基于犹豫模糊决策算法的云制造系统选择研究

云制造系统的选择评价是云制造管理中的重要研究课题。针对复杂的云制造系统评价问题,构建了基于信息集成算子和一致性提升算法的犹豫模糊互补判断矩阵（HFCJM）决策模型。由于现有的犹豫模糊加权平均算子存在不能满足幂等性的不足,提出了一种改进的犹豫模糊加权平均（I-HFWA）算子,并验证其满足幂等性这一重要性质;研究了完全乘性一致HFCJM的构造方法,并引入一致性指数概念来衡量HFCJM的一致性水平;建立了基于犹豫模糊决策算法的云制造系统选择模型,并分析了决策模型在每次迭代过程中的信息损失量、一致性水平提高程度、计算复杂度以及模型的收敛性。采用案例进行验证分析。实验结果表明,相对于对比模型,犹豫模糊决策算法在可靠性和有效性上更优。     

改进AFSA算法优化TWSVM的火焰识别方法

为了快速有效地识别火灾火焰图像,提出了一种基于改进人工鱼群算法（IAFSA）的孪生支持向量机（TWSVM）的火焰识别方法。该方法根据RGB-YCbCr混合颜色空间模型中火焰像素的分布特点对火焰图像进行分割,并在此基础上提取火焰图像的相关特征;采用人工鱼群算法（AFSA）搜索TWSVM最优惩罚参数与核参数,并在AFSA算法中利用基于聚类的鱼群初始化方法来获得均匀的初始鱼群,同时采取自适应参数来调整人工鱼群的视觉范围和移动步长,另外在原有的三种行为的基础上提出了两种新的行为：跳跃行为和淘汰重生行为,提高了鱼群算法的寻优效率和求解精度;将提取的火焰各个特征量作为训练样本输入TWSVM模型进行训练;将待测试样本输入TWSVM模型进行分类识别。实验结果表明：相对于深度卷积神经网络VGGNet模型、Fast R-CNN算法、YOLO算法、传统支持向量机（SVM）、Grid-TWSVM、GA-TWSVM、PSO-TWSVM、FOA-TWSVM、GSO-TWSVM、AFSA-TWSVM,所提出的基于改进人工鱼群算法的孪生支持向量机的方法有效地提高了火焰识别准确率和实时性,解决了TWSVM在火焰识别时参数选择困难、常用参数寻优算法寻优时间长等问题。     

三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警

自2019年12月底中国武汉爆发新型冠状病毒性肺炎（Corona Virus Disease 2019,COVID-19）以来,我国经济社会遭受巨大危害,利用网络数据预警疫情发展趋势可以有效降低其社会危害。而采用机器学习算法构建预警模型时,参数选取是其中重要内容,与最终构建模型的精度密切相关,探讨多种新型智能优化算法在百度搜索指数COVID-19预警模型中的应用效果,可为新型智能优化算法的推广应用提供一定的理论依据和分析策略。对比多元宇宙算法（Multi-Verse Optimizer,MVO）、黏菌算法（Slime Mould Algorithm,SMA）及平衡算法（Equilibrium Optimizer,EO）三种新型智能优化算法,在最小二乘支持向量机（Least Squares Support Veotor Machine,LSSVM）百度搜索指数疫情预警模型中的应用效果。优化算法寻优过程,SMA算法收敛性较差,全局搜索能力弱于MVO和EO算法,而EO算法运算效率相对较低,MVO算法的运算效率高,收敛性也较强,最终构建预警模型优势明显（测试集的MSE为17.77,MAE为38.38,RMSE为129.35,R2为0.87）。三种智能优化算法皆可提升LSSVM预警模型的预测性能,而MVO优化算法的综合运算效能最好,最终构建的MVO-LSSVM预警模型可为后续疫情常态化防控阶段的防疫行为预判提供一定参考。     

