题名 基于信创平台应用能力评价系统软件设计与实现
被引量：2
1
作者
陈旭清 张烁 郭旭敏 赵陶钰
机构
山西青年职业学院计算机与信息工程系
出处
《计算机应用与软件》
北大核心
2024年第11期60-65,130,共7页
基金
山西青年职业学院基金项目(202101)。
文摘
针对目前基于信创平台中应用软件较少、用户对系统使用不熟练等问题,在信创硬件平台和deepin、UOS操作系统下,使用QT开发工具设计和开发了一套应用能力评价系统。该系统可以提高用户在信创平台上对操作系统和办公软件操作的能力,并实现了对用户使用国产操作系统进行基本操作和用户使用国产办公软件WPS office的评价功能。测试结果表明,该系统可以实现用户操作国产操作系统和办公软件的评价功能,也为基于信创平台的系统设计和实现提供参考。
关键词
信创平台 评价系统 软件设计 二次开发
Keywords
Xinchuang platform Evaluation system Software design Secondary development
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
题名 基于机器学习耦合模型预测FDM零件的表面粗糙度
被引量：2
2
作者
赵陶钰 邵鹏华
机构
山西青年职业学院计算机与信息工程系 煤炭工业太原设计研究院集团有限公司
出处
《塑料工业》
CAS
CSCD
北大核心
2024年第5期116-123,共8页
基金
山西省自然科学基金青年项目(202203041345225)。
文摘
熔融沉积工艺(FDM)制造的零件表面粗糙度高,不仅影响了零件外观,还降低了性能。采用响应面实验设计,研究了层高(A)、填充密度(B)、喷嘴温度(C)、床层温度(D)和打印速度(E)对聚乳酸(PLA)零件表面粗糙度的影响。同时,将遗传算法(GA)与决策树(DT)、人工神经元网络(ANN)两种机器学习模型相结合,预测了零件的表面粗糙度。结果表明,A、B、C和E是显著影响零件表面粗糙度的主效应,A×B、A×C、A×E、B×C、B×E、C×E是影响显著的交互效应。GA+DT耦合模型预测PLA零件表面粗糙度的准确性更高,预测值与实验值的相关系数(R2)、均方误差(MSE)和平均绝对误差(MAE)分别为0.952、0.132和0.234,优于GA+ANN的0.823、1.561和1.759。GA+DT模型的预测值与实验值的Pearson相关系数为0.984,而GA+ANN模型仅为0.903,这表明GA+DT模型在预测PLA零件表面粗糙度时准确度更高。
关键词
决策树 人工神经元网络 遗传算法 熔融沉积 表面粗糙度 聚乳酸
Keywords
Decision Tree Artificial Neural Network Genetic Algorithm Fused Deposition Modeling Surface Roughness Polylactic Acid
分类号
TQ320
[化学工程—合成树脂塑料工业]
题名 基于3D残差网络的阿尔茨海默病辅助诊断模型研究
3
作者
张烁 张荣 郭颖婕 余红梅
机构
山西青年职业学院计算机与信息工程系 山西 医科大学计算机 教学部山西 医科大学公共卫生学院 山西 大学大数据科学与产业研究院
出处
《中国卫生统计》
CSCD
北大核心
2024年第6期883-888,892,共7页
基金
国家自然科学基金(82273742) 山西省基础研究计划(202203021222261)。
文摘
目的针对阿尔兹海默病(AD)、轻微认知障碍(MCI)、正常人(CN)的多分类问题,融合MRI和PET图像特征,探究出一种用于AD早期辅助诊断的多分类深度学习模型。方法利用两个独立的3D-ResNeXt网络模型对多模态医学图像进行训练。然后通过相关性分析来判断两个网络输出结果的一致性。最后通过计算PET与MRI图像的诊断结果之间的皮尔逊系数得到多模态神经影像辅助诊断结果。结果模型准确率、模型Weighted-Precision、模型Weighted-Recall、皮尔逊系数在融合所有策略3D-ResNeXt网络模型的结果为87.78%、88.32%、87.87%、86.40%;对于图像切片数为80的结果为88.21%、84.7%、88.23%、85.7%、86.40%;融合多模态MRI和PET图像的结果为87.78%、88.32%、87.87%、86.40%。结论基于3D-ResNeXt网络模型的诊断效果在许多指标上都优于其他辅助诊断模型。结果表明,所提出的多模态辅助诊断模型能够达到良好的诊断率。本研究为AD早期辅助诊断模型的选择提供了一定的方法学参考。
关键词
阿尔兹海默病 磁共振影像 正电子发射断层影像 残差网络 多模态
分类号
R195.1
[医药卫生—卫生统计学]
题名 基于深度学习的医学图像识别研究综述
被引量：8
4
作者
张烁 张荣 张岩波
机构
