Deep Learning Based Process Analytics Model for Predicting Type 2 Diabetes Mellitus

Process analytics is one of the popular research domains that advanced in the recent years. Process analytics encompasses identification, monitoring, and improvement of the processes through knowledge extraction from historical data. The evolution of Artificial Intelligence (AI)-enabled Electronic Health Records (EHRs) revolutionized the medical practice. Type 2 Diabetes Mellitus (T2DM) is a syndrome characterized by the lack of insulin secretion. If not diagnosed and managed at early stages, it may produce severe outcomes and at times, death too. Chronic Kidney Disease (CKD) and Coronary Heart Disease (CHD) are the most common, long-term and life-threatening diseases caused by T2DM. Therefore, it becomes inevitable to predict the risks of CKD and CHD in T2DM patients. The current research article presents automated Deep Learning (DL)-based Deep Neural Network (DNN) with Adagrad Optimization Algorithm i.e., DNN-AGOA model to predict CKD and CHD risks in T2DM patients. The paper proposes a risk prediction model for T2DM patients who may develop CKD or CHD. This model helps in alarming both T2DM patients and clinicians in advance. At first, the proposed DNN-AGOA model performs data preprocessing to improve the quality of data and make it compatible for further processing. Besides, a Deep Neural Network (DNN) is employed for feature extraction, after which sigmoid function is used for classification. Further, Adagrad optimizer is applied to improve the performance of DNN model. For experimental validation, benchmark medical datasets were used and the results were validated under several dimensions. The proposed model achieved a maximum precision of 93.99%, recall of 94.63%, specificity of 73.34%, accuracy of 92.58%, and F-score of 94.22%. The results attained through experimentation established that the proposed DNN-AGOA model has good prediction capability over other methods.     

黄沙坪铅锌多金属矿的成矿规律及深部找矿远景

众所周知,矿物质的成分是多种多样的,社会的发展和科学的进步需要运用到多重金属矿物质,在专业人员的勘探与挖掘中,发现了黄沙坪铅锌多金属矿,这个矿区中有丰富的有色金属,这个矿的发掘为研究成矿规律提供了物质基础,同时也为深部找矿提供了可靠的依据。本文主要分析黄沙坪铅锌多金属矿的成矿规律及深部找矿远景。     

基于深度学习的人体姿态估计方法综述

基于深度学习的人体姿态估计方法旨在通过构建合适的神经网络，直接从二维的图像特征中回归出人体姿态信息。主要按照2D人体姿态估计到3D人体姿态估计的顺序，并从单人检测与多人检测、稀疏的关节点检测与密集的模型构建等方面，对近年来基于深度学习的人体姿态估计方法进行系统介绍，从而初步了解如何通过深度学习的方法得到人体姿态的各个要素，包括肢体部件的相对朝向和比例尺度、骨骼关节点的位置坐标和连接关系，甚至更为复杂的人体蒙皮模型信息。最后,对当前研究面临的挑战以及未来的热点动向进行概述，清晰地呈现出该领域的发展脉络。     

深度学习识别光网络单元故障的设计与应用

为解决依赖装维上门鉴别光网络单元故障带来的不便,可以从机器视觉入手实现自动化故障识别。近年,ImageNet挑战赛的成功推动了物体识别技术的跨越式发展,特别是基于卷积的深度学习技术在视觉识别方面已经达到人类水平,为光网络单元故障的自动识别提供了技术基础。文章对识别光网络单元的工作状态进行了研究,将设备工作状态分为7个场景,提出了利用手机APP采集图片识别故障的解决方案并投入了实际生产;重点阐述了深度学习模块的设计与实现,提出一种通过算法整合的方式综合运用物体检测和图像分类算法,分3阶段逐步求精,解决了图片过滤,光网络单元型号和状态识别等问题,实现了基于计算机视觉自动识别光网络单元故障。从数据上看产品的端到端准确率超过84%,识别速度达到10 FPS,月均提供服务超过1万人次,在减少用户等待的同时节约了人力资源。     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

含煤盆地深层“超饱和”煤层气形成条件

中国深层煤层气资源丰富，但总体勘探和认识程度较低，尚未形成较为系统的深层煤层气地质理论。通过解剖分析准噶尔盆地白家海凸起和鄂尔多斯盆地临兴区块深层"超饱和"煤层气井的试气/生产动态，估算原地游离气的含气量，分析了深层"超饱和"煤层气的形成条件。研究表明：①深层"超饱和"煤层气储层中除吸附气外，还含有原地游离气，用常规试气方法可直接获得气流，煤层气的产出不明显依赖于排水降压；②埋藏超过一定深度，在煤阶和温度的综合作用下，煤的吸附能力将随埋深的继续增加而降低，煤层中吸附气的饱和度有增加的趋势，在达到吸附饱和后，出现原地游离气并形成"超饱和"煤层气，盆地深层具有"超饱和"煤层气形成的优势条件；③由于地温梯度和压力梯度的不同，不同盆地"超饱和"煤层气出现的临界深度不同，异常高压和异常高热流可以降低深层"超饱和"煤层气形成的临界深度；④深层"超饱和"煤层气开发具有大大缩短见气时间、充分利用地层能量和累积产水量低等优势，有望成为未来煤层气勘探开发的一个重要领域。     

重力坝坝基多斜面抗滑稳定模糊体系可靠度研究

以基岩具有多斜面、多滑移通道的某实际重力坝工程为例,基于刚体极限平衡法,采用模糊理论和几种典型的体系可靠度计算方法,研究其典型坝段的坝基深层抗滑稳定模糊体系可靠度,探讨模糊理论中隶属函数形式、隶属度以及隶属函数中关键参数的取值对可靠度计算结果的影响。研究结果表明,采取限制失效概率模糊界限比的方法可使计算结果更具有参考性,考虑模糊性的抗滑稳定可靠指标的下限较常规可靠度计算值偏小,这在重力坝坝基抗滑稳定分析中应引起重视。     

Image Super-Resolution Based on Generative Adversarial Networks: A Brief Review

Single image super resolution (SISR) is an important research content in the field of computer vision and image processing. With the rapid development of deep neural networks, different image super-resolution models have emerged. Compared to some traditional SISR methods, deep learning-based methods can complete the superresolution tasks through a single image. In addition, compared with the SISR methods using traditional convolutional neural networks, SISR based on generative adversarial networks (GAN) has achieved the most advanced visual performance. In this review, we first explore the challenges faced by SISR and introduce some common datasets and evaluation metrics. Then, we review the improved network structures and loss functions of GAN-based perceptual SISR. Subsequently, the advantages and disadvantages of different networks are analyzed by multiple comparative experiments. Finally, we summarize the paper and look forward to the future development trends of GAN-based perceptual SISR.     

运动会新闻发布系统的设计与实现

针对运动会比赛期间随时需要方便、快捷、高效地更新大量新闻的需求 ,研制和开发一套运动会新闻发布系统。利用微软最新推出的asp .net动态网页开发工具 ,采用web分布式三层设计模型设计实现了一套操作简单、功能完善、具有通用性的运动会新闻发布系统