基于注意力机制的城市多元空气质量数据缺失值填充

空气污染严重影响着人类的身体健康与社会的可持续发展,但传感器获取的多元变量空气质量数据往往存在缺失值,这为数据的分析与处理带来了困扰。目前,许多对某一种空气成分变化的分析方法只依赖于此属性的时间数据与空间数据,忽略了在相同时间区间内其他空气成分对此属性变化趋势的影响,且在离散型缺失数据的填充上难以达到理想的效果。提出了一种时间注意力深度学习模型(TAM)。该模型使用注意力机制来关注不同时间戳之间的相关性与不同特征时间序列之间的相关性,并结合短期历史数据来填充多元变量空气质量数据中的缺失读数。使用北京市的空气质量数据对所提出的模型进行评估,实验结果表明,相比较于其他10种基线模型,TAM具有一定优势。

基于双模态的小角散射图像结构表征技术研究

小角X射线散射设备的不断升级和发展产生了更多更高维的散射数据,给研究人员快速获取实验结果带来了极大挑战。亟需有效的自动化分类方法,加快数据表征速度的同时保证较高的准确率。然而,许多模型学习特征主要针对光照图像,忽略了散射图像特点,分类准确率较低。因此,基于散射模式特点,提出了一种双模态细粒度特征提取模型BRTNet。该模型采用双模态输入模式,其一为采用多尺度卷积为架构的特征学习网络PRS,学习散射图像的微观信息;其二为融合局部信息的多头注意力机制ConvTransformer,学习散射序列的相关性信息。然后,模型结合图像信息和序列信息,融合双分支特征,对散射数据进行分类并获得分类结果。在生物溶液散射数据集上的实验结果表明,模型分类准确率超89%,同基准模型相比具有较为明显的优势。

光流法修正的时序图像语义分割模型

医学成像技术的发展带来了海量的医学图像数据,这些图像反映了生物体的内部结构特征,医学图像分割技术可以提高医疗人员的诊断效率,从而成为现代医疗诊断的重要辅助手段之一。然而成像过程中不可避免地会出现噪声或伪影,它们给分割工作带来了极大的挑战。现有的分割模型中,单帧医学图像语义分割模型未考虑图像帧与帧之间的关系,视频语义分割模型虽利用了时序信息,但在边缘提取上有所欠缺。为了解决以上问题,提出了一种以U-Net为骨干,用光流法进行修正的时序语义分割模型。该模型能够提取视频前后帧之间的光流信息,并对当前帧与光流进行特征提取与权重分配,以达到修正的效果。实验结果表明,在果蝇电镜图、腹部综合器官图和冠状动脉造影图这些不同类型的数据集上,该模型在相似性系数、像素准确率和交并比这3个评价指标上都获得了最优结果,验证了所提模型的有效性和泛化性。

核电站全生命周期数据管理框架体系构建与发展建议

核工业正在经历数字化、智能化变革,核电数据呈指数型增长,数据逐渐成为核电站的重要资产,然而缺少贯穿核电站全生命周期的数据管理体系。本文综述了我国核电站全生命周期数据管理的研究现状,剖析了核电站全生命周期数据管理面临的需求与挑战,构建了围绕核电站全生命周期各个节点和业务流的数据管理框架。研究认为,建立核电站全生命周期数据管理体系当务之急是推进核电行业全面数字化,规范统一核电站全生命周期数据标准;依据数据类型对全生命周期数据进行分类管理,合理设计数据模型;科学制定数据质量管控政策、数据质量度量标准,确保核电站全生命周期数据安全。为此建议,加快建立数据一体化平台,对核电站中物项、业务数据、三维仿真数据等进行目录化组织,促进跨业务系统间数据的互联互通;将区块链技术应用到核电站全生命周期数据管理,实现核电站全生命周期数据的真实可溯;加强核电与数字孪生技术、基于模型的系统工程方法的融合应用,提高核电站智能化发展水平;建立健全核电站数据绿色管理政策体系,实现数据中心的低碳、高效、可持续发展。

