卷积神经网络发展

卷积神经网络作为深度学习的重要代表算法之一,被应用到人脸识别、行为识别、字符识别和图像处理等多个领域,推动着人工智能的快速发展.本文在分析整理大量文献后,总结了卷积神经网络的发展阶段,介绍了卷积神经网络的基本结构和关键技术,选取LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等几种具有代表性的网络进行分析对比,并指出各个网络的应用场景和优缺点,最后提出卷积神经网络未来的研究发展方向.     

城市治理数字化 “一网统管”智能处置道路积水

为了优化道路积水信息监测、强化监管联动部门协同、提高积水事件响应速度、提升积水应急处置效率,上海水务部门通过道路积水处置预报预警、感知发现、报警联动、抢险处置、反馈解除五大环节闭环管理,创新道路积水处置智能化应用,大大提升了防汛排水效率,为探索超大型城市数字化治理新模式起到了示范作用。     

埋入式传感器与沥青混合料的交互影响研究

为研究埋入式应变传感器与沥青混合料的交互影响,利用ABAQUS有限元软件,建立了在四点弯曲加载条件下埋入应变传感器的梁试件有限元模型,分析了荷载大小、传感器测力杆长度和传感器封装材料模量等因素对沥青混凝土梁试件及传感器的力学响应与应力集中的影响.研究结果表明:传感器埋入沥青混合料梁试件后,在梁试件上与传感器法兰相接触的沥青混合料发生了应力集中的现象,但应力集中系数较小,最大值仅为2.95.传感器的测力杆也发生了应力集中现象,其应力集中系数最大值为26.83,远高于梁试件的应力集中系数.     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

基于正弦注意力表征网络的环境声音识别

将正弦注意力表征网络引入环境声音识别，首先提取梅尔频率倒谱系数（Melfrequency cepstral coefficient，MFCC）作为音频识别特征，使用门控循环单元提取MFCC每一帧的特征，根据正弦函数激活每一帧音频得分，并依照每一帧的音频得分为音频重新分配权重，从而将注意力集中在音频重点区域。最后结合全连接层和Softmax分类器对环境声音类别进行判别。实验在公开数据集Urban Sound 8K上验证并与其他模型对比，结果表明所提出模型效果最好，在数据集上的识别率高达93.5%。     

基于网络药理学研究槐花丸治疗结肠炎机制

通过网络药理学的方法对槐花丸治疗结肠炎的作用机制进行探索和研究.通过TCMSP和ETCM数据库找到槐花丸的主要成分,通过Swiss Target Prediction对成分靶点进行预测;使用OMIM、GeneCards、TTD Database和MalaCards数据库以"colitis"为关键词进行检索,获得结肠炎相关的疾病靶点;将疾病靶点与主要成分靶点进行交集得出药物作用成分;使用Cytoscape软件绘制出药物的主要作用成分-靶点相互关系网络图;使用STRING平台导出药物的蛋白与蛋白相互作用(PPI)网络图.应用DAVID数据库对核心靶点进行GO分析及KEGG相关通路分析,并对KEGG信号通路进行可视化.得到槐花丸共有54个主要作用成分,其中26个成分活性较好,可能作用于STAT3、TP53、MAPK3、AKT1、TNF、VEGFA等关键靶点,参与91条信号通路.通过绘制药物成分-疾病靶点网络、药物蛋白与蛋白相互作用网络等多条途径,对槐花丸治疗结肠炎的作用机制进行了初探和研究,为其他相关研究提供了依据,为其后续临床疗效评价指标的筛选提供了研究方向.     

无环境信息下多尺度网格细胞群空间表征模型

针对无环境信息条件下网格细胞空间表征问题, 提出一种多尺度网格细胞群的空间表征模型。通过减少吸引子网络模型网格细胞的偏好朝向, 使网格细胞具有特定的感应方向, 仅对特定方向上的速度产生响应。基于改进的吸引子网络模型, 构建多尺度网格细胞群, 并对空间进行表征。仿真结果表明, 改进后的网格细胞模型只响应相应方向的速度, 准确整合速度信息, 表征部分未探索区域, 且适用于无环境信息条件下一维、二维空间。在100 m×100 m的区域, 表征结果的误差不超过0.2 m, 证明了该模型能够扩大网格细胞的表征范围, 提高表征精度与表征能力。     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

基于比特负载的非线性虚拟光网络映射机制的研究

光网络虚拟化技术的发展促进了在不同用户和应用程序之间的光纤网络物理基础设施共享。然而,光纤传输链路的非线性损伤对于系统的频谱效率、网络利用率等性能有一定影响。本文首先介绍了一种集成式虚拟网络映射机制,描述了该机制的实现原理。接着,在考虑了光纤传输非线性损伤的情况下,设计了一种基于OFDM比特负载的虚拟光网络嵌入算法(BL-VONE),并将其与基于单一调制机制的虚拟光网络嵌入算法(UM-VONE)进行比较。仿真结果表明提出的算法相较于基于单一调制机制的算法,可以提高约9%的频谱利用率和约9%的传输效率。     

上市公司高管连锁网络与分析师盈余预测精度

以2011~2017年度沪深两市A股上市公司为样本，从私人信息供给的视角，考察企业高管连锁网络对分析师盈余预测精度的影响。研究表明：上市公司网络中心度显著提升了分析师盈余预测精度；当上市公司的公开信息不充分时，其网络中心度对分析师盈余预测精度的提升效果更明显；当上市公司高管与连锁公司其他高管互动机会越多时，其网络中心度对分析师盈余预测精度的提升效果越明显。上述结果表明，上市公司的高管连锁网络上存在泄露的私人信息，这些信息能够被分析师捕获，最终丰富金融市场中的信息供给。进一步研究发现，上市公司高管连锁网络上流动的私人信息包含公开渠道上常常被延迟披露甚至被隐藏的坏消息，有助于纠正分析师的公开信息偏差。研究结果拓展了分析师盈余预测的相关研究，有助于加强对上市公司私人信息流动方式的理解。