基于多通道的ICU脑血管疾病死亡风险预测模型

死亡风险预测指根据病人临床体征监测数据来预测未来一段时间的死亡风险。对于ICU病患，通过死亡风险预测可以有针对性地对病人做出临床诊断，以及合理安排有限的医疗资源。基于临床使用的MEWS和Glasgow昏迷评分量表，针对ICU病人临床监测的17项生理参数，提出一种基于多通道的ICU脑血管疾病死亡风险预测模型。引入多通道概念应用于BiLSTM模型，用于突出每个生理参数对死亡风险预测的作用。采用Attention机制用于提高模型预测精度。实验数据来自MIMIC [Ⅲ]数据库，从中提取3?080位脑血管疾病患者的16?260条记录用于此次研究，除了六组超参数实验之外，将所提模型与LSTM、Multichannel-BiLSTM、逻辑回归（logistic regression）和支持向量机（support vector machine, SVM）四种模型进行了对比分析，准确率Accuracy、灵敏度Sensitive、特异性Specificity、AUC-ROC和AUC-PRC作为评价指标，实验结果表明，所提模型性能优于其他模型，AUC值达到94.3%。     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

IDC客户细分与行业级需求解码

随着近几年全国IDC的大规模建设,可以预见未来IDC的市场供给量较以往将大大提高,各数据中心如何有效面向合适的客户群,将是投资建设方与IDC运营商日趋关注的问题,针对IDC客户的细分与需求解码将成为IDC建设运营的重要决策支撑。     

总变差模型在书画打印宣纸印刷质量预测中的应用

为了建立适用于书画打印宣纸印刷质量的预测模型,本研究测量了14种书画打印宣纸的粗糙度、白度、不透明度、定量、光泽度和针对宣纸特别设定的帘纹深浅以及帘纹疏密度等表面物理参量,并在相同条件下,使用喷墨打印设备输出并测量印品色度值,利用总变差模型构建去除帘纹色差的测定方法,得到与人眼视觉特征相符的色差。运用GRNN广义回归神经网络结合书画打印宣纸表面物理参量与宣纸去帘纹后的色差值,建立预测模型。结果表明,该模型能够在仅测量书画打印宣纸表面物理参量的情况下,便能较为准确地预测书画打印宣纸印刷质量,为书画打印宣纸印刷前的选纸工作提供指导依据。     

连续重整催化剂严重氮中毒和活性恢复案例分析

以某公司重整装置2014年2月因水、氮超标导致催化剂氮中毒和后续活性恢复为例,分析连续重整反再系统出现高水、高氮、低氯的环境后,催化剂发生严重氮中毒时装置的工艺表现以及处理方案。结果表明:由于加工福蒂斯等高氮原油比例过高,造成重整原料油氮含量升高,装置负荷优化调整大而注氯量偏低,同时重整再生空气干燥器干燥效果下降等原因,共同造成催化剂氮中毒,活性大幅降低,出现反应温降降低、产氢降量、生成油芳烃产率大幅下降。通过调整加工原油比例,优化原料预加氢操作、降低重整加工负荷和反应苛刻度、更换空气干燥剂等一系列措施,减少系统中氮和水等毒物的携带量,并提高重整再生注氯量等措施,使重整催化剂氮中毒得以有效控制并逐渐恢复活性。     

基于启发式BP算法的软件缺陷预测模型

针对软件缺陷预测时缺陷数据集中存在的类别分布不平衡问题，结合上采样算法SMOTE与Edited Nearest Neighbor (ENN) 数据清洗策略，提出了一种基于启发式BP神经网络算法的软件缺陷预测模型。模型中采用上采样算法SMOTE增加少数类样本以改善项目中的数据不平衡状况，并针对采样后数据噪声问题进行ENN数据清洗，结合基于启发式学习的模拟退火算法改进四层BP神经网络后建立分类预测模型，在AEEEM数据库上使用交叉验证对提出的方案进行性能评估，结果表明所提出的算法能够有效提高模型在预测类不平衡数据时的分类准确度。     

GF加工方案台湾应用技术中心盛大开幕

<正>2015年1月14日,GF加工方案位于台湾省台中市的应用技术中心盛大开幕,这也是GF加工方案设在台湾的第一个应用技术中心。在台湾设立应用技术中心将更好地服务于台湾客户,印证了我们"客户至上"的核心价值观,为今后业务的可持续发展打下更坚实的基础。开幕典礼现场隆重而热烈,包括台湾精密机械发展协会理事长、庆鸿机电工业王武雄董事长、捷普绿点李     

电信运营商对大数据的应用

在现代社会,计算机、平板电脑、手机等终端设备几乎成了人们生活中不可或缺的一部分。无处不在的移动设备、RFID、无线传感器等每分每秒都在产生数据,数以亿计的互联网服务时时刻刻都在产生巨量的交互。据IBM最新研究报告显示,全球每天都要产生超过2.5 quintillion字节的数据。这些数据犹如一座金矿,各行业都想如何能够能好地利用它为自己创造最大的经济收益,电信行业也不例外。本文主要从电信运营商在大数据时代具有的先天优势出发,讨论国内外电信运营商对大数据方面的应用。