工艺成套设备技术协议编制要点

对于工程公司和设计院所承接的工程项目,设计人员在详细设计阶段不可避免地会遇到成套定型设备的请购工作。设计人员在定型设备的请购过程中主要负责该成套定型设备的技术协议和技术评标工作。在技术协议的谈判和签署过程中,如何保证技术协议的正确和完善则是重中之重。目前行业里关于工艺请购设备的技术协议并没有统一的内容深度规定,当然这可能与工艺流程及设备的复杂性、多变性、不同项目的要求是有关的,但是不论是常见设备还是特殊设备,设计人员在谈技术协议时总是有一些规律可寻、有一些规定要去遵守。主要介绍了完成技术协议应该注意的内容。     

基于深度学习的IPTV视频用户行为分析方法研究

IPTV视频业务的复杂性和多样性使其难以充分发挥运营商技术优势。借助深度神经网络DNN模型对IPTV视频用户进行用户行为分析。利用深度学习算法对用户点播视频活跃度实施精确分类,从而帮助IPTV服务提供商合理配置资源,同时为终端用户提供更高效优质的服务。实验结果表明,与现有的方法相比,该方法收敛快,分类准确率达93%。     

基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

煤炭矿区总体规划编制中的几个主要问题探讨

针对煤矿矿区总体规划编制中遇到问题的多样性和复杂性，根据多年来从事矿区总体规划编制和评审的体会，对煤炭矿区总体规划编制过程中地质资料把握与处理、矿区范围的确定、矿区井(矿)田划分、矿区规模的确定原则等主要问题进行探讨研究，研究结果可供煤炭矿区总体规划编制提供借鉴与参考。     

乳业洗牌的两种风景 上市升级与易主并购

最近几年,乳业从各种政策性调整规范升级之后,开始进入资本并购和竞争分档的深度整合洗牌进程之中。一方面乳企加大产品推广和品牌塑造手段,夯实自身实力、强化优势以立足行业地位;另一方面乳企利用资本加持,以产业链和规模致胜,或扎堆上市,或不停并购资源。     

以岗位需求为导向多途径多形式护士分层培训实践与评价

目的:评价以岗位需求为导向多途径多形式护士分层培训实践效果。方法:根据工作年限、职称和岗位胜任能力将本院2016年1月在岗的740名护理人员分为N0～N4,共5个层级,对每个层级护理人员进行半结构式访谈及岗位需求调查,有针对性地制定分层培训方案,实施多途径多形式培训及考核,自2016年1月开始实施分层培训,以实施分层培训前2015年1-12月的培训结果为对照组,实施分层培训后2017年1-12月培训结果为观察组,评价两组培训效果。结果:观察组护理人员人均年培训次数为(8.81±1.58)次/年,对分层培训的满意度得分为(93.97±5.95)分,分层培训合格率提高至94.58%,理论及操作考核得分分别为(82.28±9.35)分和(89.97±6.70)分,均显著高于对照组(P<0.01);出院患者优质护理满意度得分由(90.62±3.09)分提高至(94.63±4.97)分(P<0.01),护士职称考试达标率由70.59%提高至85.52%,均高于对照组(P<0.05)。结论:以岗位需求为导向的多途径多形式分层培训能够提高护理人员参加培训的积极性,满足的临床需要,使护士满意;有助于提高临床护士岗位胜任力,使医院及患者满意,值得推广。     

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。     

DCNN深度特征与交替方向乘子的相关滤波跟踪

针对采用相关滤波的判别式目标跟踪遇到的瓶颈问题：由于目标快速移动引起边界效应，使得相关滤波器在学习与更新过程中可能会引入错误，最终错误的累积将导致跟踪失败。在采集深度学习特征与样本相似性度量的基础上，提出一种引入交替方向乘子方法的改进相关滤波目标跟踪算法，选择DCNN深度特征有效地表征待跟踪目标的初始状态，通过在线分类过程中样本相似性比对与半监督学习，辅助解决相关滤波器在学习过程中存在的自学习问题。所提目标跟踪算法特别适合训练样本为持续获得的、同时存储空间较小的机器学习过程，提高目标在快速运动与部分遮挡等复杂情况下的跟踪成功率，针对VOT2016标准测试视频的实验表明：当目标面临快速运动时，对比CN、SAMF、STC算法，所提DA-CFT跟踪算法将跟踪成功率分别由60.4%～73.4%、67.2%～82.9%、80.9%～88.1%提升至85.6%～91.0%。     

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。