课程文献中心 更多>>

关键词： 大数据分析   智能决策支持系统   机器学习  

摘要： 本文围绕智能决策支持系统（intelligence decision supporting system,IDSS）的设计与实现展开研究，旨在探讨基于大数据分析的IDSS在企业决策中的应用路径与方法。通过整合海量数据、数据挖掘技术与机器学习算法，系统优化了资源配置、增强了企业的预测能力，并实现了对市场环境的实时响应与监控。结果表明，IDSS在提升企业决策科学性与效率方面具有显著优势，尤其在金融、医疗、物流等行业中具有广泛的应用前景。该系统的开发与应用不仅能提高企业的运营效率，还为未来智能化决策的研究提供了理论与实践基础。

关键词： 小样本学习   目标检测   小样本目标检测   特征融合  

摘要： 现有的小样本目标检测方法通常将支持集的图像编码到低维特征空间，以获取类别原型，作为查询图像特征与支持集图像特征之间相似性比较的依据。针对现有小样本目标检测方法计算得出的类别原型对类间方差敏感，提取到的特征缺乏代表性，导致模型检测和泛化性能损害的问题，提出了残差变分编码流（Residual Variational Encoder Flow， RVF）方法，能够在数据稀缺的情况下学习类别的潜在结构，生成更鲁棒的特征分布。引入了特征交叉融合（Non-Linear Feature Crossing Aggregation， NFC）模块，捕捉特征之间复杂的非线性关系。通过解耦检测头中的分类和回归任务，并改进分类分支，显著提升了检测性能。在PASCAL VOC2007和PASCAL VOC2012数据集上的实验证明了提出方法的有效性，实验结果表明，所提出的残差变分编码流模型在split1、split2、split3子集的 1、2、3 shot 实验中表现最佳，分别达到 64.6%、47.1% 和 57.1%的平均精度。比之前的方法相比，在split1、split2、split3子集中分别提高了2.5%、1.8%、0.8%的精度，验证了提出方法在极低样本量的情况下的有效性。

关键词： 孟德尔随机化   抑郁症   骨关节炎   因果关系   反向因果关系  

摘要： 目的 利用孟德尔随机化（MR）研究抑郁症与膝、髋、手、脊柱及早期骨关节炎之间的因果关联。方法 利用公开的全基因组关联分析数据库，选择具有确切诊断标准的抑郁症与多种骨关节炎数据。设定暴露为抑郁症，结局为多种骨关节炎时为正向分析，反之为反向分析。以逆方差加权法（IVW）作为主要结局指标，结合简单加权模型、MR-Egger回归法、加权中位数法及加权模式方法进行结果判定，并对分析进行多效性、异质性、离群值及敏感性检验，以判断结果的稳健性。结果 ①正向分析时发现抑郁症是膝骨关节炎 [IVW P=0.010，OR=1.65，95%CI(1.05 2.59)]，脊柱骨关节炎 [IVW P<0.001，OR=2.69，95%CI(1.66 4.35)]，早期骨关节炎 [IVW P<0.001，OR=5.06，95%CI(1.99 12.85)]的危险因素。未发现抑郁症与髋，手部骨关节炎的因果关系。②反向分析时发现髋、膝及手部骨关节炎与抑郁症之间因果关系并不明确。③以上分析在多效性、异质性、离群值及敏感性检验时均未发现明显异常，故其结果可信。结论抑郁症与膝、脊柱及早期骨关节炎之间存在明显的单方向正向因果关系。

关键词： 开发区   信息可得性   环境绩效   绿色全要素生产率   环境信息公开  

摘要： 本文针对开发区普遍位于城市偏远地带的地理区位特征，利用中国工业污染源重点调查企业以及国家级和省级两类开发区数据，系统考察了地理距离导致的信息可得性下降对开发区绿色赋能效应的影响。研究发现，开发区设立可以降低区内企业污染排放强度并提升绿色全要素生产率，但地理位置偏远导致的信息可得性下降直接弱化了社会公众对企业的环境合法性压力且间接助长了环境规制中的政企合谋，进而削弱了开发区的绿色赋能效应。异质性分析显示，这一抑制作用在民营企业、省级开发区、区域环境信息公开程度较低和环境审计较弱的城市表现得更为突出，在国家级开发区和区域环境公开程度及环境审计强度较高的城市则不显著。上述结论有助于全面认识开发区的微观环境效应，为提高开发区的绿色赋能潜力提供了新的政策思路。

关键词： 时间序列   多变量时间序列预测   深度可分离卷积   自注意力机制   局部与全局依赖  

摘要： 为解决现有时间序列模型未能充分融合局部和全局依赖的问题，提出一种融合局部和全局相关性的多变量时间序列预测方法 PatchLG(Patch-integrated Local-Global Correlation Method)。该方法基于3个关键部分：1）将时间序列划分为多个子序列（Patch），保持时间序列的局部性同时使模型更易于提取全局依赖；2）使用深度可分离卷积和自注意力机制建模局部和全局相关性;3）将时间序列分解为趋势项与季节项两个部分同时进行预测，并将预测结果组合起来得到最终预测结果。在7个基准数据集上的实验结果表明，PatchLG相较于最优基线方法 PatchTST在均方误差(MSE)和平均绝对误差(MAE)两个指标上平均提升3.0%和2.9%，同时具有较低的实际运行时间和内存消耗，验证了PatchLG在时间序列预测的有效性。

