基于VR技术的智能变电站运行仿真培训系统

为了更加真实、直观地呈现智能变电站的运行整体结构,构建基于VR技术的智能变电站运行仿真培训系统。该系统通过5个模块协同完成智能变电站运行仿真培训,结合实际变电站的设备情况,采用二维纹理映射方法完成变电站设备仿真建模;系统利用虚拟现实交互模块呈现培训场景,参与培训人员能够通过人机交互设备,实现场景漫游和相关培训内容操作。测试结果表明:该系统能够较好地模拟出智能变电站的实际运行情况,参与培训的人员可以身临其境地完成整个变电站的巡视,更真实、直观地呈现智能变电站的整体状态。     

一种最小变形度全景视频映射方法

全景视频需要经过采样映射转换成平面矩形视频,以便后续的压缩编码.针对现有映射方法存在的内容变形和采样不均匀问题,提出一种最小变形度映射方法(Minimum Deformation Projection,MDP).首先提出新的变形度计算公式求得最优解,其次结合像素排列为矩形的要求和人工边界等因素对最优解做近似,最后得到了最优的多边形映射形状和像素排列方案.实验数据表明,MDP的采样密度更均匀,结合使用x265,相对于ERP可以获得约14.47％的增益,优于其他映射方法.     

改进的多层感知机在客户流失预测中的应用

针对在传统的客户流失预测数据预处理中，使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题，提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进，通过将离散属性的高维编码数据向低维空间映射，有效地减少了one-hot编码产生的稀疏数据，增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明，改进后的模型既有效地提高了预测的准确度，又维持了传统多层感知机模型在并行化计算方面的优势。     

河南省原发高血压人群新发心脑血管病队列研究

目的:通过回顾性队列研究分析河南省原发高血压人群新发心脑血管病状况和影响因素,为在原发高血压人群中开展心脑血管病的预防和治疗提供依据。方法:以河南省中医药研究院就诊的原发高血压人群为研究对象,建立2001年1月至2010年12月原发高血压人群回顾性队列,完成新发心脑血管病的基线调查。调查内容包括人口学特征、心脑血管相关危险因素、服药及新发心脑血管病情况等信息。以"新发心脑血管病"为结局因变量,运用单因素及多因素Logistic回归进行原发高血压人群新发心脑血管病影响因素的分析。结果:调查符合条件的研究对象4 777例,新发心脑血管病499例,发病率为10.45%。多因素Logistic回归分析显示,原发高血压人群的危险因素包括:年龄较长者,既往收缩压、舒张压高值高者,有心脑血管病家族史者,均易发生心脑血管病。经常吸烟者(OR=2.23,95%CI:1.55~3.22)、偶尔吸烟者(OR=1.67,95%CI:1.10~2.54)、过去吸烟但现在不吸者(OR=2.79,95%CI:2.06~3.78)相比不吸烟者,均易发生心脑血管病。经常饮酒者(OR=0.34,95%CI:0.22~0.53)、偶尔饮酒者(OR=0.58,95%CI:0.42~0.80)相比不饮酒者,均不易发生心脑血管病;经常运动者(OR=0.64,95%CI:0.53~0.79)相比很少运动者,不易发生心脑血管病;睡眠很好者(OR=0.69,95%CI:0.56~0.84)相比睡眠较差者,不易发生心脑血管病;服用钙拮抗剂(OR=0.75,95%CI:0.61~0.93)相比不服用该药者,不易发生心脑血管病。结论:原发高血压人群中年龄大、收缩压和舒张压高值高、有心脑血管家族史、吸烟因素是新发事件的危险因素,应针对危险因素加强高血压人群新发心脑血管病的监测和干预。     

基于深度学习的两阶段联合声学回波和混响抑制技术

在现代通信系统中，通信语音的质量和可懂度会被回波与混响严重损害，人与人之间的交流因此会被严重干扰。为了同时消除回波与混响的负面影响，本文提出了一种基于深度学习的两阶段联合声学回波和混响抑制系统。该系统逐步地消除加性声学回波与多径效应产生的混响干扰，从而获得目标语音。系统首先使用基于理想比值掩蔽（Ideal Ratio Mask，IRM）的模型去除与目标信号不相关的声学回波，紧接着对于与目标信号强相关的混响干扰，系统通过利用一个基于“隐掩蔽”的谱映射模型将其去除。两阶段模型最后进行联合训练以获得更好的系统性能。一系列不同声学环境下的实验结果表明，本文所提出的系统可显著地消除回波与混响干扰，从而极大地增强了目标语音的语音质量与可懂度。      

基于自组织特征映射的变电站巡视周期分类研究

针对差异化制定变电站巡视周期问题,首先分析了变电站巡视周期的影响因素,包括变电站电压等级、重要程度、历史故障/缺陷发生频次、设备运行情况、变电站运行环境和设备负载情况六个方面。提出了基于自组织特征映射的变电站巡视周期分类方法,利用机器学习实现变电站巡视周期的科学合理分类,为供电公司提高变电站巡视效率提供技术支撑。