多源异构数据融合关键技术与政务大数据治理体系

随着信息技术的飞速发展,各级政府和大型企业掌握的数据量正在以指数级别增长。然而,数据来源多样会导致格式差异,数据质量参差不齐会影响应用效果,数据分散管理会弱化关联汇集,数据形态异构会造成语义鸿沟。在此背景下,多源异构数据融合负责将来源不同的多模态数据进行有效整合,完成数据互补与关联,进而实现信息增强。目前,大多数已有研究的关注重点集中在大数据治理流程与多模态深度学习,很少有工作研究讨论完整的多源异构数据融合技术框架。因此,在综述关键技术的基础上,文中提出了一整套涵盖“数据引接-数据清洗-数据集成-数据融合”全过程的多源异构数据融合关键技术框架,并对各个环节需要解决的问题与重点任务进行介绍。然后,通过一个政务应用实例场景,给出了政务大数据治理体系的设计,以解决政务数据来源广泛、质量参差不齐、管理分散、形态异构的问题,并进一步阐述了多源异构数据融合的重要价值。最后总结全文并展望未来。

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS)技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T^(2)统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。

基于DLNS-DSVDD的故障检测方法

为了解决支持向量数据描述方法对多模态动态过程故障检测率低的问题,提出了基于双局部近邻标准化的动态支持向量数据描述的故障检测方法。首先,应用DLNS方法标准化样本生成标准数据集;其次,利用动态方法将标准数据集构造成动态矩阵;最后,使用SVDD方法建立基于空间距离的统计量进行故障检测,应用DLNS-DSVDD方法对一个数值例子和田纳西-伊斯曼过程(TE过程)进行仿真测试,并与传统方法对比分析。结果表明,DLNS-DSVDD方法在具有更低的误报率的前提下拥有更高的故障检测率,平均误报率为2.2%,相比于SVDD方法降低了2.1%,平均故障检测率为88.2%,相比于SVDD方法提高了38.5%,证明了所提出的方法可以有效地监控具有多模态动态特征的化工生产过程。DLNS-DSVDD方法可以有效地剔除数据的多模态结构并且准确地捕获样本中的动态信息,为提高SVDD方法在多模态动态过程中的故障检测性能提供了参考。

多模态情绪识别在讯问中应用效果的初步实验

多模态情绪识别展现了智能时代信息技术与讯问方法融合的趋势,其在讯问过程中非接触式采集讯问对象的表情、声强等生理和行为数据,通过多模态数据拟合,实时判断讯问对象的情绪变化。为检验当前多模态情绪识别技术的准确性,本次实验采用情绪诱导范式,通过自我报告、观察者报告、多道心理生理测试仪记录、多模态情绪识别4种不同的方式记录92名实验对象的情绪变化。实验结果表明,当多模态情绪识别指标包括皮肤电等接触式生理数据时,其准确性可达80.9%;当识别指标仅以微表情、心率等非接触式生理数据为主时,其准确性因受情绪分类维度和细致程度、识别对象的特异性、算法模型等因素的影响而明显降低,但仍优于普通人的肉眼观察。该技术在审讯实战中的试用已初步展现出对讯问对象身体限制小、数据采集效率高等优势,后续仍需提升情绪识别技术的准确性,加强情绪识别与讯问策略方法之间的关联度和可操作性。

智能座舱多模态交互技术发展现状及趋势

在世界汽车100多年的发展历史中,经历了从机械化、电子化再到智能信息化的演变。如今的智能信息化时代,汽车座舱带给用户的体验成为用户选择汽车品牌最重要的依据之一,传统座舱结合智能技术后,智能座舱的概念由此提出。文章基于智能座舱与常规汽车座舱的主要差异,提出智能座舱的核心技术人机交互。未来智能座舱以语音交互为主转化为多模态结合交互将是一个漫长而复杂的过程,分析了多模态交互技术涉及的信息识别技术的应用现状及趋势,通过与目前主流的语音交互技术相比,可以发现多模态交互技术表达效率显著提高以及表达信息量显著增加,最终基于上述分析提出了五个方面的发展建议,如持续完善标准化工作与营造良好的营商环境。

