基于注意力机制与文本信息的用户关系抽取

随着社交媒体的发展,用户之间的关系网络对于社交媒体的分析有很大的帮助。因此,该文主要研究用户好友关系检测。以往的关于用户好友关系抽取的研究主要基于社交媒体上的结构化信息,比如其他好友关系,用户的不同属性等。但是,很多时候用户本身并没有大量的好友信息存在,同时也不一定有很多确定的属性。因此,我们希望基于用户发表的文本信息来对用户关系进行预测。不同于以往的潜在好友推荐算法,该文提出了一种基于注意力机制以及长短时记忆网络(long short-term memory,LSTM)的好友关系预测模型,将好友之间的评论分开处理,通过分析用户之间的评论来判断是否具备一定的好友关系。该模型将好友双方信息拼接后的结果作为输入,并将注意力机制应用于LSTM的输出。实验表明,用户之间的评论对于好友关系预测确实有较大的实际意义,该文提出的模型较之于多个基准系统的效果,取得了明显的提升。在不加入任何其它非文本特征的情况下,实验结果的准确率达到了77%。     

高温深井通风降温技术的适用条件研究

随着矿山开采深度的不断增加，“三高一扰动”恶劣开采环境问题日益突出，给矿井通风降温工作带来极大困难。对于深井矿山，仅采用通风降温难以满足深部开采的需要，系统研究高温深井矿山通风降温技术的适用性问题，对矿山深部开采具有重要的理论意义和工程适用价值。首先从热力学角度，揭示风流在通风线路中的热交换规律；其次利用差分法原理计算深井筒风流温度，并依此推导出巷道和回采工作面风流温度变化趋势；然后结合采场安全生产允许温度进行反推，最终获取通风降温条件下的可采极限深度计算公式，并选取广西铜坑矿锌多金属矿体作为工程应用试验区进行论证分析。结果表明：基于风流的热交换模型可以推导出风流在井筒、巷道及工作面的温度计算公式，该公式与低温梯度、风流流经路径长度有关；假定工作面温度达到安全开采允许最高温度，可反推出该条件下矿山可采极限深度和巷道通风极限长度（仅采用通风降温措施时）；基于铜坑矿区锌多金属矿的实际条件，代入相关数据，验证计算所得极限开采深度符合实际，即所推导公式是可行的。     

航空直流接触器电寿命预测研究

设计了适用于航空直流接触器的电寿命试验平台，并建立了电寿命预测模型。研究时选用释放时间、释放电压作为特征参数，试验数据利用小波分析的方法进行了去噪处理，分别基于BP神经网络建立了单参数和双参数的预测模型，并验证了预测效果。试验结果表明：预测模型具有良好的预测效果。所做研究是对航空直流接触器寿命预测工作进行的初步探索，同时也可以为部队航空直流接触器的维护工作提供一些参考，从而提高飞机电气系统的可靠性，保障飞行任务的顺利实施。     

基于决策树的堆芯物理参数预测研究

反应堆堆芯核设计涉及大量方案的搜索与详细计算，缩短方案搜索时间有利于提高核设计效率。数据挖掘技术通过对大量数据进行学习与模式识别，可实现核设计方案物理参数的快速预测，更快地筛选出可行的备选堆芯方案。本文基于数据挖掘的决策树4种算法：C4.5、RepTree、Random Forest及Random Tree，在计算时以燃料富集度、含可燃毒物燃料棒数量及含量作为自变量，以寿期内k_eff不均匀系数偏差（KUCD）、径向功率不均匀系数偏差（RPNCD）、径向中子通量不均匀系数偏差（RFNCD）、堆芯寿期（CL）作为目标函数，构成目标函数符合度（CPF），利用大量已知核设计参数的组件及堆芯设计方案作为数据挖掘训练集，构建数据挖掘模型，并用于对未知核设计参数的组件方案集合（测试集）进行CPF快速预测。结果表明，4种算法利用训练集构建数据挖掘模型的时间在0.6 s以内，各算法的交叉验证精度均在0.7以上，其中C4.5算法对CPF预测精度最高；对测试集方案的核设计参数预测中，单个方案的预测时间均在0.9 s以内，而Random Forest算法对CPF等于4的预测效果最好。     

