课程文献中心 更多>>

关键词： 医院感染   区域性监测平台   数据管理   准确性  

摘要： 目的 医院感染监测平台的建设及维护对开展区域性医院感染监测,掌握各地区及医疗机构医院感染防控水平及风险具有重要意义。本研究通过对湖北省医院感染监测平台进行管理,以提高数据质量及准确性。方法 自2023年起,采用信息化手段和数据标准化方式,通过对湖北省医院感染监测平台数据的安全性、代表性、准确性、平台数据与医院数据的一致性、数据核查及时性等进行管理及分析,查找存在的问题并提出相应的解决方案。结果 湖北省医院感染管理质量控制中心通过迁移数据库及签订安全管理协议提升数据安全保障,组织动员各医疗机构进行数据上报,扩大数据监测范围。同时,通过对监测平台数据及院内数据进行比对改进,从数据源、算法及应用方面提高数据一致性。此外,对监测平台实行分层管理、建立奖励机制、提供技术支持、加强数据质控,提升数据质量及准确性。结论 做好区域性医院感染监测平台的管理,持续推进监测平台的发展,为不同层级卫生行政机构及院感质控中心制定医院感染防控策略、开展质量控制、评审考核提供数据支持,提高区域性医院感染管理水平。

关键词： 栖息地适宜性指数   最优算法   黑水河   中华纹胸鮡  

摘要： 为研究中华纹胸鮡(Glyptothorax sinensis)栖息地适宜性指数(Habitat suitability index, HSI)模型最优算法,科学评估其适宜栖息地分布。基于2018—2019年黑水河中华纹胸鮡渔获物数据及同步采集的13个环境因子,采用一元非线性函数拟合构建单个环境因子SI曲线,并结合最大值法(Maximum, MAX)、最小值法(Minimum, MIN)、算数平均法(Arithmetic mean model, AMM)、几何平均法(Geometric mean model, GMM)、加权平均法(Weighted moving average, WMA)分别计算中华纹胸鮡HSI值。计算结果表明:在各模型算法中,算数平均法和加权平均法两种方法的预测结果误差最小,最大值法与最小值法的预测结果与中华纹胸鮡实际分布偏差较大,在进行算法选择时要慎重考虑。黑水河中华纹胸鮡栖息地适宜性指数总体呈现上游至下游纵向上升趋势, HSI值大于0.7的点位为下游自然河段S3和S4。水温、海拔等物理环境是驱动中华纹胸鮡栖息地空间分布差异的主要因素。算数平均法及加权平均法为黑水河中华纹胸鮡栖息地适宜性指数模型预测最优算法。研究结果可为黑水河鱼类栖息地评估提供参考资料,促进鱼类栖息地保护。

关键词： 算法   价格歧视   消费者权益   检察公益诉讼  

摘要： 平台竞争和资本扩张推动了算法权力的膨胀。为了实现平台利益最大化，通过信息采集、特定推送和定价算法的运行机制，算法价格歧视不仅以更隐匿的方式剥夺消费者剩余，而且给消费者认知层面带来了极大的负面冲击。算法价格歧视消费者有违公平正义原则，侵害了消费者的知情权、公平交易权和求偿权，对其导致的权益损害问题应进一步加大法律规制和救济力度。其规制路径：从监管治理层面加强对算法平台的有效监管，探索平台合规内控自查体系和社会监管外控联动机制的监管治理模式；从法律救济层面进一步探索反垄断民事检察公益诉讼的实施路径，并通过提高算法平台违法成本的方式，使平台和消费者各自承担合理的法律成本及预期。