多模态影像技术对诊断乳腺实性结节良恶性价值的研究

目的:探讨多模态影像技术在鉴别诊断乳腺实性结节良恶性中的应用价值。方法:2019年10月至2020年6月,我院甲乳外科收治的乳腺疾病患者76例共84个实性结节,行常规超声扫查,根据二维图像诊断。弹性检查,行VTI成像。以病理诊断为金标准,找出VTI面积比(AR)诊断乳腺实性恶性结节的最佳截点。乳腺钼靶X线检查,依据钼靶图像进行BI-RADS分级。分析单一及联合技术诊断的灵敏度、特异度、准确度。结果:常规超声诊断乳腺实性结节良恶性的灵敏度、特异度、准确度分别为79.5%、82.5%、80.9%。以AR=1.42作为乳腺恶性结节的截点。三者联合诊断乳腺病灶良恶性的准确度明显高于常规超声以及钼靶(P<0.05)。结论:多模态影像技术相较于单一模式影像学检查提供的信息量更多,在分析乳腺实性结节良恶性中具有较高的诊断价值。

求解多峰函数优化的小生境克隆选择算法

分析了传统的用于多峰函数优化问题的小生境遗传算法的特点和不足,基于免疫系统中的克隆选择原理,运用记忆算子、抑制算子和重组算子等技术对克隆选择算法进行了改造,并引入一种新的小生境技术,提出了一种解决多峰函数优化问题的小生境克隆选择算法。最后,实现了该算法对单无人作战飞机(unmanned combat air vehicle,UCAV)多航路规划这类多峰函数优化问题的优化仿真,结果表明该算法简单有效。

基于多种群的改进粒子群算法多模态优化

针对多模态函数寻优过程中开发与探索能力难以平衡的问题,提出一种基于多种群的改进粒子群算法(EMSPSO)。该算法在基于种群的粒子群算法(SPSO)的基础上改进了种群生成策略,通过在个体最优值中选择种子,将粒子群分为若干独立进化的种群,增强了算法收敛的稳定性;为了提高粒子的利用率、算法的全局搜索能力和搜索效率,引入冗余粒子重新初始化策略;同时为了防止算法在寻优的过程中遗漏适应度较优的极值点,对速度更新公式进行改进,使算法的开发与探索能力得到了有效的均衡。最后选用6个典型的测试函数进行对比实验,实验结果表明,EMSPSO具有较高的多模态寻优成功率与较优的全局极值搜索性能。

基于分类距离分数的自适应多模态生物特征融合

匹配分数是传统的融合分数指标,但是其不能很好地区分类内和类间数据,分类置信度虽然可以较好地将类内类间数据分开,但对于匹配分数仅次于分类阈值的数据,其分类效果不是很理想.因此,首先提出了一种基于分类距离分数的融合分数指标,其不仅携带一级分类信息,也含有匹配分数与分类阈值之间的距离信息,可增大融合后类内类间分数之间的距离,为融合算法提供了一个具有有效判别信息的特征融合集,提高了融合指标的利用率;进一步,利用信息熵表示信息价值多少的这一特性,定义特征关联系数和特征权重系数,并将加权融合和传统SUM规则统一在一个自适应算法框架中,提高了融合识别率.实验结果验证了所提出方法的有效性.

自适应小生境克隆选择算法及其仿真研究

为了对多模态函数寻优,基于免疫克隆选择算法原理,提出了自适应小生境克隆选择算法(ANCSA)。小生境决定位段会随着优化对象的维数及可行域的变化而自动调节,从而形成不同的小生境,每个小生境都具有免疫记忆功能。通过对四个典型的多模态函数仿真,并和相关算法进行比较分析,结果表明ANCSA在解决多模态函数优化问题时具有较强的自适应性和收敛性。

多模态视域下中小学信息技术翻转课堂教学模式研究

多模态对于理解教学行为、学习行为、学习环境、学习评价等教学现象有独特作用。可以从多模态教学资源、多模态学习平台、多模态学习互动、多模态学习评价等维度,构建中小学信息技术课程三阶段的多模态翻转课堂教学模式。

多模态函数优化的小生境克隆选择算法

分析了传统用于多模态函数优化问题小生境遗传算法的特点和不足,基于免疫系统的克隆选择原理,提出一种解决多模态函数优化问题的小生境克隆选择算法(NCSA),通过3个典型的多模态函数寻优问题的仿真实验,说明实现了小生境克隆选择算法在解决多模态函数的优化问题时的有效性.

