面向睡眠健康的感知、计算和干预

睡眠是人的生命本能,不仅对个体的身心健康具有重要意义,还可以作为身体机能调节、恢复和增强的天然手段.统计显示,我国约有1/3人口存在睡眠障碍.日益增长的国民睡眠健康需求与落后的日常睡眠健康管理现状形成突出矛盾,迫切需要形成从睡眠结构转换机制到睡眠质量监测与干预的理论与方法.本文深入分析了近几年睡眠感知、智能睡眠计算和睡眠干预的最新研究进展,分别展望了这个闭环体系中3个阶段的关键科学与技术问题,并结合未来数年的可行性从原理机制和方法措施角度提出建议,以期促进以日常需求为导向的睡眠健康科学研究和技术开发,全面建立主动睡眠健康的新范式.     

一种基于局部平均法向变形的网格参数化方法

针对有边界无边界的网格参数化问题, 提出一种局部平均法向变形的网格参数化方法, 以平均曲率流的方式为参考, 将顶点推向其邻居的平均位置, 使网格变形至平面或球面. 首先, 计算每个三角形邻居面的平均法向, 并以该法向为目标, 计算每个面法向变化的旋转矩阵; 其次, 基于Poisson方程将整个网格重新“缝合”, 通过优化拉伸能量, 计算顶点的新坐标. 交替迭代上述两个步骤, 将网格变形至常平均曲率曲面. 该算法与一般的基于能量优化的方法不同, 每次迭代只需求解稀疏线性方程, 因此可以快速处理大型数据集. 通过在形变过程中加入惩罚函数动态地调整全局平均法向量的权重, 避免了变形过程中三角形退化或翻转的问题. 实验结果表明, 与其他参数化方法相比, 该方法具有实用可靠、 计算效率高等优点, 并能在同一框架下计算低扭曲的平面参数化和球面参数化.     

融媒体环境下的受众计算:途径与挑战

融媒体改革是传统媒体应对传媒经济平台化和传媒平台智能化浪潮的一项重要措施.传统机构在融媒体环境中利用数据驱动的计算传播学方法“重新”认识受众、量化传播效果,既是时代的必然,又是时代的需要.本文论述融媒体环境中受众计算的“为什么”和“怎么做”问题,将受众分析分解为三个纵向数据维度(文本、网络和时空数据)和两个横向方法维度(统计分析和机器学习).最后,我们着重讨论融媒体受众计算所面临的困难和挑战,并提出可能的解决方案.     

基于微电网的DV-hop改进算法

针对微电网监控系统中海量信息数据处理时,大量数据的传输可能会导致无线传感器网络崩溃与数据丢失等问题,提出了一种基于微电网的无线传感器网络的改进DV-hop算法。首先,将边缘计算技术应用于微电网,改进微电网监控系统结构;其次,在改进微电网监控系统基础上,将基于平均加权方法与跳数加权方法的DV-hop算法有机结合,得到新的改进算法,使得无线传感器节点定位误差缩小至0.60。仿真结果表明:基于平均加权方法与跳数加权方法提高了传感器节点定位精度。     

基于反应位移法的某地铁车站抗震性能研究

以沈阳某地铁车站为计算模型,考虑地层与车站结构间相互作用,按照反应位移法原理计算地层相对位移、结构周围剪力和结构惯性力.结果表明,车站层间位移满足规范限值要求,抗震组合为非控制工况,结构受力合理,对类似工程有一定参考意义.     

路基非饱和土动态回弹模量计算模型对比研究

作为路面结构设计的关键参数,对动态回弹模量的可靠计算一直是工程界不断探索的课题。本文收集并分析国内外已有关于路基土回弹模量的计算模型,根据自变量的不同属性,将计算模型归为两大类,第一类为将应力水平作为变量(I型),第二类是将表征湿度状态的基质吸力作为变量,这其中又分为两个子类,一是将基质吸力引入耦合到应力变量中(II1型)；二是将基质吸力剥离出来作为独立变量(II2型)。然后结合2种土样的循环动三轴试验数据,对3类计算模型的可靠性及适用性进行对比评价。结果表明：将基质吸力作为单独变量(II2型)的计算模型能更真实的反映非饱和路基土动态回弹模量的变化规律,拟合度较高。     

R型半胱氨酸体系电荷转移百分数的理论计算

采用密度泛函理论中的CAM-B3LYP方法, 在6-31G(d)基组水平上优化气相条件下R型半胱氨酸(R-Cys)分子的几何构型, 理论研究电子激发过程中R-Cys体系片段间的电荷转移特征, 并基于弛豫与非弛豫激发态密度计算片段间的电荷转移百分数. 结果表明: 对于SH片段, S0到S3的电荷转移百分数为57.96%； 对于COOH片段, S0到S1~S5各激发态的电荷转移百分数均为负值, 二者电荷转移的定性结果一致； 对于NH2片段, S0到S1和S4的电荷转移百分数分别为6.98%和31.45%.     

基于云雾结合的工件深度学习识别问题研究

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.