲座”和语料库辅助词汇学习总体持积极态度,学习者的困难感知源于网站本身的稳定性、时间消耗和检索结果的分析等方面。学习风格与态度感知并不显著相关;反思型、感知型、言语型和序列型的学习者数据驱动学习更加敏感,序列型学习者明显感知语料库辅助词汇学习的困难,但仍然对DDL保持开放态度。研究结果表明,引导型数据驱动词汇学习模式作为外语课堂教学的有力补充,有助于提升学习者的学习自主能力。

数据驱动的电气工程因材施教育人模式研究

大数据正在成为推动教学创新的关键力量,提出数据驱动的电气工程因材施教育人模式。首先以终为始制定新工科下创新型电气工程师的培养目标;课前采用Kolb学习风格量表建立学生的学习风格模型,开展五阶段混合式教学和分组分层教学,促进学生全员进步;采用基于关系的迁移学习智能算法,将大数据挖掘的优势领域中的逻辑知识和能力关系迁移到薄弱领域,教师给予个性化指导,最终实现以数据驱动的大规模因材施教。

发展新质生产力的信息资源管理学科回应与思考

作为高级化的生产力,新质生产力(New Quality Productive Forces)以科技创新为引领、战略性新兴产业和未来产业为主要载体,依靠创新驱动实现了符合高质量发展要求的生产力的跃升,也是数字时代更具融合性、更体现新内涵的生产力。作为新时代经济发展的重要引擎,其内涵特征、发展路径、机遇与挑战等问题值得进一步探讨。为此本刊邀请了7位专家组织了本次笔谈。1)新质生产力与高质量数据资源建设的逻辑与路径:深入探讨了高质量数据资源建设的时代背景与内涵特征,分析了高质量数据资源与新质生产力发展之间的相互促进的内在逻辑。提出高质量数据资源建设需践行创新、协同、开放、可信和可持续的建设理念,遵循观念创新、模式创新、结构创新和技术创新的建设策略,从而全面提升数据资源管理和利用效率并推动新质生产力发展。2)数据要素赋能新质生产力的发展:数据要素与新质生产力之间呈现出深刻的辩证关系,在相辅相成的螺旋式上升中加速开拓经济社会发展新局面。揭示了数据要素赋能新型优质生产能力及其要素发展的主要路径与关键保障,指出应以人机协同、普惠共享、绿色智能为目标拓展新质生产能力与生产要素,推动经济社会可持续发展。3)推进新质生产力视域下的数据确权:数据从技术、要素与产业维度都能作用于新质生产力,加快推进新质生产力的形成。提出发挥数据要素对新质生产力乘数效应会涉及众多维度、层面及阶段,其中极为重要且基础的则是如何对数据进行确权。总结出构建契合数据特征及新质生产力发展规律的财产权理论、加快厘清数据确权的类型及范围、完善数据确权配套制度等加快推进新质生产力的举措。4)以中国式数字化助力中国式现代化行稳致远:加快推动中国式数字化,既是实现中国式现代化的必由之路,又是新形势下充分释放新质生产力、筑牢我国非对称竞争优势的核心抓手。提出了在我国数字化、信息化进程中,信息资源管理行业发挥着至关重要的作用,承担着数字化转型的重要责任。5)新质生产力视域下公共图书馆的价值与使命:面对社会深刻的数智化转型,公共图书馆需要进一步发挥在数字经济领域赋能于民众的潜能,使其在新质生产力发展中发挥积极作用。提出公共图书馆应积极主动地成为数据市场化的积极参与者,促进数据要素的有效利用和资源配置的高效性,并通过开放获取和数字化服务使其更为开放。6)新质生产力视域下大学图书馆的智慧化变革:作为推动科教兴国的重要力量,大学图书馆更应着力于如何有效支持科技创新和人才培养以推动新质生产力发展。阐述了大学图书馆对于新质生产力的3个关键词的理解,分析了大学图书馆发展新质生产力的关键“新”技术环境及其适用性分析,并提出重新认识和实现图书馆智慧化是发展新质生产力的重要抓手。7)为加快发展新质生产力提供信息资源管理学科支撑:从信息资源管理学科视角分析了新质生产力理念兴起下学科“有所为”的诸多方面,包括理论体系、信息资源保障、信息分析与咨询、场景打造、知识科普与公民素养培育等。与新质生产力相关的学术评价、信息政策、知识产权、数字消费行为等方向的内容也是学科需要关注的重要方向。