基于X线的成人OSA计算机辅助诊断综述

阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea,OSA）是成年人较为常见的呼吸类疾病之一,该疾病的特点是睡眠过程中频繁出现上气道完全或部分塌陷,严重影响人们的睡眠质量以及身体健康。阻塞性睡眠呼吸暂停综合征的诊断主要依靠多导睡眠监测,但这种方法无法满足目前大量的诊断需求。随着人工智能的出现及发展,假设深度学习可以有效地协助医生进行诊断该综合征。主要从阻塞性睡眠呼吸暂停的临床诊断方式出发,介绍了颅面侧位片作为诊断数据集的优势,以及人工智能诊断OSA的现状,提出了人工智能辅助医师诊断OSA的技术路线,分析了目前该诊断系统仍然存在的问题和挑战。     

基于深度学习的网络流量预测研究综述

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。     

环状扫描的强深度森林

深度森林（Deep Forest,DF）,由于此模型超参数少,且参数设置没有过多的要求,训练方便,鲁棒性高,因此在处理大型数据时比神经网络算法更加具有优势。但是,传统的深度森林中,多粒度扫描忽略了边缘数据携带的隐含信息,无法充分地获得各个特征子集,进而会对以后的级联部分产生影响。而且,级联部分每次得到的新特征有限,影响了模型的表征学习能力。针对以上问题,提出一种环状强深度森林（Circular Strong Deep Forest,CSDF）,其通过环状扫描过程,一定程度上得到更充分的特征子集,且强级联森林通过特征选择提高了模型的表征学习能力。经过在不同数据集上的测试,结果表明,CSDF的性能更加优越,尤其是高维数据上更为明显。     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。     

面向领域建模的信息系统构件识别方法研究

近年来企业的业务操作和流程日趋复杂化,信息系统（IS）却无法快速适应外部业务流程发生的巨大变化,提高软件复用效率是解决该难题的关键。作为软件复用的关键技术,构件识别一直是基于构件的信息系统开发方法（CBSD）的研究热点与难点。结合实际情况及相关理论与技术基础提出了完整的面向领域建模的信息系统构件识别方法,该方法具体包括基于模糊形式概念分析（FFCA）的信息系统构件识别模型以及基于图熵的业务构件识别有效性检验过程。通过该构件识别方法,识别出行业通用的符合高内聚、低耦合以及粒度适宜特征的业务构件,可以迅速应对外部需求变化引起的软件内部业务逻辑发生的改变。以A公司物资管理流程为例,验证了所提出的信息系统构建识别方法。     

面向临床科研的医疗事件模型与开放数据集合构建

基于电子病历观察性数据的真实世界研究成为目前临床科研的热点。然而关系数据模型无法直接支撑起科研应用中医疗事件的时序关系表示以及知识融合的查询需求。针对上述问题,该文提出了一种新的基于RDF的医疗观察性数据表示模型,该模型可以清晰地表示临床检查、诊断、治疗等多种事件类型以及事件的时序关系。对来源于医院的电子病历数据,经过数据预处理、数据模式转换、时序关系构建以及知识融合4个步骤建立事件图谱。具体地,使用三家上海三甲医院的电子病历数据,构建了包括3个专科、173 395个医疗事件以及501 335个事件时序关系的医疗数据集,并融合了5 313个中文医疗知识库概念。基于临床文献与医生科研需求,该文根据公共卫生流行病学的病因研究、治疗研究等类型,分别提供了针对本数据集的40个问题示例,并将其中的部分问题与传统关系数据库在查询的构建与执行方面进行了实验比对,论证了该事件图谱的优越性。该数据集遵循开放链接标准,在OpenKG上发布并提供了在线访问的SPARQL站点,链接为 https://peg.ecustnlplab.com/dataset.html。     

基于三维点云深度学习的路面异物检测

针对采机场跑道异物FOD(ForeignObjectDebris)检测问题,本文设计了一套基于智能车载3D相机采集路面信息并进行异物检测的系统.此系统通过深度图像的深度量化值分布差异初步筛除正常路面,再经过点云异常值过滤与不均匀降样算法对参数进行纠正和数据量缩减,精简后的点云通过对路面数据适应性改进的网络进行异物检测.此网络采用PointCNN网络中的X卷积通过4次卷积提取点云数据进行空间特征,尽可能的保留了异物目标的空间信息,提高检测准确度.通过对采集的数据进行测试实验,本文设计的方法能够准确地识别出异物与非平整路面,准确率接近90％.