课程文献中心 更多>>

关键词： 矿用生产车   疲劳检测   YOLOv5s   EfficientNet   损失函数   特征提取   迁移学习   模型优化  

摘要： 针对现有疲劳驾驶检测报警不及时、检测精度不高以及需要人为监管的问题,提出一种改进YOLOv5s的疲劳驾驶目标检测算法。该算法使用轻量的EfficientNet骨干网络作为YOLOv5s的主干网络来进行特征提取,使模型参数大幅减少,降低模型的训练时间;同时选用SIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的YOLOv5s目标检测算法与原YOLOv5s相比,模型尺寸减少了2%,平均准确率提升了0.9%,能够有效提升矿用生产车疲劳驾驶目标的检测效果。

关键词： PrefixSpan   SDCA密度算法   告警事件   通信核心网   网络时序拓扑  

摘要： 对设备进行全生命周期故障管理是企业设备正常运行的关键,鉴于目前网络日常监控方式仍是采用基于告警日志的方式,然而随着网络规模及网元级联关系的扩大,现行的网络已进入了复杂网络时代,复杂网络告警日志往往会以告警风暴的形式出现,使得传统单一告警日志监控方法已不再适应当前网络智能化监控的要求。基于以上问题,建立以数据驱动的监控体系,提出了一种基于密度PrefixSpan算法实现告警事件时序模式挖掘的方法,首先以通信领域核心网领域的告警数据作为研究目标,提出了一种SDCA动态密度聚类算法,通过时间序列动态密度聚类算法实现了告警日志向告警事件挖掘的转变,其次利用具备剪枝功能的PrefixSpan算法实现对告警事件中告警日志时序溯源模式的挖掘,从而为准确定位事件的故障提供溯源根据。实验结果表明,该方法能够准确聚类告警事件,同时能够以时序溯源的方式揭示事件内部日志的因果关系。通过将该方法运用于通信网络监控及维护中,进一步提升了网络事件监控及实际运维能力,提高了网络智能化监控水平,该方法的有效性已在通信网络故障管理中得到证明。

关键词： 数字经济   数字平台   算法风险   算法审计   数字治理   算法治理   审计监督   数据安全   中国审计学自主知识体系  

摘要： 数字平台是数字经济的主要组织形态,具有公共物品属性。作为数字平台核心技术的算法在推动数字平台飞速发展的同时也伴生诸多算法风险。数字平台发展和规范的现实冲突以及数字技术创新和异化的现实矛盾亟需构建完善的数字治理体系。算法治理是数字治理的核心子体系,而算法审计又是算法治理的重要工具,对治理数字平台的负外部性,促进数字经济健康发展意义重大。开展数字平台算法审计存在的客观挑战包括细化算法安全指引及评估标准,平衡算法商业性、创新性和可审性的关系,创新多层次立体化协同治理机制,做好事中监管和事后问责的衔接等。开展数字平台算法审计的关键进路在于,明确算法审计的法律地位,制定算法审计执业准则和职业规范,构建国家审计主导、内部审计日常监督和社会审计鉴证的多主体协同治理机制,完善算法审计结果公开渠道,培养复合型算法审计人才等。研究数字平台算法审计对构建我国审计学自主知识体系有重要价值。

关键词： 疏散星团和星团:个别:Trumpler 10   NGC 752   NGC 2232   Tian 2   方法:数据分析   天文数据库:盖亚卫星数据  

摘要： 长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.

关键词： 井位优化   遗传算法   生产潜力   产量预测模型   混合优化流程  

摘要： 确定合理的井位是一件非常具有挑战性的任务,主要是因为影响油藏生产动态特征的地质因素和工程因素复杂多变,且非线性十分严重。由于深水油藏物性条件比较好,开发策略上通常采用“稀井高产”的方法。目前国内一般采用的是规则井网布井技术,但这种布井思路并不适用于“稀井高产”模式下的不规则布井方式。文中以遗传算法为基础,结合油藏生产潜力图和Gompertz产量预测模型作为辅助技术手段,同时充分考虑井位优化的目标函数、约束条件以及相应的惩罚函数,提出了一种混合遗传算法井位优化流程实现井位快速优化。实例应用表明,该混合遗传算法优化流程优化结果相对于其他方法,在优化效果和优化时间上具有较好的优势,在尽量减少对油藏数值模型调用的条件下,研究成果能够快速完成井位优化,研究成果对于不规则井网的布井方案具有重要指导意义。

关键词： 辐射源个体识别   弱监督小波KAN   伪标签迭代   弱监督学习   对比学习   神经网络  

摘要： 当前辐射源个体识别技术多数基于有监督学习条件下开展,不适应由于采集环境(天气条件、地形和障碍物、干扰源)、器件性能(雷达分辨率、信号处理能力、硬件故障)、标注者水平等因素导致的大范围标签缺失的情形。该文提出了一种基于弱监督小波KAN(WSW-KAN)网络的弱标注辐射源识别算法。该算法首先结合KAN网络独有的边缘函数可学习特性和小波函数的多分辨率分析特性,构建WSW-KAN基线网络;然后将弱标注数据集拆分为小样本有标注数据集和大样本无标注数据集,利用小样本有标注数据集初步训练模型;最后在预训练模型基础上,基于自适应感知伪标签加权选择方法(APLWS),采用对比学习方法提取无标签数据特征并迭代训练,从而有效提高模型的泛化能力。基于真实采集雷达数据集验证,该文所提出的算法对特定辐射源个体识别精度达到95%左右,且算法效率高、参数规模小、适应能力强,能够满足实际场景的需求。