山西青年职业学院计算机与信息工程系 山西 医科大学计算机 教学部山西 医科大学卫生统计教研室重大疾病风险评估山西 省重点实验室
出处
《中国卫生统计》
CSCD
北大核心
2020年第1期150-156,共7页
基金
山西省重点研发计划(201603D321101) 国家自然科学基金(81973154)。
文摘
1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。
关键词
神经元模型 反向传播网络 循环神经网络 自动编码器 单层感知器 无监督学习 有监督学习 深度学习
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
R445
[医药卫生—影像医学与核医学]
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于逐跳转发方式的单故障路由保护方法
5
作者
郭旭敏 耿海军 宗春梅
机构
山西青年职业学院计算机与信息工程系 山西 大学自动化与软件学院 忻州师范学院 计算机 系
出处
《计算机应用研究》
CSCD
北大核心
2022年第11期3444-3449,共6页
基金
山西省应用基础研究计划资助项目(20210302123444) 中国高校产学研创新基金资助项目(2021FNA02009) +2 种基金 国家自然科学基金资助项目(61702315) 山西省重点研发计划资助项目(201903D421003) 国家“863”计划资助项目(2018YFB1800401)。
文摘
业界提出利用LFA(loop free alternates)方案来应对网络中频繁出现的故障,然而LFA并不能保护网络中所有可能出现的单故障情形。针对上述问题,提出了一种基于逐跳转发方式的单故障路由保护算法SFRPA(single failure routing protection algorithm based on hop by hop forwarding)。SFRPA首先提出了三个无环路备份下一跳选取规则,然后制定了优先级队列的操作规则,最后利用优先级队列和无环路备份下一跳选取规则为所有源目的节点对计算出一个最优的备份下一跳。该算法具有支持逐跳转发、支持增量部署、保护网络中所有可能的单故障情形三个特征。实验结果表明,与经典的路由保护方案LFA、DMPA、TBFH和IAC相比较,SFRPA不仅可以应对网络中所有可能的单故障情形,并且具有较小的路径拉伸度。
关键词
路由可用性 单故障 路由保护算法 实时应用 路径拉伸度
Keywords
routing availability single failure routing protection algorithm real-time applications path stretch
分类号
TP309.7
[自动化与计算机技术—计算机系统结构]
题名 多视角多注意力融合分子特征的药物-靶标亲和力预测
被引量：2
6
作者
王润泽 张月琴 秦琪琦 张泽华 郭旭敏
机构
太原理工大学信息 与计算机 学院 山西青年职业学院计算机与信息工程系
出处
《计算机应用》
CSCD
北大核心
2022年第1期325-332,共8页
基金
国家自然科学基金资助项目(61702356) 教育部产学合作协同育人项目 山西省回国留学人员科研资助项目。
文摘
近期深度学习在药物-靶标亲和力(DTA)任务上受到极大关注,然而现有工作多将分子单一结构嵌入为向量,忽略了多视角融合分子特征对最终特征表示提供的信息增益。针对单一结构分子存在特征不完备性的问题,提出了一种基于注意力融合多视角分子特征的预测DTA的端到端深度学习方法,其核心模块为多视角分子结构嵌入(Mas)和多注意力特征融合(Mat)。首先,使用Mas模块将多视角分子结构嵌入到特征向量空间;然后,通过Mat模块融入分子特征层级的注意力机制,从而对不同视角的分子特征进行加权融合;其次,根据药物-靶标相互作用(DTI)执行两者特征级联;最后,利用全连接神经网络回归预测亲和力。在Davis和KIBA数据集上的实验验证了训练比率、多视角特征融入、多注意力融合、以及相关参数对亲和力预测性能的影响。与GraphDTA方法相比,所提方法的均方误差(MSE)在Davis和KIBA两个数据集上分别降低了4.8%和6%。实验结果表明,注意力融合多视角分子特征能够捕获对蛋白质靶位上链接的相关性更高的分子特征。
关键词
药物-靶标亲和力预测 多注意力分子特征融合 多视角分子结构嵌入 分子特征层级 注意力机制
Keywords
Drug-Target Affinity(DTA)prediction multi-attention molecular feature fusion multi-aspect molecular structure embedding molecular feature level attention mechanism
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