后疫情时代信息科学发展的新机遇——韩国延世大学图书馆与信息科学系前系主任Min Song教授学术访谈

【受访人简介】Min Song教授自2014年起被任命为韩国延世大学安德伍德杰出教授(Underwood Distinguished Professor of Yonsei University),现任延世大学发展战略研究院副院长,曾任延世大学图书馆与信息科学系主任。在此之前,Min Song教授是新泽西理工学院终身副教授。他曾在韩国延世大学获得学士学位,在印第安纳大学获得硕士学位,在德雷塞尔大学获得信息科学博士学位。他是Scientometrics和Journal of Informetrics的编辑委员会成员,同时担任Frontiers in Research Metrics and Analytics和Data&Knowledge Engineering的副主编。近期,Min Song教授入选韩国国家研究基金会"2020年人文社会科学优秀学者计划"。

基于卷积注意力机制的双模态音乐流派分类模型MGTN

在音乐信息检索(MIR)领域,根据音乐流派进行分类是一项具有挑战性的任务。传统的音频特征工程方法需要手动地选择并提取音乐信号特征进行处理,导致特征提取过程复杂,模型性能不稳定,泛化性差。深度学习与频谱图相结合的方法也有着部分数据不适合模型和全局特征提取困难等问题。提出了一种基于卷积注意力机制的音乐流派分类模型MGTN。MGTN融合了输入频谱图与提取音频信号特征构建音频时序数据2种音乐流派分类方法,使得模型提取特征的能力与泛化性大大提升,提供了音乐流派分类的新思路。在GTZAN与Ballroom数据集上的实验结果表明,MGTN模型能够有效地融合2种不同模态的输入数据。在与数十种基准模型进行的对比中,MGTN模型具备较强的优势。

面向拟态云的异构执行体安全调度算法

随着云服务的应用范围越来越广,基于未知漏洞或后门的攻击成为制约云技术发展的主要安全威胁之一。基于拟态防御建立的拟态云服务通过降低漏洞的持续性暴露概率来保障安全性,当前已有研究提出的拟态调度算法缺乏对执行体自身安全性的考虑,并且无法兼顾动态性和异构性。针对此问题文章通过引入执行池的异构度和安全度定义,提出一种基于异构度和安全度的优先级调度算法,并引入结合时间片的动态调度策略。实验结果表明,文章所提算法具有较好的动态性,能够获得较优的调度效果,实现了动态性、异构性和安全性之间的平衡,并且时间复杂度较低。

信任视角下数据智能与专家知识的对比实证研究

[目的/意义]从信任视角对比用户对数据智能与专家知识的感知,有助于了解用户当前对这两类典型的决策信息源的信任状态及差异,进而为数据智能的深化应用、数据智能与专家知识的有效融合提供建议。[方法/过程]基于信任的经典二维度划分,即认知信任和情感信任,设计包含两对、四个潜在变量的测量量表。采用问卷调查法,获取342份有效样本,利用描述性统计和配对样本t-检验方法进行数据分析。[结果/结论]研究发现,用户对数据智能的认知信任显著高于专家知识,而对数据智能的情感信任显著低于专家知识。

理工科高等数学线上教学的探索与实践

随着新冠病毒在全球蔓延肆虐,全国各地进入疫情防控常态化阶段,外防输入与内防反弹任务艰巨,教育界面临着统筹疫情防控、恢复教学秩序、统筹线上线下教学的多重任务,线上教育仍将是疫情防控常态化阶段保障学生学习质量的重要措施.因此,探索构建疫情防控常态化背景下本科教学新模式是目前统筹疫情防控和教育教学工作的重要课题.本文针对理工科高等数学课程,探索多平台融合的线上教学模式,阐述了线上教学的课前、课中、课后的三个环节,为后续的线上教学或线上线下混合式教学模式提供经验.

多阶段动态时滞动力学模型的COVID-19传播分析

截至2020-04-21,全球累计确诊新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)病例数已超过245万人,死亡病例数超过17万人。根据疫情的发展过程,首先建立了改进的离散时间多阶段时滞动力学模型,以提取疫情的传播特征,解析防控干预的影响(防控干预效果)和医疗资源可用率的影响,并基于该模型,提出一种分析COVID-19的经验传递动力学方法。其中,经验提取是基于该模型与WHO(World Health Organization)发布的疫情数据,通过参数反演实现。然后利用该方法,分析了意大利、西班牙、德国和美国等国家疫情所处的阶段,预测不同措施下各国疫情的可能走向,给出了快速控制的建议。分析结果显示,中国疫情已基本得到控制,西班牙、德国、意大利已达到峰值,美国疫情正处于紧急防御期。依据经验传递动力学方法,建议西班牙、德国、意大利三国继续坚持目前的防控干预方式,美国加大防控力度,尽快使疫情进入可控阶段。