属性Logistic混沌映射下的物联网隐私数据安全共享

为加强物联网隐私数据保护,提高用户信任度与满意度,提出属性Logistic混沌映射下的物联网隐私数据安全共享。构建基于主从式结构的三层物联网隐私数据安全共享模型并设计数据访问机制,在此基础上,基于量子细胞神经网络和Logistic映射得到矩阵A,对其分解后,得到矩阵B和序列C,由B矩阵构造混沌序列池,对C序列元素作映射处理,生成索引序列,并确定Logistic映射初始值,再对索引作Logistic映射后,从混沌序列池检索出CP-ABE加密算法的公钥、主密钥后,利用其与用户属性集合生成用户私钥,基于数据访问结构实现物联网隐私数据的加密。实验结果表明,该方法生成的密钥能够通过随机性验证,实现物联网隐私数据加密,且操作数量少,加密强度高。

基于深度风格迁移合成数据的扣件异常状态检测

扣件系统是轨道结构中的关键基础部件,其服役状态直接影响铁路列车的正常运行。现有基于机器视觉检测方案受样本不均的影响易漏检或错检。提出一种基于图像风格迁移学习的板式无砟轨道扣件系统异常状态检测算法。该算法基于实际场景进行铁路轨道结构的正向建模,按照设计阶段的约束关系参数化生成几何构造完全相同的BIM模型,通过轻量化物理引擎渲染场景细节,并随机部署不同类型状态的扣件系统,输出虚拟巡检图像。在此基础上,利用循环对抗生成网络将虚拟巡检图像进行真实化的风格迁移,得到高仿真且正负样本均衡的合成数据集。最后利用该数据集对典型的深度目标检测网络进行充分训练,实现对板式无砟轨道结构扣件异常状态的精确化检测。实验结果表明:经过风格迁移得到的合成数据集充分训练的Faster R-CNN网络具有最佳的板式无砟轨道结构扣件异常状态检测精度,对正常、断裂、缺失和位移4种类型状态的扣件检测MAP值为94.91%,相比真实数据集高出5.39%,比虚拟BIM数据集高出2.37%。其中缺失状态扣件检测精度提升最大,比真实数据集提高10.13%,实现了扣件状态识别精度的有效提升。

基于大卷积核任意风格迁移算法的水表数据增强研究

针对现有的风格迁移方法在对水表进行数据增强后导致颜色失真,内容保留不完整等问题,提出了一种基于大卷积核的任意风格迁移算法(arbitrary style transfer algorithm of large convolutional kernel,LKAST)。首先,针对风格图像使用大卷积核提取风格特征,保留风格特征的高层特征;此外,通过引入新的损失函数,更好的保留迁移结果对内容的保留;最后,通过两组对照实验验证方法的有效性。实验结果表明,该方法能够在模拟水表现场环境的同时保留足够的内容信息,在仅改变数据增强算法的前提下,单次多框目标检测(SSD)算法准确率提升6.84%,YOLOv5准确率提升6.56%。

基于图像风格对抗和二重类别优化的夜间图像语义分割

为解决目前夜间图像语义分割中存在的语义信息传递丢失和不重视小频率类别问题,提出了基于图像风格对抗和二重类别优化网络架构(image style confrontation and two-category optimization network architecture,ITA)模型。首先,采用了对抗学习的架构令图像共享信息得到高效利用,使得语义信息的传输更加完整。然后,采用了二重类别指导策略(two-way category guidance,TCG)重新分配类别权重,引导模型更加关注小频率类别。最后,在黑暗苏黎世数据集上进行实验,平均交并比(mean intersection over union,MIoU)提高到了60.1%。另外,通过消融实验证明了每个模块的有效性。ITA模型能够较为准确地分割夜间道路图像,可供夜间自动驾驶任务借鉴。

利用定制列扩展Windows窗体DataGrid控件的数据风格

本文首先论述了Windows窗体DataGricl控件的工作原理，针对其默认的数据风格有限的问题，提出了采用定制列的方式扩展数据风格，并讨论了定制列的实现以及如何在DataGrid控件中使用定制列的方法。

