基于MPI的ML-kNN算法并行

基于MPI将ML-kNN算法并行化,以解决多标签学习领域中的大规模分类问题,控制计算的时间开销,这也是首次将MPI应用到多标签学习领域.通过与传统的串行ML-kNN的对比实验,验证了所提方法的可行性和有效性.另外,允许数据集以特征为单位划分,这使得该方法在处理高维数据时具有更大的优势.     

湖南区域科技投入产出效率及政策优化路径

以2010～2016年湖南14个市(州)科技投入产出的面板数据为研究样本,运用三阶段DEA模型对湖南区域科技投入产出效率展开研究.研究结果表明:剔除环境因素和随机干扰项后,湖南整体科技投入产出效率较高,地区间效率差异较为明显,长沙科技投入产出效率始终走在省内最前列,张家界在提高科技投入产出效率方面显得最为乏力,科技管理水平是影响效率的主要因素,加大财政科技支出有利于提高科技投入产出效率.据此提出完善科技人才培养体系、制定差别化科技政策、优化资源配置结构等政策优化建议.     

青少年偏差行为及其预防措施

青少年偏差行为是当代社会一个较为严重的社会问题。本文运用社会学的有关理论，从家庭、学校、同伴群体和社区等因素分析了青少年偏差行为产生的原因，并对预防青少年偏差行为提出了相应的对策。     

西藏农村水环境恶化成因及治理对策

随着西藏经济建设的深入推进,西藏农村也得到了前所未有的发展,然而经济建设是把双刃剑,经济发展的同时伴随的是对生态的破坏。据调查研究和数据表明,西藏的农村水环境已开始慢慢变坏且有恶化的趋势,西藏的农村水环境污染防治正日益受到有关部门的关注。针对西藏农村社会经济发展水平相对较低,公共基础设施建设相对落后,农民收入相对较低,国家尚无法投入大量资金用于农村环保工作的现实情况,认清西藏农村水环境污染的成因,并采取当地实际的治理措施,对于维护当地居民身体健康和环境质量要求以及资源循环利用要求,维护国家生态源头的安全具有重要意义。     

递归的稳健LCMV波束形成算法

提出了一种针对指向误差、阵元位置误差或阵元相位误差的递归的稳健波束形成方法。该方法基于导向矢量展开算法,在采用线性约束LMS算法递归搜索最优权矢量的同时,搜索真实的期望信号导向矢量。导向矢量的计算采用基于梯度搜索的最优化算法。该方法避免了常规LCMV算法的矩阵求逆运算,所需运算量小。对存在几种特定误差情况的计算机仿真结果表明,该方法稳态性能优越,对期望信号导向矢量的误差具有很好的稳健性。     

基于浅层空间特征融合与自适应通道筛选的目标检测方法

为解决加深主干网络造成的检测速度下降问题,提出了一种基于特征融合与通道筛选的目标检测方法.首先,该方法合理地复用了每个下采样阶段内的子空间信息,在每个下采样阶段,利用所设计的8倍、4倍、2倍下采样模块进行特征融合.然后,将融合后的特征图谱进行自适应通道筛选后组装到SSD的网络中,强化全局信息在目标检测模型中的作用.最后,设计了基于余弦距离的分类损失函数,使目标分类的准确度更高.以VGG网络为主干网络,参照SSD目标检测网络,加入了提出的下采样特征融合模块、自适应通道筛选模块以及改进的损失函数,进行了多组对比试验.结果表明,当网络的图像输入尺寸为512×512时,该方法在Pascal VOC 2007与Pascal VOC 2012数据集上对于目标检测的平均精度均值达到了82.2％,优于所对比的单级目标检测模型.该方法在保证实时检测速度的条件下,达到与拥有较深主干网络的检测模型同级别的性能.     

高负荷间歇运动对自发性伸指肌腱断裂的修复性能研究

研究高负荷间歇运动对自发性伸指肌腱断裂的修复性能,将某医院患有自发性伸指肌腱断裂的78位患者作为研究对象,随机将其划分成高负荷间歇运动组和对照组,对照组在实验期间不进行任何运动,高负荷间歇运动组在功率自行车上进行高负荷间歇运动。长期进行高负荷间歇运动后,运动组的IGF-1mRNA表达与对照组相比差异具有显著性,运动组自发性伸指肌腱断裂患者指关节活动评定结果明显优于未进行高负荷间歇运动的患者,且握力明显增加。说明高负荷间歇运动能够提高自发性伸指肌腱断裂患者肌力与手部的整体功能,能够提高自发性伸指肌腱断裂患者的修复性能。     

体育审美能力

现代体育事业飞速发展,各种各样体育赛事的火爆进行.所以,迫切需要提高人们的体育审美意识来推动体育赛事和体育事业的向前发展.让人们从观看比赛中体会体育所产生的美.     

特征增强U形网络的图像语义分割

复杂场景语义分割任务是对场景图像逐像素进行分类并标记.图像中目标种类多,尺度多样的特点给分割任务增加了难度,提出了特征增强U形卷积神经网络(feature enhanced U shape networks,FEUNet)是一种改进的编码器加解码器的结构,编码阶段引入局部特征增强模块(local feature enhanced,LFE)提取局部感知特征来改善非显著目标的分割效果;考虑到神经网络深层和浅层之间特征表达的差异,在解码阶段利用全局池化方法(global pooling)设计全局特征增强模块(global feature enhanced,GFE),实现选择性地从深层特征图提取上下文信息作为对浅层特征图的指导,改善深层和浅层特征图的融合,保证同类像素预测的一致性.采用CamVid和Cityscapes数据集进行试验,模型mIOU测评值分别达到64.5％和73.2％,对比其他主流语义分割算法,该方法在分割性能和模型体积上具有一定竞争力.     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。