基于多任务循环神经网络带状回归模型的乳腺癌个体生存分析

针对乳腺癌病程长、疾病发展较缓和的特点,提出了一种多任务循环神经网络带状回归模型进行乳腺癌个体生存分析。首先,提出一种基于循环神经网络的多任务带状回归模型,通过识别各病理特征对不同患者之间影响的区别,优化患者个体生存分析。其次,对带状校验矩阵的形式进行拓展并研究其对患者风险分布的影响。最后,在乳腺癌真实数据集上进行生存分析,不同患者之间产生明显的差异性,验证了模型的有效性。在2个乳腺癌真实数据集上进行的生存分析结果显示,基于循环神经网络的多任务带状回归模型的一致性指数(Concordance Index, C-index)较医学上常用的Cox回归模型有较大提升,并有着更小的95%置信区间。     

利用关系数据库实现无模式XML数据管理平台

基于目前无模式XML数据被广泛应用的现状,研究了如何利用关系数据库对无模式XML数据进行统一管理,设计并验证了一种基于关系数据库的统一无模式XML数据管理平台。分析了什么是无模式XML数据,介绍了管理平台的总体结构,详细叙述了管理平台的设计思想和实现技术,结合实际的应用项目验证了无模式XML数据管理平台。     

毕节市大麦塘安置小区基坑边坡稳定性评价与支护建议

文章以毕节市的大麦塘所建设的安置小区为例分析建筑中实施基坑边坡情况,并对安置小区中基坑边坡实施稳定性分析以及计算之后,结合建设要求以及设计图纸情况而提出具体的支护建议。针对施工中所遇到的问题都提出具体的处理方案,希望此建设工程能够为其他类似的工程提供一定的参考价值,在今后的建设工作中不断总结经验,提升基坑边坡的处理能力。     

古壁画数字化修复方法研究

我国古壁画充分代表了我国文化的古老文明,极有极高艺术价值和历史考古价值。但是经历了千百年历史,古壁画出现了不同程度的破损,主要破损表现为褪变色、脱落、裂缝、粉化、霉变等。现存的物理保护措施以及古壁画手工修复效率比较低,甚至会增加古壁画破损。古壁画的数字化修复是近年来壁画保护的热门方向并逐渐成为壁画保护的重要手段,本文针对古壁画典型破损现象提出文献调研修复法、完形修复法、参考修复法等修复方法,利用计算机实现对壁画的虚拟复原,从而可以对古壁画进行永久保存,并应用到文化遗产保护和文化遗产传播的实践中。     

基因表达式编程及其在混凝土徐变分析中应用

混凝土徐变分析在混凝土结构应力计算和变形分析中有着重要意义。由于影响混凝土徐变的因素较多,徐变函数呈现高度非线性,传统回归方法难以取得令人满意结果。基因表达式程序设计方法,吸取了遗传算法和基因编程两者的优点,在解决非线性拟合问题方面表现出非凡的数据挖掘能力与优势。在基因表达式编程理论分析基础上,利用该方法建立了混凝土徐变函数知识挖掘模型。实例表明,该模型比常规方法得到的函数有更高的精度。     

基于NB-IoT技术的智能养蜂系统设计与应用

当前,蜂农主要采用传统蜂箱进行蜜蜂养殖,蜂蜜的产量和质量基本依赖于养蜂者的个人经验,蜂农养蜂收益参差不齐;其次,当地主管部门对蜜蜂养殖缺乏有效监管手段,无法实时获取蜜蜂养殖关键信息;再者,消费面对市场上纷繁复杂的蜂蜜产品,无法辨别真伪。该文旨在探讨运用NB-IoT技术研发智能养蜂系统,帮助蜂农实现科学养蜂,提高工作效率,为蜜蜂提供舒适的繁殖与产蜜环境,提高蜂蜜质量,并给消费者提供产品溯源的依据。     

音乐制品的包装及其消费

从人们生活中最常见到的音乐制品出发,探讨由音乐这种文化传播形式引起的新学科发展及现在人们对音乐制品包装的新要求,对影响音乐制品消费观念的主要因素进行了分析.     

茂名协同审批全功略

借鉴国内外一站式服务信息化建设的宝贵经验,广东省茂名市的网上行政协同审批共享基础平台,采取服务中心模式和真正一站式服务模式相结合的方式,最大程度地实现审批业务协同,推动管理创新。     

烟草制造行业中的数据采集系统

数据采集系统在烟草行业的MES(Manufacturing Execution Systems)中具有重要作用.为适应烟草行业信息化迅速发展的需要,改进烟草生产实践中存在的一些问题,提出了新的数据采集系统方案,并对该系统的结构、功能作了框架性论述,着重阐述了对采集数据信息的分析、处理和展示.     

顾及长尾分布的机载LiDAR点 CNN 语义分割

针对目前PointNet++系列网络模型倾向于牺牲尾类分割精度以保证全局分割精度这一现象,构建顾及数据长尾分布的机载LEDAR点云语义分割网络,主要涉及两方面内容,聚类最远点采样和空间自注意力机制下的局部特征学习。聚类最远点采样通过类内点云最远点采样、划分区域最远点采样以及基于置信度的均值漂移（Mearshift）聚类组合策略,最大程度保留尾类样本并通过循环赋权方式使每类样本均能被网络充分学习;空间自注意力机制下的局部特征学习为结合不同空间编码方式增强采样点邻域拓扑结构的学习,以利于从稀疏样本数据中完整学习目标空间结构。公开数据集实验表明,本文网络模型整体分割精度和平均F,较 PointNet++分别提升6.3%和6.6%,并优于其它6种PointNet++系列网络模型及新公布的10种网络模型,具有良好的泛化性能与应用价值。