汽车尺寸同步工程的方法研究

鉴于同步工程面临的“设计问题检出率不足导致设变成本高”,“工艺难以达成造型和感知质量的更高要求”问题与挑战,本文进行了尺寸同步工程的研究,形成对造型、断面、产品及工艺四个方面设计方案和数据的检查流程,采用思维导图和表格创建了完善的点检要素,让同步工程中识别“感知质量、可制造性、可维修性”类别问题时更具有操作性,提高问题检出率,从而为车身精度和DTS的达成提供坚实支撑。

智能制造理念在客车造型设计中的应用研究

在经济全球化的趋势下,智能制造引起了学术界和工业界的广泛关注。作为智能制造中的关键技术之一,大数据分析通过挖掘各类大数据中的知识价值和潜在能力,可以明显提高制造业的市场竞争力,同时也可以帮助设计师们在各种复杂的受众群体背景下做出明智的设计方案。文章为大数据分析技术在客车造型设计中指导设计方案提供了理论分析依据,充分论证了智能制造理念在产品设计中的实用性。提出了基于大数据分析技术的客车造型设计分析概念框架,为该领域面临的严峻挑战和未来研究方向提供了有价值的见解和思考。

矿区建筑数控空间形态改造设计策略研究

数控建筑空间形态研究是以更多可能性和创造性的建筑空间实践设计研究为基础,在现代数字技术条件下进行的研究。以数字建造为研究方法,利用现代设计软件模拟实际建造过程中的编程数据,将参数化设计应用于建筑空间建造中,利用现代仿生形态的设计理念,以参数化平台为基础,让数控空间形态的应用从基本型数据开始,再进行现代先进的数字化切割、数控机床设备的实际施工,提升设计师对空间的使用感受,激发设计师更多的空间创造能力,创造出更多样可能的数控空间形态。最终结合高顶山矿区景观建筑改造的实际案例,完成这一实际研究内容,为现代空间设计做出更多尝试与探索。

基于生成对抗网络的车牌图像篡改检测数据增广

现有的篡改检测方法,主要使用基于数据驱动的深度学习模型,检测效果与训练数据的质量和数量成正比,且人工制作高质量的篡改图片费时费力。针对高质量车牌篡改图片数据量少的情况,提出一种针对车牌场景的篡改图片数据增广方法。结合车牌定位模块、车牌矫正模块、基于生成对抗网络(GAN)的图像擦除模块和文字风格迁移模块,构建一个车牌字符篡改系统,以模拟真实场景的车牌篡改流程。相较于传统篡改方法,借助GAN生成的篡改字符种类更多元化、更具备多样性。实验结果表明,使用所提系统生成的车牌篡改图片可以达到篡改区域语义高度合理,且肉眼不可分辨的视觉效果;将它作为扩充数据训练篡改检测模型,曲线下面积(AUC)提升了42.9%,F1值提升了33.0%,漏检率下降了16.6%。同时,使用所提系统生成的车牌篡改图片搭配多种数据处理方法在不同篡改检测网络上均能有效提升检测性能;使用扩充数据训练后,篡改检测网络不仅可以成功检测传统篡改方法的篡改痕迹,针对现阶段流行的生成式篡改,检测效果也明显提升。

基于主客观融合的驾驶风格辨识方法研究

针对驾驶风格辨识问题,提出了一种基于主客观融合的分类辨识方法。首先,构建驾驶风格主观量表,并映射形成主观风格因子;其次,构建数据采集系统获取自然驾驶数据,并对跟驰及换道行为场景进行挖掘;然后,提取行为关键特征与主观风格因子共同构成驾驶风格主客观融合辨识体系,基于主成分分析(PCA)及K均值方法对样本集进行降维及无监督聚类,并对聚类结果进行验证;最后,引入带有物理意义的具体特征参数的分布情况对激进型、中庸型及保守型驾驶风格进行辨识。结果表明,主观风格因子与客观行为特征参数的分布一致性较好,该融合方法可对驾驶风格进行有效辨识。

