基于深度残差长短记忆网络交通流量预测算法

针对多步交通流量预测任务中时间空间特征提取效果不佳和预测未来时间交通流量精度低的问题,提出一种基于长短时记忆（LSTM）网络、卷积残差网络和注意力机制的融合模型。首先,利用一种基于编解码器的架构,通过在编解码器中加入LSTM网络来挖掘不同尺度的时间域特征;其次,构建基于注意力机制挤压激励（SE）模块的卷积残差网络嵌入到LSTM网络结构中,从而挖掘交通流量数据中的空间域特征;最后,将编码器中获得的隐状态下的信息输入到解码器中,实现高精度多步交通流量的预测。基于真实交通数据进行实验测试和分析,实验结果表明,相较于原始的基于图卷积的模型,所提模型在北京和纽约两个交通流量公开数据集上的均方根误差（RMSE）分别获得了1.622和0.08的下降。所提模型能够高效且精确地对交通流量作出预测。     

区块链环境下基于秘密共享的数字权限管理方案

针对数字权限保护中对内容加密密钥的安全保存和有效分发的需求,提出了一个区块链环境下基于秘密共享的数字权限保护方案。该方案主要包括系统初始化、内容加密、许可授权和内容解密4个协议。在该方案中,利用Pedersen可验证秘密共享方案和属性基加密（ABE）算法来实现内容加密密钥的保护和分发,将内容提供商从管理内容加密密钥的任务中解放出来,从而确保了密钥管理的安全性和灵活性。此外,基于区块链的数字权限保护方案具有信息公开透明、不可篡改等特点。安全性分析表明,该方案在区块链环境下是安全可行的;仿真实验结果表明,该方案能够以较低的开销实现数字内容的权限保护。     

基于张量距离算法预测空调系统的室内温度及供水温度

以维持室内温度舒适和提供运行策略、节约能源为目的,设计了张量距离模型用于挖掘不断增长的历史数据中的有效信息解决空调供暖问题.考虑到空调运维数据的时空特性及各参数的多维特性,将历史数据确定日类型、划分时间段、扩充室外温度后,构造历史温度特征张量,爬虫建筑物所在地的未来室外温度插值后按同样方法扩充数据为未来温度特征张量作为输入,衡量历史时间段与预测时间段中各输入参数的张量距离,找到最小值的索引及对应的纤维,逐小时输出预测时间段空调系统的室内温度及其供水温度.连续7日的预测数据表明:基于张量距离模型预测的室内温度与实际的温度差为0.46℃,比基于支持向量回归(SVR)模型预测的温度差(0.75℃)小,更接近实际温度;基于张量距离模型预测的供水温度与实际的温度差为2.08℃,可用作供水策略.     

小学生数学问题意识培养策略的研究

目前我国小学生的数学问题意识比较薄弱,因此将问题贯穿数学教育过程,让问题成为知识的纽带,培养学生的问题意识和解决问题能力,是我们数学教学成功的关键,本文从知识的积累、小学生的兴趣、实践活动、创设情境和生活实际几个方面出发,提出小学生数学问题意识的培养策略。     

基于创客教育视角下的技工院校技能型社团的创新活动实践与研究

随着职业教育的全面改革与升级,对技工院校学生的培育提出了新的要求,不仅需要学生具备良好的知识基础,还需要具有熟练的技能操作与创新能力,因此在教育教学中,创客教育理念成为重要的引导理论,通过促进学生多学科、多专业以及多元能力的融合,实现对学生创新思维与实践能力的培育目标。本文即以此为研究背景,探求技工院校技能型社团活动中开展创客教育的策略、流程以及作用。     

基于区块链的医疗信息共享平台设计研究

本文研究、设计并实现了基于OpenStack和公钥体制的医疗信息共享平台,基于云平台开发一个具有申请、签发、作废医疗、密钥管理的数字认证平台,对OpenStack进行架构设计,最后利用区块链技术实现去中心化,提高医疗信息共享平台的安全和可信度。     

融合自编码降维的改进DNN水利工控网入侵检测算法

为解决工控网异常入侵、水利泵站通信网安全防护的问题.论文提出一种基于深度神经网络的水利泵站工控网入侵数据的检测算法.首先针对泵站工控网内的数据进行预处理,通过自编码算法对数据进行特征提取、降维处理;利用深度神经网络模型结合受限玻尔兹曼机对各类数据进行训练,采用Adadelta算法进行网络模型的参数优化,并由Softmax分类器对工控网数据进行是否合法判别.实验数据集由底层设备实地采集到的水利泵站工控网内流动数据导入到本地数据库.实验结果表明:该方法的准确率对比深度神经网络未改进前的算法提高了3.76％,检测率提高了6.32％,漏报率降低0.5％,从而验证了论文方法的有效性.     

多目标规划模型在航迹规划中的应用

智能飞行器是由动力装置驱动,并在计算机系统自动引导进行的。航迹规划是实现飞行器智能导航并成功完成任务的技术保障。本文针对智能飞行器飞行过程中受到飞行器的最小转弯角限制以及定位误差的影响,提出了基于A*算法的多目标规划的数据模型以及寻求最优航迹规划路径的算法,并用两个校正点数据集进行了验证。结果显示,改进后的A*算法可以快速地规划出满足限制条件的最优路径。     

医学知识增强的肿瘤分期多任务学习模型

肿瘤分期是指从病人的电子病历文本中推测肿瘤对应阶段的过程。在电子病历数据中存在类别严重不均衡现象,因此使用深度学习方法进行肿瘤分期具有一定的挑战性。该文提出医学知识增强的多任务学习KEMT(knowledge enhanced multi-task) 模型,将肿瘤分期问题视作面向医疗电子病历的文本分类任务,同时引入医生在人工预测肿瘤分期时参考的医学属性,提出基于医学问题的机器阅读理解任务,对上述两种任务进行联合学习。我们与医疗机构合作构建了真实场景下的肿瘤分期的数据集,实验结果显示,KEMT模型可以将医学知识与神经网络结合起来,预测准确率高于传统的文本分类模型。在数据分布不均衡的条件下,在小样本类别上的准确率提升了4.2个百分点,同时模型也具有一定的解释性。     

外部信息引导和残差置乱的场景图生成方法

场景图因其具有的表示视觉场景内容的语义和组织结构的特点,有助于视觉理解和可解释推理,成为计算机视觉研究热点之一.但由于现存的视觉场景中目标和目标之间关系标注的不平衡,导致现有的场景图生成方法受到数据集偏置影响.对场景图数据失衡问题进行研究,提出一种基于外部信息引导和残差置乱相结合的场景图生成方法(EGRES),缓解数据集偏置对场景图生成的负面影响.该方法利用外部知识库中无偏置的常识性知识规范场景图的语义空间,缓解数据集中关系数据分布不平衡的问题,以提高场景图生成的泛化能力;利用残差置乱方式对视觉特征和提取的常识性知识进行融合,规范场景图生成网络.在VG数据集上的对比实验和消融实验证明,提出的方法可以有效改善场景图生成.对于数据集中不同标签的对比实验证明,提出的方法可以改善绝大多数关系类别的生成性能,尤其是中低频关系类别下的场景图生成性能,极大地改善了数据标注失衡的问题,比现有的场景图生成方法具有更好的生成效果.