多模态教学模式在高校英语精读课堂中的应用

多模态技术在英语课堂上变得越来越普及。本文基于新伦敦小组的多模态教学理念探讨了在高校英语精读课堂中使用多模态、多体裁研究项目的教学方案。以实例说明如何将多模态结合到课程中促进学生的多种体裁的读写技能,在教师的明确指导下,学生通过设计、参与、展示、反思和评价研究项目,提高了各种体裁的读写能力、英语语言技能和交际艺术。

多模态函数优化的小生境蚁群算法及其仿真分析

结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法(NACA),算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化。

基于DTS的多模态异构大数据检测方法研究

为降低由多模态异构数据造成的信息传输风险,增强大数据网络对于信息攻击行为的实际承载能力,提出基于DTS的多模态异构大数据检测方法。利用深度置信网络对异构数据进行编码处理,再借助DTS线性映射条件,实现多模态异构大数据提取。在此基础上,清洗大数据环境下的所有传输信息参量,通过二值化转换的方式控制异构数据的降维方向,实现多模态异构大数据检测。对比实验结果表明,与传统检测方法相比,DTS检测方法可规避95%以上的风险性信息传输行为,且能使多模态异构数据的稳定抵抗能力得到大幅提升,满足增强大数据网络对于信息攻击行为承载能力的实际应用需求。

基于网络的多模态大学英语写作教学研究

以后维特根斯坦、建构主义理论和多模态化理论为依据,依托现代网络多媒体技术,针对具体的教学对象、教学环境和教学目标,利用统计的研究手段,对大学英语写作教学进行实践研究。实践结果表明,新写作教学模式学生,对提高学生写作兴趣、增加师生互动、提高学生英语写作水平有着良好的效果,对大学英语教学改革起到一定的推动作用。

基于现代教育技术的高职英语多模态教学模式研究

随着现代信息技术的迅猛发展，其在教育领域的应用也越来越广泛，加上英语教学多模态话语分析理论的兴起，多模态教学作为一种先进的教育理念，在英语教学和教研领域都得到了广泛的应用，形成了对传统英语教学模式的有效创新和发展。对此，本文结合高职英语教学的实际，首先分析了高职英语构建多模态教学模式的重要性，接着就现代教育技术视野下高职英语多模态教学的构建策略进行探讨。

大学外语教学多模态生态优化策略

从生态化外语教学视角看,当前多模态大学外语教学主要存在教学系统和物理环境两个方面的生态失衡现象,因此,树立生态教学理念,制定个性化教学目标;构建学以致用、开放多样性生态化外语教学体系;营造动态开放、可持续性生态化大学外语教学环境系统,这三个策略能够优化大学外语教学的生态系统,促进信息时代大学外语教学生态化转型。

生物启发式算法求解多模态优化问题研究

实际生活及工程应用中的诸多问题均可归结为多模态优化问题,研究多模态优化问题的目的在于找出问题的所有全局极值解或有意义的局部极值解。从算法的"完全收敛性"出发,探讨了目前生物启发式算法(如遗传算法、蚁群算法、萤火虫算法、鱼群算法、粒子群算法等)求解多模态优化问题存在的问题和缺陷,并得出其在求解多模态优化问题时必须满足的条件:种群的多样性及种群分布的均匀性。随后概括并总结了目前求解多模态优化问题而保持种群多样性及均匀性的若干策略,着重研究了通过生物启发式算法并结合改进小生境技术在多模态优化问题求解中的研究进展,最后评述了今后一些有意义的研究方向及主要研究内容。

基于克隆选择原理求解多峰函数优化问题

文中分析了传统的用于多峰函数优化问题的小生境遗传算法的特点和不足,基于免疫系统中的克隆选择原理,合理地构建了克隆选择算子及引入一种新的小生境技术,提出了一种解决多峰函数优化问题的小生境克隆选择算法.最后,实现了该算法对几种典型的多峰函数的优化仿真,结果表明该算法简单有效.