“审计式”安全检查体系在化工园区的应用

为解决企业安全风险重复检查的问题,通过重新梳理法律法规和安全检查体系,借鉴审计形式从安全资料、安全思想、评价结果三要素进行探索,形成“审计式”安全检查体系。将“审计式”安全检查体系在化工园区进行实践,对化工园区不同类型企业按照新体系进行安全资料审计和安全思想审计,通过审计结果计算安全指数以对化工园区的安全水平进行评价。结果表明,该体系具有实用和推广作用,可以提升企业本质安全,解决目前安全检查中的短板,实现安全隐患动态可控、企业安全稳定运转。

近红外和电子鼻数据融合识别不同香型风格

分别基于近红外和电子鼻融合数据、近红外数据以及电子鼻数据建立判别烟叶清香型、中间香型和浓香型三种香型风格的定性判别模型,结果表明虽然三种模型的建模准确率差异不大,都超过了89.00%,但基于融合数据建立的模型对中间香型和浓香型的预报准确率分别为82.67%和80.00%,比仅仅利用近红外数据建立模型的72.41%和73.33,也比仅仅基于电子鼻数据建立模型的68.97%和53.33%都有明显的提高。融合后预报准确率提高的可能原因是:电子鼻风味分析仪对于影响中间香型和浓香型的烟叶致香成分感应更加灵敏,捕获的信息也更多,这些新的信息可以作为NIR数据信息的有利补充,可用于建立烟叶香型分类判别准确率更高的模型。同时本研究还基于相同的融合数据,对比不同数据挖掘算法建模和预报结果差异性。实验结果表明:人工神经网络的建模结果高于支持向量机建模,人工神经网络模型的预报结果准确率只有65.00%,远低于支持向量机模型的预报结果的83.75%。这也验证了支持向量机算法可以在建模过程中减少过拟合。该研究可以为快速鉴别烟叶香型风格提供支撑,而且随着研究的深入可以争取为烟草系统的专业评吸人员提供辅助的鉴别方法。

创新社区用户集体性语言风格、参与程度和领先性研究

基于细分的用户集体性语言风格和以行为频次衡量的表现用户在社区中的参与程度,建立综合模型,证实了用户集体性语言风格、参与程度与用户领先性的正向关系。现有文献在以用户内容信息表现集体性语言风格上,宽泛使用集体性概念,导致集体性语言风格与用户领先性的正向关系不显著。因此,将领先用户的集体性语言风格细分为高认同度、分享精神和帮助,同时加入行为频次表现用户在社区中的参与程度,建立模型,并通过数据挖掘获得在线社区中365名用户的数据。结果表明,内容信息中分享语言风格与用户领先性正相关,帮助语言风格与用户领先性的关系不显著,高认同度语言风格与用户领先性负相关;参与程度指标中主题帖数和勋章数与用户领先性正相关,为领先用户智能识别提供了实证支持。

混合教学模式下基于教学班学习数据的学习风格挖掘

为了提升混合式学习的教学效果,本研究开展了线上线下混合教学模式下学生学习数据的挖掘,采用K―means聚类算法,对学生的学习风格进行分类。研究表明,对于同一班级,教师可以利用先导课程的数据分析了解相应班级的学习风格,并采取有针对性的教学策略;对于同一门课程,不同的教学班级,教师也应根据不同的学习风格采取不同的教学策略;此外,学习行为数据在每门课程中不完全相同,建议教师从学习投入和学习能力两个维度设计线上学习活动,识别出学生的学习风格,并以此开展教学设计。本研究为提升混合式学习的教学效果提供了理论支持和建议。

可微风格搜索:一种在线自动数据增强方法

针对现有数据增强方法中所存在的离线图像变换和搜索空间受限等问题,提出一种在线自动数据增强(ODA)方法.ODA的核心是一个可微风格搜索模块,该模块可以通过直接回传训练损失的方式感知任务模型当前所需的数据增强,以对抗搜索的方式在线生成更难的风格化图片以扩展训练集,从而高效地帮助模型完成在多种未知风格上的泛化.在跨领域图像分类任务的MNIST,MNIST-M,SVHN和USPS数据集以及跨领域场景语义分割任务的Cityscapes和GTA5数据集上,与其他5种典型的数据增强方法进行对比实验表明,在Acc指标上ODA方法能带来至少2%的分类精度提升,而在语义分割任务的mIoU指标上ODA方法能带来3%到7%的提升,证明了ODA扩充了传统自动数据增强方法在图像风格方向上的搜索空间,增强了网络的泛化能力.