关键词： 高反光金属   表面缺陷   单曝光高动态范围成像   细节增强   循环一致性生成对抗网络  

摘要： 为解决现阶段高反光金属表面缺陷自动化机器视觉检测中出现的过曝光以及多曝光算法时间长、无法满足快节拍在线检测的问题，基于细节增强手段以及循环一致性生成式对抗网络提出了一种快速单曝光高动态范围的高反光金属表面缺陷辨识算法。将输入的低动态范围图像进行颜色空间转换和导向滤波处理后得到亮度层和细节层；利用循环一致性生成对抗网络对亮度层和细节层分别进行动态范围提升，并将提升动态范围后的亮度层和细节层进行加权融合，经过滤波去噪后得到利于缺陷辨识的高动态范围图像；通过阈值分割、特征筛选、形态学处理等手段对高动态范围图像进行缺陷辨识。将该单曝光算法与经典的三种单曝光算法和一种多曝光算法进行实验对比分析，用峰值信噪比、图像熵、处理时间、直方图、辨识结果五项指标综合评价实验结果。实验结果表明该算法相比其他三种单曝光算法能更好的解决过曝光问题，接近多曝光算法水平，且算法处理时间更短，能满足在线检测的需求，同时该算法挖掘图像细节信息的能力优于其他算法，辨识准确度更高。

关键词： 负荷频率控制   风电不确定性   模型预测控制   强化学习  

摘要： 为解决高比例新能源并网引起的电力系统的频率波动问题，提出一种基于强化学习-模型预测控制(RL-MPC)算法的含风电互联电网负荷频率控制策略。首先，考虑风速出力变化引起的模型动态参数，构建了风电参与的两区域负荷频率控制模型；然后，采用强化学习实时优化系统中的模型预测控制的参数，减少控制方案对准确模型的依赖，保证在风电输出不确定的情况下，控制器能够针对系统参数变化进行自适应调整，以保证最优的频率控制效果；最后，通过算法仿真对比验证了所提控制策略的有效性。

关键词： 自适应邻域   类间半径   类间系数   特征选择   邻域粗糙集  

摘要： 邻域粗糙集模型被广泛应用于特征选择领域，然而传统邻域粗糙集模型受限于网格搜索法，且存在仅从特征角度确定邻域的粒度和特征评价函数构造视角单一等问题.针对上述问题，提出一种基于类间半径的自适应邻域特征选择方法.首先，提出类间半径的概念，从样本角度与特征角度出发，为不同类的样本生成相应的邻域半径，构造了基于类间半径的自适应邻域粗糙集模型，并基于此定义了自适应邻域互信息.然后，由类间边界引出类间系数，并将其与自适应邻域互信息结合，进而构造了类间互信息这一特征评价函数，该函数从代数和信息论视角评价特征.最后，设计一种基于类间半径的自适应邻域特征选择算法.通过在8个UCI数据集上与5种算法进行实验对比分析。实验结果表明，所提算法在选择的特征数量和分类精度上优于其他算法.

关键词： 斑翠鸟优化算法   无人机组网   无人机集群   路径规划   拒止环境   混沌映射  

摘要： 针对拒止环境下，无人机集群任务执行效率低的问题，提出了一种基于改进斑翠鸟优化算法的无人机组网路径规划方法，利用混沌映射和α-stable分布增强了算法的全局搜索能力，提高了算法的效率和精度。仿真结果显示，改进斑翠鸟优化算法在无人机三维路径规划仿真实验中成功规划出合理路径，相比于原算法收敛速度更快，寻优精度更高；改进斑翠鸟优化算法相比原算法规划的无人机集群总路程缩短了28%，无人机之间的碰撞概率降低了68%，无人机与地形的碰撞概率降低了76%。结果表明，改进斑翠鸟优化算法提升了无人机集群任务执行效率。

