基于BERT的临床术语标准化

电子病历中的临床术语描述形式具有多样性和不规范性,阻碍了医疗数据的分析和利用,因此对临床术语标准化的研究具有重要的现实意义。当前国内医疗机构临床术语标准化主要由人工完成,效率低,成本高。该文提出了一种基于BERT的临床术语标准化方法。该方法使用Jaccard相似度算法从标准术语集中挑选出候选词,基于BERT模型对原始词和候选词进行匹配得到标准化的结果。在CHIP2019临床术语标准化评测任务的数据集上准确率为90.04%。实验结果表明,该方法对于临床术语标准化任务是有效的。     

通信距离约束下异构水下爬游机器人任务分配

为了保证执行任务的水下爬游机器人之间时刻保持信息交互,提出了一种带通信距离约束的异构水下爬游机器人集群任务分配方法;首先,建立了异构水下爬游机器人集群的任务分配数学模型;其次,分析了多水下爬游机器人通信距离、航程等约束条件;最后,采用蚁群优化算法对异构水下爬游机器人集群的任务分配问题进行求解,在满足约束条件情况下实现了多爬游机器人总航行距离最短;仿真验证了该方法在通信距离约束下实现多水下爬游机器人任务分配的有效性.     

基于LSTM算法的门座式起重机减速箱故障诊断研究

为实现门座式起重机减速箱机械故障的智能诊断和分类,运用长短期记忆网络构建了门座式起重机减速箱机械故障的自动诊断分类模型;首先设计并使用了基于labview的数据采集系统对门座式起重机的复合故障数据进行了采集,结合东南大学公开的齿轮箱故障数据建立了数据集;然后用数据增强的方法对数据进行预处理,接着采用长短期记忆神经网络,构建门座式起重机减速箱机械故障诊断模型;最后使用测试数据集对模型的诊断分类准确性进行了验证实验,结果表明该诊断模型能快速准确的对门座式起重机减速箱的机械故障进行自动诊断和分类,实现了96.8％的诊断分类准确率,与传统的基于CNN的诊断分类模型相比,准确率提高了4.1％,为下一步便携式智能诊断仪器的开发和应用奠定了一定的理论基础.     

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.