ATSP:时态网络可视化的自适应时间片划分方法

现有的时态网络可视化方法大多采用等量时间片来可视化网络的演变，不利于时态模式的快速挖掘和发现。为此，根据时态网络固有的特征提出自适应时间片划分方法（Adaptive Time Slice Partition method，ATSP）。在时态网络的两种表示方式（基于事件的表示方式和基于快照的表示方式）的基础上，构建了ATSP的基础模型，同时提出了一种改进模型用来描述事件间隔时间服从长尾分布的时态网络。为了实现时间片的不等量划分，针对探索任务的不同提出了基于时态模式的ATSP规则和基于中心节点的ATSP规则，并提出了实现算法--层次划分算法（Hierarchical Partition algorithm，HP）和增量划分算法（Incremental Partition algorithm，IP）。实验结果表明，ATSP方法比传统的时间片划分方法更能准确地表示网络的时态特征，且该方法应用于可视化时，能有效归纳并展示网络的特征，明显提高了视觉分析的效率。     

地震时程分析法在渤海强震区平台应用效益探讨

以渤海油田某平台为研究背景,介绍了非线性地震时程分析法在国内平台首次应用方法和经济效益情况。与反应谱法相比,地震时程分析法在基本原理及应用上具有优势。依托该技术对渤海油田某平台进行了实例分析,并将分析结果与采用反应谱法进行了对比,最后得出了在渤海海域强震区使用非线性地震时程分析法,能够大大降低平台的钢材使用量,降低投资成本的结论。     

基于文本信息处理的深度网络推荐技术研究

网络信息时代,在使用系统的时候,首先应该要避免信息过载所导致的问题.然而这一问题目前已经在网络信息技术中起到了重要的作用.根据传统的模式进行推算,目前互联网想要构建模式,首先应该设计其模型训练,另外其数据不能过于单一,而信息量也不够充足,所以导致目前所出现的推荐效果并不是很好.所以文章中有很多辅助信息能够添加到模型中而获得额外的数据输入,对于文章所推荐的方式,有些用户往往忽视所具备的多样性,主要是由于用户的喜好会随着项目的改变而发生变化.     

基于WSN的农业大棚智能环境监控系统研究

文章研究了基于WSN的农业大棚环境监控系统,分别从环境监控系统的硬件设计、软件设计以及系统优化几个方面进行了分析和研究。以保定地区草莓种植基地作为测试环境,对本系统进行了为期3个月的测试。实验结果表明,本系统能够实时、准确地采集环境信息。     

基于SCAE⁃ACGAN的直升机行星齿轮裂纹故障诊断

直升机行星传动轮系结构复杂、工况多变,其振动信号受工况影响大,在故障样本较少的情况下导致行星齿轮箱故障诊断准确率不高,早期故障诊断困难。针对上述问题,提出将堆栈收缩自动编码网络(stacked contractive autoencoder,简称SCAE)与辅助分类生成式对抗网络(auxiliary classifier generative adversarial networks,简称ACGAN)相结合的SCAE-ACGAN故障诊断方法。ACGAN的生成器产生与真实样本具有类似分布的生成样本,扩展训练样本集,并与真实样本一起输入至判别器进行训练。ACGAN采用SCAE作为判别器,利用SCAE良好的抗数据波动能力,从扩展样本集中挖掘出有效的深度特征,并实现样本的真伪与类别的判定。ACGAN的判别器和生成器在对抗学习训练机制下交替优化,提高方法的样本生成质量与故障判定能力。将SCAE-ACGAN应用于直升机行星轮裂纹故障诊断,结果表明,SCAE-ACGAN的故障诊断性能好,在样本数量少与工况变化情况下具有较好的健壮性和适应性。     

基于复杂网络的合成致死预测方法研究综述

合成致死(Synthetic Lethality,SL)是一种负遗传相互作用,描述的是两个非必要基因之间的相互关系:其中任何一个基因的突变对细胞存活的影响很小,但两个基因的共同突变会导致细胞死亡或其他有碍细胞存活的表型.SL对于解释复杂生物过程、推动癌症的临床诊治有着重要的意义.因此,利用海量的高通量数据,通过构建数据分析模型和计算方法,从计算的角度进行SL对的挖掘和预测,是计算生物学研究的一个重要方向.本文首先对于SL预测所使用的相关数据进行了详细的综述,然后从生物网络这一全新视角出发,重点讨论了基于网络分析的SL预测方法.从网络上的统计学方法、基于网络结构变化的方法、基于网络特征学习的方法、基于图表示学习的方法四个方面综述了相关预测模型和研究的最新进展,详细地比较了各类方法的算法思路、应用场景和优缺点,最后针对SL预测的结果评估和验证方法的研究进展进行了论述.在此基础上,论文进一步总结出SL预测研究中所面临的几项挑战,并针对性的对未来发展方向进行展望,希望为今后的相关研究提供一些有用的参考和思路.     

基于智能手机用户行为习惯的App使用预测算法研究

互联网的发展不仅推动了智能手机的普及,而且涌现了大量的手机App。大量被安装在手机中的应用程序不仅增加了用户寻找App的时间和难度,而且占用了手机大量的内存空间,致使手机卡顿,严重影响了用户体验。利用智能手机用户使用App的行为习惯特征,预测用户将要使用的App,并将其应用到智能手机中用以预加载App和智能清理手机内存是解决上述问题的方法之一。在深入了解PrefixSpan算法和Bayesian网络算法的前提下,考虑智能手机用户对每个App的喜爱程度,将其加入到PrefixSpan算法的剪枝步骤中;采用贝叶斯网络算法整合智能手机用户的App使用记录和App使用时长等特征,提出一套新的预测用户下一个将要使用的App的算法——WAPA(Weighted App Prediction Algorithm)。实验证明,该算法预测准确率最高可达86.3%,较其他算法可提高大约4%。