关键词： 目标检测   黑烟检测   YOLOV8   轻量级模型   注意力机制  

摘要： 柴油车辆排放黑烟是道路交通环保执法的重点和难点。由于复杂环境条件的影响，针对目前黑烟检测存在精度和速度方面的不足，提出一种基于改进YOLOV8的轻量级柴油车辆排放黑烟的检测模型。首先，在YOLOV8主干网络的基础上，设计一种轻量化特征提取模块C2f-FasterRep提高模型的特征提取能力，同时C2f-FasterRep模块引入上下文锚框注意力机制模块来捕捉长距离的上下文信息，利用全局平均池化和条形卷积增强特征图中心区域的特征，从而提高检测精度；其次，在颈部部分提出一个新的网络结构用于融合主干网络提取的特征，并使用通道注意力模块和维度匹配机制对不同尺度的特征进行特征融合，增强了模型的多尺度特征融合能力；最后，使用Transformer解码器结构优化YOLOV8模型的检测头，同时，采用交并比感知的查询机制，有助于解码器查询的优化，提高了模型的分类和定位的性能。为保证实验的真实性和有效性，利用部署在河南许昌某道路断面的检测设备采集数据并进行测试验证。实验结果表明，所提方法的mAp为95.4%，精确率为94.5%，召回率为97.5%，与现有的黑烟检测方法相比，具有更高的检测精度和更快的检测速度。消融实验结果表明提出轻量化特征提取模块、特征融合模块和检测头有利于提高模型检测精度。

关键词： 车计算   侏儒猫鼬优化算法   资源共享   资源分配  

摘要： 在车计算中，拥有强大计算能力和丰富传感设备的智能车为用户提供服务。车计算拥有众多的感知设备，能为用户提供不限时间地点的服务。智能车拥有计算资源和传感资源，其中计算资源被用户独享使用，而传感资源能被多个用户共享使用。针对车计算的特点，提出一种基于资源共享的资源分配新模型。由于资源分配是NP难问题，提出一种基于侏儒猫鼬优化的资源分配算法。针对资源分配的离散问题，提出一种不可行解的修正算法。针对侏儒猫鼬算法易于陷入局部最优解的问题，提出一种基于随机和贪心结合的初始解生成算法，以提高算法收敛速度，使其能够快速得到最优分配方案。实验结果表明，算法在不同的分配环境下均有较好的表现，并且有较强的适应能力。

关键词： 冠脉狭窄程度   可溶性生长刺激表达因子2   三酰甘油葡萄糖乘积指数   机器学习  

摘要： 目的 探讨可溶性生长刺激表达因子2(sST2)和三酰甘油葡萄糖乘积（TyG）指数对冠心病患者冠脉狭窄程度的影响，同时构建最佳机器学习预测模型并进行验证。方法 收集2021年6月至2023年2月在蚌埠医科大学第一附属医院确诊为冠心病的193例患者资料，根据Gensini评分分为轻度狭窄组（n=92）和重度狭窄组（n=101），对比两组患者的特征差异，进一步使用多因素logistic回归分析sST2、TyG与冠脉狭窄程度的关联；同时构建多种机器学习算法，包括随机森林、支持向量机、基于XGBoost (eXtreme Gradient Boosting，极端梯度提升)的模型和反向传播神经网络算法开展冠脉狭窄预测能力比较，通过计算受试者工作特征（ROC）曲线下面积（AUC）寻找最优模型。结果 与轻度狭窄组相比，重度狭窄组sST2、TyG指数水平更高，差异有统计学意义（P<0.001）。多因素logistic回归分析表明sST2(OR=1.082,95%CI:1.008～1.161)和TyG指数（OR=3.834,95%CI:1.856～7.921）是冠心病患者重度冠脉狭窄的危险因素。不同机器学习模型预测性能均高于传统logistics模型（AUC:0.708,95%CI:0.576～0.841），其中，预测性能最高的为XGBoost模型（AUC:0.848,95%CI:0.740～0.955）。此外，机器学习模型的变量重要性排序结果均显示ST2和TyG指数是位于前5位重要的预测变量。结论 sST2与TyG指数和冠心病患者冠脉狭窄密切相关，特别是结合机器学习算法能具更好的开展冠脉狭窄风险预测。