卫生监督领域正交软件体系结构的设计

软件体系结构是大型软件系统开发的一项关键技术。正交软件体系结构结合了传统横向设计的抽象层与面向方面纵向设计的线索,依据特征模型把系统架构设计成包含正交的组织层和线索的构件。讨论了设计正交化功能特征模型及正交软件体系结构的关键技术,并应用于一个研究案例。     

数字孪生的模型、问题与进展研究

近年来,关于数字孪生的研究方兴未艾。数字孪生作为一个新的范式或者方法体现出了巨大的潜力,但是,这一概念的内涵和范围尚不确定,尤其是对数字孪生模型概念的界定很不清晰。根据模式类别可以将其分为通用模型和专用模型,其中专用模型仍是当前的研究热点,研究内容主要体现为对具体项目使用数字孪生方法进行建模,也包括对专用模型进行开发。这些具体项目除了传统制造业所涉及的零件测量和质量控制,增材制造,设计和工作过程,以及系统管理外,还包括在生物医药、石油工程领域的应用等。开发专用模型的工具和技术呈现多元化,有通用工业软件、专用工业软件、仿真平台和自研二次开发工具等等。数字孪生通用模型的研究对象不针对某一具体项目,而是研究如何将模型受控元素表示为一组通用的对象以及这些对象之间的关系,从而在不同的环境之间为受控元素的管理和通信提供一种一致的方法。数字孪生通用模型的研究主要分为概念研究和通用模型的实现方法,两者的研究热度相当。其中概念研究从宏观角度的产品生命周期管理,到描述系统行为,如一般系统行为和系统重新配置,再到具体工作流,如设计方法、产品构型管理、制造系统、制造过程等,研究内容较为发散,尚没有出现特别突出的热点。关于数字孪生通用模型实现方面,主要研究了建模语言的构建、模型开发方法的探索、具体工具的使用、元模型理念的植入和模型算法的探索。数字孪生模型是数字孪生研究的核心领域之一,其未来的研究重点是如何将不断涌现的各不相同的数字孪生体的外部特征和内在属性归纳为可集成、可交互、可扩展的模型,便于更高效地实现信息在物理世界和数字世界之间流动,从而实现数字孪生的普遍应用,继而支持CPS(网络物理空间)和CPPS(网络物理生产系统)的建设。因此,数字孪生模型研究下一步需要解决的问题是如何对接标准参考架构,如德国提出的工业4.0参考架构模型RAMI4.0和中国的智能制造系统架构IMSA等;关于数字孪生模型需要建立统一的描述方法并确立一致的结论,以规范各自独立发展建立起来的模型,从而改善模型的互操作性和可扩展性,否则,随着系统规模的扩大模型效能会显著下降;中国数字孪生模型的研究急需国产专业工业软件和建模软件的支持,以便中国学者深入开展更加符合国情的深入研究。     

基于HLA的战术级装备保障系统仿真

以HIJA（High Level Architecture）为计算机仿真标准，对战术级装备保障系统进行了建模仿真。在分析战术级装备保障仿真系统的体系结构基础上，开发了仿真系统中的对象类、交互类以及联邦成员，设计了联邦运行的整个流程。整个战术级装备保障仿真系统是一个联邦，由作战部队、作战指挥机构、装备指挥机构、装备维修成员、装备供应成员5类联邦成员组成，各联邦成员之间通过公布／订购对象属性和发送交互，仿真了整个装备保障活动，得到了满意的保障方案。用HIA技术对装备保障系统进行仿真研究是一种可行的方法。     

谈国家职业技能标准下的《数控机床维护与维修》课程质量标准

本文研究了国家职业标准下的《数控机床维护与维修》课程质量标准,提出了该课程标准建立的意义,探索了构建的方法与途径,并对课程的教学内容进行了基于项目化教学的设计,为其他课程的质量标准提供了可供借鉴的经验。     

悬臂梁在煤矿生产中的应用

在日常生活中经常会见到用到悬臂梁,即一端固定,一端能够承受一定压力和拉力的梁(见图1)。煤矿生产中,悬臂梁也有着很广泛的用途,尤其是在对顶板的支护方面,有着很多其它支护方式没有的优点。     

