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.     

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%.     

航空术语语义知识库ATHowNet的构建

语义知识库在自然语言处理的许多领域中起着重要的作用。现有的语义知识库主要面向常识知识,特定领域的语义知识库则很少。文章将知网(HowNet)的理论体系与概念表示方法扩展至航空领域,提出了一个航空领域术语语义知识库——ATHowNet,并介绍了构建过程。该知识库包含3700个概念、3959个概念关系和3864个术语。在航空术语相似度计算及词类比任务上应用与验证了ATHowNet,结果证实了其在航空领域概念语义描述及基于概念关系推理上的有效性。     

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.