基于超网络的舆论演化动态模型

针对舆论演化过程中的复杂动力学问题,提出了超网络视觉下的舆论演化动态模型,该模型包括节点的添加、重新连接链路、超边的添加以及节点的老化4个过程,其中节点代表关键词,超边代表关键词所构成的话题。其次,利用非均匀网络的演化机制,分别对该动态演化模型的超度、节点自身关注度与节点间影响力两个因素的超度进行了详细的理论分析,分析结果表明节点超度完全符合幂律分布。最后,通过Matlab仿真模拟,分析了不同参数对节点超度分布变化的影响,并进一步验证了结果是遵循幂律分布的。     

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。     

基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

SPE前处理-UHPLC-MS/MS测定MBR中两种 N-酰基高丝氨酸内酯

选用N-己基高丝氨酸内酯(C6-HSL)和N-辛基高丝氨酸内酯(C8-HSL)两种酰基高丝氨酸内酯类(AHLs)为代表物,建立了固相萃取(SPE)-超高效液相色谱串联三重四级杆质谱(UHPLC-MS/MS)分析膜生物反应器(MBR)活性污泥中AHLs的方法.研究结果表明C6-HSL和C8-HSL在1～200μg/L内有良好的线性关系(R2 0.998),方法的检出限为0.100μg/L,定量限为1.000μg/L,在3个浓度水平下的平均加标回收率为80.69%～83.75%,相对标准偏差(RSD)为4.71%～7.25%.方法精确度高、重复性好、基质效应弱,适用于MBR活性污泥中痕量AHLs的测定.     

核壳结构锰掺杂ZIF67纳米复合材料的溶剂热法合成及其超电容特性研究

利用溶剂热法可控制备出了具有核壳结构的锰掺杂ZIF67纳米复合材料(Mn-ZIF67),通过扫描电子显微镜(FESEM)和透射电子显微镜(TEM)研究了其微观形貌和元素组成,利用X射线衍射(XRD)、傅里叶红外光谱(FT-IR)、X射线光电子能谱(XPS)分析了样品的物相组成以及元素价态.电化学测试结果表明Mn-ZIF67拥有优异的超电容特性和循环稳定性,在1A·g~(-1)的电流密度下的比电容可达257F·g~(-1),是ZIF67比电容的十几倍,并且在10000圈的充放电后仍保持着95.3%的比容量.卓越的电化学性能归因于二维的片状结构可以缩短离子的传输路径,并且提供了更多的活性位点,有利于电荷的快速转移.     

增强与治疗之间——人类增强技术的应用困境

毋庸置疑,有两项技术将会主导21世纪的发展,决定人类未来的走向。一项是人工智能,另一项当属新兴的NBIC增强技术。如基因编辑技术和神经增强技术越来越多地应用到实践之中,很多学者已经注意到了这个趋势,他们深入探讨了各类增强技术及其伦理风险。但他们忽略了一个基础性议题,即如何区分增强和治疗的界限。目前各种划界尝试均有缺陷,主要源于"正常"标准的流变性和文化相对性的影响。人类增强技术可能会引发不可控的风险,破坏个人同一性,甚至会成为通向超人类主义和后人类主义的门户,消解生而为人之意义。     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

基于形态结构特征的对流单体自动分割方法研究

风暴单体是形成各类强对流灾害天气的基本单元,它们的雷达回波形状复杂、内部分布不一、外层相互交织,从而造成单体分割困难.提出了一种基于形态结构特征的对流单体自动迭代分割方法.以雷达图片中区域树结构单体分割结果为初始输入,在每次迭代分割过程中,首先计算各个分割结果的3个形态结构特征,然后通过一个预先训练的支持向量机(Support Vector Machine,SVM)分类器判断分割结果是否为对流单体,对非单体的分割结果进行再次分割.通过3种不同类型的风暴案例进行测试,结果表明,本文方法能够有效地识别出聚集的单体和处于分裂/合并状态的单体,并且能够获得单体的完整结构.在定量评估测试中,本文算法获得了0.84的临界成功指数评分,高于传统的风暴单体识别与跟踪算法(Storm Cell Identification and Tracking,SCIT)方法(0.55)和单阈值方法(0.49).     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰，点云密度不均匀，场景复杂多样以及物体之间存在遮挡现象等问题，使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题，提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数，利用核密度估计学习一个密度函数，对非均匀采样的点云数据进行卷积操作。同时，受深度学习在图像领域的启发，引入残差连接、空洞卷积等结构，训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。