基于系统动力学的资讯个性化推荐研究

手机等移动智能终端在全社会的普及,使得数字内容的生产能力下沉到社会各个层面,形成了多源、自主、原生的互联网媒体内容制造格局;而以社交媒体、自媒体为代表的各类新兴媒体的蓬勃发展,使得数字内容的传播能力极大增强,大量衍生内容在敏感、热点、重要事件的报道传播中产生。互联网资讯具有海量、内容质量参差不齐、观点多极等特点。如何将价值导向对正确的、信息披露准确的资讯进行精准推荐,维护和促进社会公平正义,成为司法领域的新问题和新挑战。推荐系统有效解决了用户在海量信息中难以高效获得信息的问题。基于内容的推荐技术通过分析用户以往感兴趣的项目,经计算得到相似的项目,再将相似度最高的若干项目推送给用户。推荐系统中应用最广泛的是协同过滤推荐算法(collaborative filtering,CF),该概念最早于1992年由GOLDBERG等在开发Tapestry邮件过滤系统时首次提出,其核心思想是运用算法对用户的历史行为数据进行分析,挖掘出用户的兴趣偏好,根据不同的兴趣偏好对用户进行类别划分并推荐相似偏好的物品。当前,个性化推荐已经在电子商务、影视作品、餐饮美食、新闻资讯等领域获得了较为广泛的应用。"京东"的推荐起步于2012年,当时的产品推荐是基于规则匹配进行的,整个推荐产品线组合就像一个个松散的原始部落,部落与部落之间没有任何工程、算法的交集。"淘宝"从2013年推出了"个性化推荐"即"千人千面"的推荐引擎,利用用户的一些行为,通过算法推测出用户可能喜欢的东西。"美团"构建了世界上最大的菜品知识库,为200多万商家、3亿多件商品绘制了知识图谱,并为2.5亿用户画像,构建了世界上用户规模最大的O2O智能推荐平台。"豆瓣"利用社交行为分析解决推荐问题,如基于用户相同行为的协同过滤技术、友邻推荐等,也是个性化推荐的一个补充。社交化推荐的引入,可以解决因单纯产品内容推荐导致推荐范围越来越窄的问题。"今日头条"的个性化推荐算法基于投票方法,其核心理念就是投票,每个用户一票,喜欢哪篇文章就把票投给哪篇文章,经过统计,最后得到的结果很可能是此类人群里最好的文章,并把这篇文章推荐给同类人群用户。该方法看起来似乎很简单,但实际上需要基于对海量用户行为的数据挖掘与分析。系统动力学是一门基于系统论、控制论与信息论,并借助计算机模拟技术的交叉学科,其通过系统的视角,进行结构化动态分析和模型模拟,擅长分析高阶、非线性时变和复杂系统,采用定性与定量相结合的方法,适合对资讯个性化推荐这种动态复杂过程进行分析。针对司法工作相关资讯的个性化推荐问题,应用系统动力学理论,对影响资讯推荐效果的重要因素在Vensim软件中进行建模仿真,构建包括用户量、文章量、标签数量和各子系统之间影响的因果反馈模型和存量流量模型,建立系统动力学方程模型,经仿真对相关因素进行敏感性分析。结果表明,文章量、设置的特征化标签和对文章的兴趣点因子等都对推荐效果有重要影响,这是在设计推荐系统时需要重点考虑的因素,也是解决推荐系统冷启动、实时性和"信息茧房"等关键问题的重要途径。基于系统动力学进行资讯个性化推荐研究,可以积极有效地应对司法领域资讯披露面临的挑战,提高精准推荐效果。     

中国氢能产业高质量发展前景

 中国氢能产业在新型冠状病毒肺炎（COVID-19）疫情的影响下遇到了暂时困难，但随着疫情防控形势的好转而迎来新的发展机遇。通过回顾2020年中国各地出台的氢能发展政策，分析得出：政策重点主要集中于交通领域，包括氢燃料电池车技术研发、关键设备制造和加氢站建设等，而轨道交通则是未来氢燃料电池技术的发展重点之一；氢能冶金属于新的氢能产业应用领域，许多冶金企业与氢冶金先进国家进行了示范项目合作，这些示范项目的快速推进将有助于实现中国钢铁行业革命性的绿色化转型；绿氢煤化工、绿氢贸易、民用液氢等也将是氢能产业未来发展的重要方向。建议中国明确国家发展战略、积极拓展氢能技术创新领域，以打造高质量氢能产业为抓手，助推中国能源革命和产业转型升级，并在氢能全球化过程中发挥引领作用。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

“数据分析与计算专栏”主持人语

<正>数据,泛在于自然、社会和人文空间,在记录历史轨迹的同时,也蕴藏着推动发展的力量。随着信息、通讯、网络等技术的演进,互联网、移动网、广电网、物联网、社交网等现代网络及衍生业务迅速生长,数据体量、增速、复杂性等都达到了前所未有的高度。分析数据的特征和规律,计算出信息和知识,已经成为多学科理论交叉融合、共同面对的任务,更是一个协同创新的命题,需要计算机、数学、管理、信息、心理等多专业人才协作研究、解析问题、建立模型、设计算法、实施方案和评价结果。