关键词： K-means聚类粒子群算法   损伤识别   海上风机结构   迭代型方法  

摘要： 为了解决传统智能优化算法在结构损伤识别中易陷入局部最优解,导致损伤识别时误判单元较多且识别精度较差的问题,本文提出了一种迭代型结构损伤识别方法。该方法创新性地引入了基于K-means聚类的新型粒子群算法,以加快算法收敛和避免陷入局部最优解,同时,采用迭代思想对传统损伤识别方法进行改进,将损伤识别结果进行迭代更新,以获得准确的损伤位置及损伤程度。以某三腿海上风机结构为例:首先,探讨了非迭代型方法在无噪声和有噪声污染时的结构损伤识别效果;其次,分析所提出的迭代型方法在无噪声和有噪声污染两种情况下的结构损伤识别效果;然后,探究了所提出方法的收敛性及稳定性;最后,采用物理模型试验对提出的方法进行了验证。结果表明,提出的迭代型聚类粒子群算法相比传统结构损伤识别方法可获得更准确的损伤位置及损伤程度,并展现出良好的噪声鲁棒性,且算法迭代次数少,识别效果稳定。

关键词： 改进RSA算法   智慧医院   电子病历   加密存储   生成密钥  

摘要： 在生成公钥和私钥时,RSA算法通常将选择2个大的素数计算乘积,这一过程的计算复杂度较高,导致加密效率变低。因此,文章提出了基于改进RSA算法的智慧医院电子病历加密存储方法。首先,通过改进RSA算法,设定多个固定长度素数,用其欧拉函数值生成智慧医院电子病历的公钥私钥。然后,采用DES算法初步加密病历数据,再用优化RSA算法保护DES密钥,并结合SMM算法提升RSA效率。最后,在存储方面选用eMMC存储器,通过身份验证、访问控制及特定格式实现病历数据的加密存储与高效管理。实验结果表明,设计方法能够在优化电子病历数据维度的同时显著提升加密速度,提高了数据加密处理的效率。

关键词： 自适应噪声完备集合经验模态分解   模糊熵   改进小波阈值   局部放电   降噪  

摘要： 电气设备局部放电信号的去噪对电气设备状态监测具有重要意义。提出了一种改进的自适应噪声完备集合经验模态分解-模糊熵-小波阈值的降噪方法。首先对局部放电信号进行自适应噪声完备集合经验模态分解;然后对分解后的各阶本征模态分量求取模糊熵,将它们分为信号主导和噪声主导的分量,并对后者采用改进的小波阈值降噪;接着将信号重构,得到降噪后的信号;最后分别对仿真和实测的局放信号采用所提方法和其他降噪方法进行降噪处理和比较。结果表明:所提算法能够实现对白噪声和窄带干扰的抑制,指标信噪比和均方误差相较于其他降噪方法均更优。所提算法具有较好的降噪效果,为电力系统变压器绝缘状态的评估技术提供可行性。

关键词： 机器学习   新型冠状病毒感染   森林图   人工智能   极端梯度提升(XGBoost)   预后   预测模型  

摘要： 目的探讨影响新型冠状病毒感染(novel coronavirus pneumonia;别名corona virus disease 2019,COVID-19)重症病人预后的危险因素,建立预测模型并进行验证,进而准确地评估COVID-19重症病人的不良预后。方法收集2022年11月1日至2023年7月1日沧州市中心医院收治的526例COVID-19重症病人的临床指标与结局(院内28 d内死亡或存活)。用于R软件“caret”包,将526例病人按7∶3的比例拆分为两组:训练集(n=369)用于模型训练,测试集(n=157)用于模型验证。利用极端梯度提升(XGBoost)、随机森林(RF)2种机器学习算法构建病人临床结局的预测模型,应用SHAP进行XGBoost模型可解释性分析,分别得出影响病人预后的变量。将RF和XGBoost得出的变量取交集得到差异有统计学意义的变量,进而构建决策树模型。最后,在训练集和测试集上利用受试者操作特征曲线(ROC曲线)、曲线下面积(AUC)评估所决策树模型的预测性能。结果通过XGBoost模型得到与院内死亡相关的变量15个,随机森林模型得到与院内死亡相关的变量23个,两种模型取交集得到13个与院内死亡相关性最强的重要变量(白细胞介素-6、N端脑钠肽前体、白蛋白、超敏肌钙蛋白I、淋巴细胞、血乳酸、α-羟丁氨酸、肌酸激酶同工酶、动脉血氧分压、年龄、尿素氮、血红蛋白、乳酸脱氢酶)。用这13个重要变量构建决策树模型,得出2个与病人死亡最相关的变量(白细胞介素-6、淋巴细胞),死亡组病人的白细胞介素-6为155.48(42.81,691.3)ng/L,显著高于存活组15.38(10.51,31.11)ng/L(Z=37387.50,P<0.001)。死亡组病人的淋巴细胞为5.4(3.3,12.6)%,显著低于存活组13.5(8.62,22.28)%(Z=10584.50,P<0.001)。在训练集上的决策树模型预测COVID-19重症病人死亡的AUC为0.86,在测试集上的AUC为0.84。结论基于XGBoost和随机森林这2种机器学习方法构建的决策树模型能够更准确地评估COVID-19重症病人的不良预后。