Identification of Host Cellular Protein Substrates of SARS-COV-2 Main Protease

The novel severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) is the causative agent of coronavirus disease-19 (COVID-19) being associated with severe pneumonia. Like with other viruses, the interaction of SARS-CoV-2 with host cell proteins is necessary for successful replication, and cleavage of cellular targets by the viral protease also may contribute to the pathogenesis, but knowledge about the human proteins that are processed by the main protease (3CLpro) of SARS-CoV-2 is still limited. We tested the prediction potentials of two different in silico methods for the identification of SARS-CoV-2 3CLpro cleavage sites in human proteins. Short stretches of homologous host-pathogen protein sequences (SSHHPS) that are present in SARS-CoV-2 polyprotein and human proteins were identified using BLAST analysis, and the NetCorona 1.0 webserver was used to successfully predict cleavage sites, although this method was primarily developed for SARS-CoV. Human C-terminal-binding protein 1 (CTBP1) was found to be cleaved in vitro by SARS-CoV-2 3CLpro, the existence of the cleavage site was proved experimentally by using a His₆-MBP-mEYFP recombinant substrate containing the predicted target sequence. Our results highlight both potentials and limitations of the tested algorithms. The identification of candidate host substrates of 3CLpro may help better develop an understanding of the molecular mechanisms behind the replication and pathogenesis of SARS-CoV-2.     

基于深度学习的安全缺陷报告预测方法实证研究

软件安全问题的发生在大多数情况下会造成非常严重的后果，及早发现安全问题，是预防安全事故的关键手段之一.安全缺陷报告预测可以辅助开发人员及早发现被测软件中潜藏的安全缺陷，从而尽早得以修复.然而，由于安全缺陷在实际项目中的数量较少，而且特征复杂（即安全缺陷类型繁多，不同类型安全缺陷特征差异性较大），这使得手工提取特征相对困难，并随后造成传统机器学习分类算法在安全缺陷报告预测性能方面存在一定的瓶颈.针对该问题，提出基于深度学习的安全缺陷报告预测方法，采用深度文本挖掘模型TextCNN和TextRNN构建安全缺陷报告预测模型；针对安全缺陷报告文本特征，使用skip-grams方式构建词嵌入矩阵，并借助注意力机制对TextRNN模型进行优化.所构建的模型在5个不同规模的安全缺陷报告数据集上展开了大规模实证研究，实证结果表明：深度学习模型在80%的实验案例中都要优于传统机器学习分类算法，性能指标F1-score平均可提升0.258，在最好的情况下甚至可以提升0.535.除此之外，针对安全缺陷报告数据集存在的类不均衡问题，对不同采样方法进行了实证研究，并对结果进行了分析.     

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故，提高道路交通事故链阻断效率，提出一种基于高斯混合隐马尔科夫模型（GMM-HMM）和人工神经网络（ANN）的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识，采用ANN预测下一时段的驾驶行为，再预测换道过程中的横向加速度变化率，从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明，该方法预测避险成功率达92.83%，实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。     

Structural Aspects and Prediction of Calmodulin-Binding Proteins

Calmodulin (CaM) is an important intracellular protein that binds Ca²⁺ and functions as a critical second messenger involved in numerous biological activities through extensive interactions with proteins and peptides. CaM’s ability to adapt to binding targets with different structures is related to the flexible central helix separating the N- and C-terminal lobes, which allows for conformational changes between extended and collapsed forms of the protein. CaM-binding targets are most often identified using prediction algorithms that utilize sequence and structural data to predict regions of peptides and proteins that can interact with CaM. In this review, we provide an overview of different CaM-binding proteins, the motifs through which they interact with CaM, and shared properties that make them good binding partners for CaM. Additionally, we discuss the historical and current methods for predicting CaM binding, and the similarities and differences between these methods and their relative success at prediction. As new CaM-binding proteins are identified and classified, we will gain a broader understanding of the biological processes regulated through changes in Ca²⁺ concentration through interactions with CaM.     

基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法

提出了一种基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型的水驱油藏产量预测方法,并进行了实例应用。该方法在井网分析的基础上通过MTS分析对注采井组数据进行优选,并将井组内不同采出井产油量及注入井注水量作为彼此相关的时间序列,通过建立VAR模型从多个时间序列中提取出相互作用规律,挖掘注采井间流量的依赖关系从而进行产量预测。水驱油藏历史生产数据分析结果表明,与数值模拟历史拟合结果相比,机器学习模型产量预测结果具有更高精度,同时不确定性分析提升了预测结果的安全性。通过脉冲响应分析对注入井的采油贡献量进行评价,可为注水开发方案调整提供理论指导。