关键词： 鲜切莴笋   加工适宜性   层次分析法   灰色关联分析  

摘要： 为筛选出适宜的莴笋鲜切加工品种，本试验对10个莴笋品种开展了莴笋鲜切加工品质研究，重点测试了15℃贮藏条件下3天货架期内产品外观和内在品质变化，测定其色差L*、a*、b*值、茎肉硬度、破碎力、失重率、电导率、PPO、POD、PAL、总体感官、褐变情况等12项指标。通过对测定指标数据的基础分析、相关性分析和因子评价，确定了鲜切莴笋加工适宜性品种筛选的核心评价指标为总体感官、色差a*值、茎肉硬度和PPO；通过层次分析确定了上述各核心评价指标的权重分别为61.67%、21.18%、11.71%和5.45%；采用灰色关联分析对10个莴笋品种贮藏期内鲜切加工品质进行了排序，评价其鲜切加工适宜性，筛选出较适宜鲜切加工的莴笋优选品种为135#（组合2019135）、109#（川绿香2号）和63#（新翠竹），其中135#表现最优。以上结果可为鲜切莴笋加工过程中原料的选择提供科学依据，同时为莴笋鲜切加工专用品种的选育提供指导。

关键词： 小细胞肺癌   局限期   同步放化疗   总生存期   预后因素  

摘要： 目的 探讨放化疗结合模式以及同步化疗周期数对局限期小细胞肺癌（LS-SCLC）患者的疗效及总生存（OS）的具体影响，并分析LS-SCLC的相关预后影响因素。方法 本研究共纳入2018年至2022年于蚌埠医科大学第一附属医院肿瘤放疗科接受胸部放射治疗（TRT）的LS-SCLC患者85例，其中有同步化疗组43例，无同步化疗组42例。主要观察终点为OS，定义为从病理诊断至任何原因引起患者死亡的时间或末次随访时间。使用SPSS25.0软件进行统计学分析，以P＜0.05为差异有统计学意义。结果 末次随访日期为2023年11月01日，全组中位随访时间为39.6个月。有同步化疗组与无同步化疗组患者的中位OS分别为30.6个月、18.6个月（P=0.015）。有同步化疗组的43例患者中，同步化疗1个周期组与2个周期组患者的中位OS分别为25.5个月、33.6个月（P=0.385）。多因素分析结果表明年龄（P=0.003）、临床分期（P=0.030）和PCI（P=0.048）是LS-SCLC患者OS的独立预后影响因素。结论 同步化疗周期数对LS-SCLC的预后无显著影响。

关键词： 深度神经网络   时间序列预测   时域信息融合   编码器-解码器架构   注意力机制  

摘要： 针对时间序列分段后存在因采样间隔增大而导致长期预测过程中局部依赖关系丢失的情况，提出了一种基于分段注意力机制的时间序列预测模型（SAMformer）。首先，显式地将时间静态协变量与原始数据按比例融合，以增强数据的时域信息表征能力；然后，同时引入两个连续的带偏置的线性层和激活函数微调融合数据，提高模型对非线性数据的拟合能力；接着，在分段序列的每个段内引入点积注意力机制，以便捕获局部特征依赖关系；最后，利用跨尺度依赖的编码器-解码器架构预测时序数据。所提模型在公开的五个时间序列数据集上完成多次实验，实验结果表明，相较于Crossformer, Pyraformer,Informer等其他监督学习时序预测模型，均方误差(MSE)和平均绝对误差(MAE)评价指标平均提升36.8%和26.4%。文中还完成消融实验，验证了所提出不同组件的完备性和有效性，进一步说明融合时域信息和段内注意力机制有助于提高时间序列预测的精度。

关键词： 加氢裂化装置   过渡状态   滑动窗口   特征矩阵   决策树分类   可解释性  

摘要： 加氢裂化生产装置处于多工况运行状态，而不同工况间切换存在过渡状态，操作员会根据装置所处状态进行相应的操作和调整。然而，装置所处的过渡状态难以识别，需要长期操作学习并积累经验。为此，提出了一种基于滑动窗决策树的加氢裂化装置过渡状态识别方法。加氢裂化装置工业数据经去噪、降维等预处理后，使用滑动窗口保留窗口内的数据局部动态时序特征，并建立特征矩阵，再利用精细决策树发掘复杂过程变量之间的关系，可视化地描述了决策树结构，体现其可解释的优势，最终实现加氢裂化装置过渡态的快速、准确识别。基于F1分数，对比了高斯朴素贝叶斯、精细高斯支持向量机、粗略树、中等树、精细树、可优化决策树对加氢裂化装置过渡态的综合识别性能，10次五折交叉验证后，基于精细树的F1分数均值可达0.9896，训练时间均值为3.028 s。