DCAM平台下的分布式方面构件模型及协同框架的研究*

由于方面化中间件平台DCAM的方面内核实现机制没有提供对分布式环境下方面构件通信的支持,扩展了DCAM中方面内核的方面调用机制,提出了分布式方面构件模型以及分布式环境下方面构件的协同框架。扩展后的DCAM平台不仅保持了原平台对POJO的支持,同时通过对分布式协同框架的引入,使平台在分布式环境下具有更好的可扩展性和容错性,满足了按需计算的需求。最后通过应用实例对DCAM的分布式模型进行了可行性验证并给出了性能分析。     

pH对氯氧化微囊藻毒素能力的影响

利用小试实验研究了pH值对氯氧化黄浦江原水中两种微囊藻毒素效果的影响.结果表明,pH对游离氯氧化微囊藻毒素的效果具有显著的影响,较低的pH值有利于两种微囊藻毒素的氧化降解,pH值为6时的MC-LR的表观二级反应速率常数较pH值为7.25时提高了16倍,原因在于较低的pH值增加了HOCl在总游离氯中的比例,而HOCl与微囊藻毒素分子之间的反应为游离氯降解微囊藻毒素的主要途径.     

活性氧化锌在轿车门窗密封条海绵胶中的应用

试验研究在轿车用门窗密封条海绵胶中以活性氧化锌减量替代普通氧化锌并减小易产生亚硝胺的促进剂用量的效果。结果表明，以活性氧化锌等量或减量替代普通氧化锌，不改变配方其它组分及其用量，当胶料完全充满型腔时，EPDM海绵胶的最小门尼粘度增大，t5和t35明显缩短，硫化仪数据变化不大；当胶料部分充满型腔时，EPDM海绵胶的硫化仪数据变化不大。以活性氧化锌减量替代普通氧化锌且不使用易产生亚硝胺的促进剂TDEC-70和TMTD-80，EPDM海绵胶的最小门尼粘度略有增大，t5和t35略有缩短，而硫化胶的高温压缩永久变形明显下降，气味减小。     

特种弹性体Vistamaxx VM1100在EPDM胶料中的应用

采用特种弹性体Vistamaxx VM1100等量部分替代高乙烯含量低门尼粘度的EPDM,考察其对普通EPDM胶料硫化特性、流动行为、抗塌陷性和物理性能的影响。结果表明,当VM1100用量小于15份时,硫化胶物理性能略有下降,耐热老化性能和压缩永久变形无明显变化,可满足性能要求;并用VM1100不会影响胶料的流动行为,因此无需对加工工艺进行大的调整,可实现降低生产成本的目的;并用VM1100会降低胶料的抗塌陷性,不适于生产大尺寸、断面复杂的挤出制品。     

基于时序特征和集成算法的用户购买预测

大数据时代,电商平台积累了大量用户在平台上的行为数据,比如浏览、点击、下单和加入购物车等等.如何使用机器学习算法去探索大数据背后的用户消费喜好和习惯成为了一个新的研究热点.本文主要在特征工程和模型搭建两个方面对用户购买预测的效果做出提高.通过深入理解电商业务知识,利用统计学知识,分别从用户、商品和评论数据等多个方面的数据构建了115个特征;在模型搭建方面,主要设计了一个两层融合模型,第一层采用了XGBoost、CatBoost和逻辑回归作为基分类器,从不同的角度考虑用户购买预测,第二层采用加权平均的方法对基类模型的预测结果进行融合,其权重由线性分类器学习生成.实验结果表明该融合模型的F1评分要高于个体分类器,并且多次实验证明,融合模型的稳定性也要比个体分类器好.     

基于改进HRNet的眼底视网膜血管分割算法

针对现有眼底视网膜血管分割算法普遍存在的微小血管细节丢失和病灶信息误判等问题,提出一种基于改进HRNet的血管分割算法.在预处理阶段,利用限制对比度自适应直方图均衡化和自适应的Gamma矫正提高血管与背景对比度;在编码阶段,将HRNet原始卷积替换为可变形卷积,提升卷积对复杂血管形态结构的适应能力;在多尺度特征融合阶段,引入空间金字塔池化和多尺度卷积,扩大感受野同时增强对目标局部特征关注度,改善血管伪影和细微信息丢失的问题.该算法在DRIVE数据库上仿真实验,其准确率、灵敏度和特异性分别为95.79％、80.33％和98.12％.     

基于熵度量的人群模型评估方法

人群模型评估是虚拟人群仿真研究的关键问题,现有的研究多通过个体仿真轨迹与真实轨迹之间的误差来评估人群模型.然而人群行为本质上是复杂的随机系统,简单的轨迹对比并不能有效反映模型能力.本文应用熵度量的模型评估方法,通过估计真实人群状态与仿真人群状态的误差分布实现了精确的人群仿真定量评估.同时引入失真情况的判断和处理规则,使得评估方法在仿真失真情况下能够保持准确性.实验结果表明,本文提出的算法及规则能有效地实现人群仿真模型的定量评估并给出模型参数选择的指导.     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

基于LDA和Word2vec的微博标签生成算法

针对基于传统LDA主题模型的标签生成算法对用户兴趣主题描述不完整的问题,提出一种基于主题嵌入表示的微博用户标签生成算法TopicERP.该算法在LDA模型的基础上,通过引入Word2vec词嵌入模型,对用户兴趣主题进行全面描述,并对匹配度计算方法进行改进.首先利用LDA主题模型对用户微博进行主题分析,生成用户兴趣主题;然后利用Word2vec词嵌入模型将主题文本转换为主题向量,用于匹配度计算;最后,利用余弦相似度和主题在文档中的条件概率,计算主题向量与候选标签匹配度,选取Top-Q的候选标签作为目标用户标签.本文在公开微博数据集microPCU上进行实验,实验结果表明,该算法在总体性能上高于基于传统LDA主题模型的微博标签生成算法,生成的用户标签能够较为准确地描述用户的兴趣偏好.     

改进在线词对主题模型的微博热点话题演化

话题演化分析是舆情监控的研究热点之一,面向微博热点话题进行演化分析,对于网络用户以及网络监管部门都有很重要的现实意义。针对在线词对主题模型（On-line Biterm Topic Model,OBTM）新旧主题混合、冗余词概率相对较高的问题,对OBTM进行改进,提出基于话题标签和先验参数的OBTM模型（Topic Labels and Prior Parameters OBTM,LPOBTM）。根据微博热点话题的话题标签,将微博文本集区分为含话题标签和不含话题标签的两类数据集,并设置不同的文档-主题先验参数;在前一时间片文档-主题概率分布的基础上,借鉴Sigmod函数对所有主题进行强度排名,从而优化当前时间片上主题-词分布的先验参数计算方法。实验结果表明,LPOBTM能够更准确地描述话题的内容演化情况,并且有更低的模型困惑度。