基于时空信息转换方程的药品销量预测模型

针对药品销售中高维短时间序列预测问题,利用时空信息转换方程及储备池计算方法构建了一种基于时空信息(STI)转换方程的药品销售量预测模型。首先针对药品销售时间序列数据样本量较小的特点,引入储备池计算方法拓展数据样本信息维度,将多个不同药品销售量时序数据中的动力学信息引入储备池。使用时空信息转换方程对时间信息与空间信息进行转化,最后在储备池运算的基础上对时空信息转化方程求解,对目标药品的销售量进行有效的时间序列预测。通过将提出的基于时空信息转换方程的时序预测模型与神经网络预测模型在特定药品销售数据集进行时序预测验证并进行横向对比,相较于GRU(Gated Recurrent Unit),所提模型在测试时间节点上的均方根误差(MSE)及运算时间分别减小了13.27%和95.60%、皮尔逊相关系数提高了34个百分点;相较于长短期记忆模型(LSTM),所提模型在测试时间节点上的均方根误差及运算时间分别减小了69.85%和98.00%,而皮尔逊相关系数提高了44个百分点;相较于卷积神经网络模型(CNN),在测试节点的均方根误差及运算时间分别减少了48.96%和88.53%,皮尔逊相关系数提高了33个百分点。证明了基于时空信息转换方程的药品销售预测模型在测试集时间节点上的预测效果要优于GRU、LSTM、CNN时序预测模型,同时也说明模型具有更高的运算效率。

领域相关的数学文本语义抽取

针对科技领域文档语义信息获取不充分的问题,提出一套基于规则的数学领域相关文本的语义抽取方法。首先从文本中提取领域概念并实现数学实体与领域概念之间的语义映射;然后对数学符号的上下文进行分析,获取数学符号的实体指代或文字描述,进而抽取其语义;最后基于已抽取的数学符号语义实现表达式的语义分析。以线性代数文本为研究实例,构建了一个语义标注数据集并进行实验,实验结果表明所提方法对标识符、线性代数实体以及表达式的语义抽取具有93%以上的精确率和91%以上的召回率。

基于扩展的低阶多元广义线性模型的脑节点识别方法

针对现有单节点模型识别准确度较低以及低阶多元广义线性模型(LRMGLM)计算时间过长和使用局限性问题,提出基于扩展的低阶多元广义线性模型(ELRMGLM)的脑节点识别方法。首先,建立可以同时处理两次实验所有节点数据的ELRMGLM,以更多的时间空间信息来提高算法的准确度;然后,利用带时空平滑惩罚项的优化函数引入先验信息,并通过迭代函数对模型参数进行求解;最后,使用基于K-means的快速选择策略实现惩罚参数和大脑节点的快速选择。三次样本实验中,ELRMGLM的准确度分别比经典血液动力学响应函数(canonical)方法、平滑有限脉冲响应(SFIR)方法、正则化和广义交叉验证(Tik-GCV)方法的最优结果提升了约20%、8%、20%,略优于LRMGLM,且计算时间是LRMGLM的1/750。实验结果表明,ELRMGLM能有效提高大脑节点的识别准确度,减少计算时间。

关于Sylow交的共轭类(英文)

设G为有限群 ,p是G阶数的一个素因子 ,即p| |G|。在有限群的研究中 ,Sylowp 子群无疑起到了非常重要的作用 ;同样 ,Sylowp 子群交在有限群不可分解模和块论研究当中的作用也是不容忽视的。文中研究了有限群G的Sylowp 子群交的共轭类个数np(G)对于有限群结构的影响 ,并且着重讨论了np(G) =2的有限群的性质 ,特别地 ,给出了有限群G满足np(G) =2时 2个不同Sylowp 子群的交与Op(G)相等的几个充分必要条件。