基于DLENN模型的沈阳地区PM2.5浓度预测

受到重工业发展规模、北温带季风气候、秋冬季燃煤取暖、机动车拥堵状况以及微观气象条件等各种因素影响,沈阳地区PM2.5浓度变化具有趋势性、周期性及随机性特征。针对上述三种特征,论文构建了一种集成双向长短期记忆网络的神经网络预测模型DLENN(Double-LSTM Ensemble Neural Network),内含的两个方向LSTM分别刻画PM2.5浓度变化趋势性和周期性,然后采用线性回归杂合神经网络来捕捉PM2.5浓度变化的随机性。基于沈阳地区11个监测站2016至2017年空气质量和气象条件数据,本文将DLENN模型分别与自回归移动平均ARIMA模型、支持向量机SVM模型、随机森林RF模型和梯度提升树GBDT集成学习方法进行对比实验,结果表明DLENN预测模型稳定优于其他方法,其预测误差RMSE相对于ARIMA、SVM和集成模型分别下降了9.23%、3.83%、5.49%.     

板蓝根多糖对缺乳仔鼠十二指肠形态学的影响

为研究板蓝根多糖对缺乳仔鼠肠道形态的影响,将刚出生的仔鼠,根据不同处理方法分为4组:对照组不做处理,正常饲养;其余3组每天分别灌注0.9%生理盐水、20 mg/kg板蓝根多糖、40 mg/kg板蓝根多糖.在仔鼠0、7、14、21、28日龄时分别取样.通过大体解剖技术、常规石蜡切片、HE染色等方法,经Moticom成像系统测量不同组别仔鼠十二指肠的绒毛长度和隐窝深度,计算V/C值.结果显示:0～21日龄仔鼠使用中浓度板蓝根多糖灌胃可以使其十二指肠绒毛长度显著性增长,隐窝深度降低,V/C值增大;21～28日龄仔鼠高浓度板蓝根多糖灌胃可使其十二指肠绒毛长度显著性增长,隐窝深度降低,V/C值增大;对照组和0.9%生理盐水灌胃组十二指肠的绒毛长度和隐窝深度变化不大,V/C值亦无明显增大.可得结语,板蓝根多糖可以促进缺初乳仔鼠小肠形态发育,使其十二指肠绒毛长度显著性增长,隐窝深度降低,V/C值增大,且板蓝根多糖对缺初乳仔鼠小肠形态发育的促进作用随其日龄增加而增加.     

基于大数据分析的列车轮对故障诊断方法

随着我国列车行驶速度的不断提高,列车的行车安全逐渐得到了人们的重视,海量列车轮对监测数据为分析列车运行状态提供了条件.为了提高列车轮对故障诊断效率和准确性,文章提出一种基于大数据分析的列车轮对故障诊断方法,针对传统列车轮对故障诊断方法在处理大规模监测数据集时存在处理时间长,故障结果不准确等问题.首先设计一个监测数据融合框架,然后将多故障诊断循环神经网络算法与大数据MapReduce分布式计算框架相结合,利用循环神经网络算法特征提取能力和MapReduce快速计算能力.这样不但能够发挥循环神经网络故障特征提取能力,还能够满足列车轮对故障诊断精确性和实时性的需求,最后通过实例分析,证明了该方法的有效性.     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。     

基于改进卷积神经网络的短文本分类模型

基于卷积神经网络, 提出一种基于改进卷积神经网络的短文本分类模型. 首先, 采用不同编码方式将短文本映射到不同空间下的分布式表示, 提取不同粒度的数字特征作为短文本分类模型的多通道输入, 并根据标准知识库提取概念特征作为先验知识, 提高短文本的语义表征能力； 其次, 在全连接层增加自编码学习策略, 在近似恒等的基础上进一步组合数字特征, 模拟数据内部的关联性； 最后, 利用相对熵原理为模型增加稀疏性限制, 降低模型复杂度的同时提高模型的泛化能力. 通过对开源数据集进行短文本分类实验, 验证了模型的有效性.     

低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上，提出了一种适用于图形处理器性能受限情况下，卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks，GAN)．利用视觉几何组（visual geometry group，VGG）网络提取图片先验信息，实现学习过程的加速；裁剪cartoonGAN模型，在保证效果的基础上，使得低性能计算条件下的网络收敛成为可能；设计合理的损失函数，保证整体风格化效果．基于tensorflow 2.0构建试验平台，通过对试验结果分析可发现，该方法的迁移效果好，稳定性强，且收敛时间短．对算法的参数和初始化方法给出了相关讨论，并提出了进一步的解决方案．      

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。