课程文献中心 更多>>

关键词： 差分干涉测量短基线集时序分析技术   长短时记忆网络   深度学习   范家坪滑坡   三峡库区  

摘要： 传统滑坡地表形变监测手段存在着监测范围小、复杂地形信息获取难度高、经济成本投入量大等缺点,且大型复杂滑坡变形时间序列的非线性、不确定性变化特征也一直是滑坡形变监测及预测研究中亟待解决的难题。以三峡库区范家坪滑坡为研究对象,利用差分干涉测量短基线集时序分析技术(small baseline subset InSAR,SBAS-InSAR),结合地表GPS监测数据进行滑坡形变监测,基于SBAS-InSAR时间序列数据及长短时记忆网络(long short term memory,LSTM)开展滑坡形变预测研究。结果表明:研究时段内,范家坪滑坡SBAS-InSAR形变监测结果与地表GPS监测数据所反映出的形变区域及形变量级基本保持一致,与现场调查情况相吻合;范家坪滑坡的位移变形与坡体的高程分布及库水位条件密切相关,当库水位高于160 m时,滑坡前缘阻滑段主要受“浮托减重”效应影响,当库水位低于160 m时,渗流压力占主导作用,水位下降阶段的位移变形总体明显大于水位上升阶段,库水位下降速率对范家坪滑坡的位移变形产生重要影响,且木鱼包滑坡区相较于谭家河滑坡区对库水位下降速率的变形响应更为强烈;将LSTM神经网络模型与传统神经网络模型的预测结果进行效果对比、置信区间估计及相关性检验,结果显示,LSTM神经网络模型的预测结果始终保持较高的预测精度,验证了InSAR与神经网络结合的滑坡监测与预测方法能够为三峡库区地质灾害防治提供重要的数据参考和信息支撑。

关键词： 混合加密   安全传输   同态哈希函数   网络编码方案   无证书  

摘要： 网络编码允许中间节点对收到的消息编码之后转发给下游节点,然而却存在着由于传播污染信息浪费大量网络资源等问题.为了解决这些问题,提出适用于物联网系统的网络编码混合加密方案(network coding hybrid encryption scheme,NCHES).NCHES实现了任意长度消息的安全通信,同态哈希函数的使用防止了传输数据被污染.NCHES在数据通信过程中能保证较低的计算开销和较高的网络传输效率,而且能保证物联网系统中的数据安全.

关键词： 慢性颈痛   颈椎病   中医康复疗法   神经影像学   脑网络   作用机制   研究进展  

摘要： 颈椎病是临床常见的慢性退行性肌肉骨骼系统疾病,颈痛是其最常见且最突出的临床症状,当疼痛迁延难愈、时间超过3个月及以上则形成慢性颈痛(CNP)。中医康复疗法广泛运用于CNP治疗中并取得较好疗效,但既往研究多关注中医康复疗法对CNP躯体障碍改善的作用机制,对此疗法在中枢发挥的作用机制尚不明确。本综述依据神经影像学检查方法,回顾总结CNP的脑网络机制改变及中医康复疗法干预CNP的中枢病理改变特征。结果表明CNP能够改变脑结构、影响脑功能和脑代谢水平,中医康复疗法可调节特定脑区功能并改善脑区之间功能连接,减轻脑网络区域异常状态的有害影响,恢复脑区结构和改善脑血流动力学,使患者原本异常的活动恢复至正常状态。这些发现为未来深入探讨中医康复疗法在CNP中的作用机制提供了神经影像学上的重要参考。

关键词： 初中生   家庭结构   网络成瘾   亲子亲合   学校联结   自尊  

摘要： 目的:探讨家庭结构与初中生网络成瘾的关系,以及亲子亲合和学校联结的中介作用、自尊的调节作用。方法:采用网络成瘾行为量表、亲子亲合量表、学校联结量表和自尊量表,对河南省郑州市和商丘市的8176名初中生展开问卷调查。运用SPSS宏程序PROCESS 3.5进行中介效应和调节效应检验。结果:7.9%的初中生来自非完整家庭,初中生网络成瘾的检出率为19.4%。家庭结构显著正向预测初中生网络成瘾(B=0.090,P=0.017)。亲子亲合(B=0.092,95%CI:0.074~0.113)和学校联结(B=0.067,95%CI:0.043~0.091)在家庭结构和初中生网络成瘾的关系中发挥部分中介作用。自尊可以调节家庭结构和亲子亲合之间的关系(B=-0.145,P<0.001)。结论:初中生网络成瘾检出率高。家庭结构对初中生网络成瘾有直接影响,亲子亲合和学校联结间接影响初中生网络成瘾,自尊能够缓冲家庭结构对亲子亲合的负面影响。

关键词： 网络直播   监管原则   广告主体   行为模式   后果模式  

摘要： 网络直播营销广告作为商业广告之一,既受到作为一般法的《广告法》规制,也受到作为特别法的《互联网广告管理办法》规制。同时,此类商业广告所依托的网络直播作为一种新型业态,还受到诸如《网络直播营销管理办法》等规范性文件的调整。作为交叉调整对象的网络直播营销广告,体现了立法者和监管者的关注,但也因交叉调整存在规则衔接和适用难题。作为营销方式的宣传和广告之间的边界如何划定,网络直播营销广告的监管原则和监管模式如何设定,广告主体的认定及其责任承担如何细化等问题,仍需进一步探讨。

关键词： 慢性膝关节疼痛   脑   功能磁共振成像   英国生物样本库  

摘要： 目的 探索慢性膝关节疼痛患者的静息态脑功能网络改变,包括局部网络振幅和跨网络功能连接的改变,以揭示慢性膝关节疼痛对脑功能网络的潜在影响。方法 从英国生物样本库中选取3045例膝关节疼痛患者及相同数量、年龄和性别匹配的无痛对照组的数据。针对独立成分分析提取的脑功能网络的振幅和不同网络间功能连接两项指标,运用单变量统计分析(双样本t检验)和多变量机器学习(支持向量机)两种方法分析两组被试之间脑功能网络的差异。结果 使用双样本t检验,未观测到局部网络振幅在患者组与对照组之间表现出显著差异,但多对网络间的功能连接则在两组间表现出显著差异。例如,患者组视觉网络与默认模式网络、中央执行网络之间的功能连接增强等。利用支持向量机基于局部网络振幅及网络间功能连接模式区分患者组与对照组的分类准确率为53.6%,显著高于随机分类准确率(P<0.0001),特征权重分析结果显示默认模式网络、运动网络振幅及相关功能连接对分类贡献较大。结论 慢性膝关节疼痛患者默认模式网络、运动网络、视觉网络等多个脑网络振幅及其功能连接发生改变,提示长期的膝关节疼痛对脑产生了功能性重塑作用,为进一步深入理解慢性膝关节疼痛的脑改变提供了科学证据。

关键词： 进境木材害虫   多网络深度学习图像分类方法   开集图像分类   鉴定识别  

摘要： 进境原木和木材常会携带大量林木害虫,为提升进境木材常见害虫快速鉴别能力以及海关初筛实验室对进境木材中害虫的智能精准识别、快速处理能力,本研究采用多网络深度学习图像分类训练方法,综合利用卷积网络(CNN)、注意力机制(Transformer)网络、生成对抗网络(GAN)、特征复制器对抗训练网络,选取进境木材中截获的7种常见害虫,拍摄1200多张图像进行训练实验,构建了昆虫鉴定模型。实验研究表明,本模型对7种害虫的鉴定识别准确率达到99.17%,并基于该方法,设计了一套以人工智能模型为“大脑”的进境木材常见害虫智能鉴定识别系统。

关键词： 河网位置   底栖动物   群落构建   β多样性   赤水河  

摘要： 河流具有独特且复杂的树枝状等级性网络拓扑结构,使得河流连通性和生境异质性在不同河网位置上存在明显差异。长期以来,河流生态系统通常被视为局部或线性结构进行研究,忽略了河网位置对群落构建等生态过程的影响。本研究以具有复杂网络结构和自然流态的赤水河为研究区域,探索了河流网络位置对底栖动物α、β多样性和群落构建过程的影响。其中,α多样性使用物种数、Shannon-Wiener多样性、Simpson多样性和Pielou均匀度指数来度量;β多样性使用SΦrensen相异性指数(β_(sФr))和Bray-Curtis相异性指数(d_(BC))来表征,并将其分割为置换和嵌套两种组分;群落构建过程采用冗余分析和变差分解来实现。结果显示:1)赤水河全流域底栖动物群落主要受环境过滤驱动;2)河流网络位置塑造着赤水河底栖动物的多样性格局和群落构建过程。河网中心的干流底栖动物群落主要受环境过滤的影响,而河网边缘的支流底栖动物群落则受到空间限制和环境过滤的共同作用,该发现质疑了河流网络位置假说(network position hypothesis,NPH)在赤水河流域的适用性;支流的α多样性明显高于干流,而干流的β多样性则显著高于支流;β多样性主要由置换组分构成,这表明尽可能多地保护不同位点和生境是维持底栖动物物种多样性的重要举措。本研究有助于深入理解复杂河网影响下底栖动物的物种共存和维持机制,为提出适用于我国亚热带季风区河网的新假说提供视角,为长江上游水生生物保护区选址和设计提供参考和依据。

关键词： 智能交通   车道线检测   LaneNet   U-Net   空洞空间卷积池化金字塔   频率域通道注意力  

摘要： 科技发展日新月异,自动驾驶成为大家研究的热门领域。受复杂环境的影响,车道线检测很容易出现漏检误检的情况。传统的LaneNet车道线检测算法可以通过像素级别的图像处理来检测车道线,但该算法没有区分图像的关键区域,所以在复杂环境中,其检测能力大幅下降。为了提高其检测能力,本文对LaneNet网络进行了优化。提出了一种引入边缘特征和U-Net网络的语义分割模型Edge-Feature U-Net LaneNet(简称EU-LaneNet),该模型更加关注车道线附近像素的变化,还能一定程度宽容车道线的形变,从而使模型具有更好的鲁棒性。EU-LaneNet模型中使用了UNet网络作为编解码结构,U-Net网络将编码器与解码器进行跳跃层连接,从而保留了更多的空间信息和上下文信息,这有助于保留更多的细节并提高分割结果的准确性。在EU-LaneNet模型中增加了空洞空间卷积池化金字塔(ASPP, Atrous Spatial Pyramid Pooling)与频率域通道注意力(FCANet, Frequency Channel Attention)的融合机制,该方法具备从广阔的感受野中捕捉丰富的上下文信息的能力,同时提取出便于分析的细节特征,并通过这些细节特征来抑制噪声。利用自己构建的道路监控数据集和Tusimle车道线检测数据集对该模型进行综合训练。车道线检测结果显示,本文提出的模型效果更好,在准确率基本保持不变的情况下,本研究提出的车道线检测综合模型相对于传统的车道线检测LaneNet网络精确率提高了8.96%,能够更好地适应复杂的环境。

关键词： 社交网络   链路预测   增量学习   时序随机游走   概率模型  

摘要： 社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。