远程心电急救系统设计与实现

这是一篇关于院前急救,心电图,微服务,长短期记忆,辅助诊断的论文, 主要内容为在现代医疗体系中,“120”已经从单纯的转运工具演变为急救医疗过程中不可或缺的一员。然而,由于医疗条件的限制,救护车难以快速抵达偏远地区的急救现场以实现转运,急救中心无法及时掌握病人的情况以提供及时的援助。同时,大城市的救护车虽然设备齐全,但由于缺乏实时信息传输和快速有效的医疗决策手段,“120”的全部潜力未能得到充分发挥。因此,如何建立一套系统化、高效化、规模化的院前急救系统,是当前整个急救系统中面临的重要问题。本文基于陕西省某县院前急救系统体系能力建设项目,旨在通过深度学习技术、现代化信息技术应用,使得急救中心能在院前急救过程第一时间更全面地掌握患者病情、采取正确的医务处理措施、使院内抢救准备更具针对性,从而为提高急救质量提供系统支撑。本文的工作主要分为以下几个部分:(1)实现急救过程中的信息整合和共享,尽可能消除“信息孤岛”问题通过使用本系统,120急救客服能够查看本区域所有急救车辆的状态和信息,同时可以迅速将患者信息上传,并根据患者位置信息对急救车辆进行快速指派,以便以最快速度接触患者;急救人员可以根据录入的患者身份信息,调取患者的电子病历并根据相应信息联系专家进行协助救治;院内人员可以根据院前告知的结果,提前安排救治人员就位。在此过程中,患者信息和急救资源实现了信息互通,从而一定程度上避免“信息孤岛”问题,提高整体的救治效率。(2)设计一种双向长短期记忆神经网络以辅助专家医生实现高效远程诊断本文设计了一种双向长短期记忆网络,对院前急救过程中的心电数据进行处理分析以为专家提供辅助诊断信息,同时通过专用网络,专家可进行实时视频会诊,并根据辅助诊断信息尽可能早作出医疗决策。(3)建立一套高可用、高性能和易拓展的院前急救系统在本系统中,将现代化信息技术、深度学习等技术应用于院前急救过程,结合辅助诊断的形式,将信息进行快速整合以及流转,实现院前院内救治流程的高效衔接;同时,采用微服务的思想来设计,加强系统的松耦合性,实现系统的高拓展性;使用集群部署服务,避免单点故障、数据丢失等问题,保障系统的高可用和高性能。

基于LSTM的电力分析和负荷预测系统的研究与实现

这是一篇关于电力负荷预测,长短期记忆,鲸鱼算法,注意力机制,皮尔逊相关系数的论文, 主要内容为近年来,在目前电力市场化背景下,按需生产的发电模式正逐渐代替按计划发电的生产模式,电力负荷预测作为电力调度和发电计划的重要参考指标,受到了越来越多的关注。对于平稳的数据预测效果不错的传统负荷预测方法,在面对日益复杂的影响负荷变化的因素时,预测精度都有待提高。本文针对目前多因素影响的短期电力负荷预测精度较低、自动化程度不高的问题,提出了鲸鱼算法优化模型参数并融合了注意力机制的Bi LSTM负荷预测模型(WOA-Attention-Bi LSTM),设计实验验证了模型具有更高的预测准确度,并实现预测算法可选的电力负荷预测系统。本文的主要研究成果如下:(1)进行了电力负荷特性分析和数据预处理。基于电力负荷相关理论知识,分析了负荷变化的规律和影响负荷变化相关因素,并使用Pearson相关系数法比较相关性,剔除相关性极弱的因素,对采集到的数据进行预处理。(2)设计了基于LSTM的电力负荷预测模型。首先设计实验确定电力负荷预测中时间步长这一关键参数,然后分别设计了多组实验,循序渐进,逐步改善模型,构建了引入注意力机制Attention-Bil STM模型,和经过鲸鱼算法优化参数的WOA-Attention-Bi LSTM负荷预测模型,对比实验结果,该模型在与未进行参数优化模型的预测结果想比,平均相对误差降低了1.2%,RMSE降低了71.6979MW,MAE降低了68.039MW,相比于其他模型误差更小,拟合都更高,预测效果最好,验证了WOA-Attention-Bi LSTM算法模型的优越性,同时也验证了引入注意力机制和鲸鱼算法进行模型参数优化的有效性。(3)设计基于LSTM的电力负荷预测系统。使用Vue框架前端系统界面设计和Mysql后台数据管理,实现了数据存储和管理,调用Python模型文件预测,完成负荷预测结果展示等功能,本文中所使用的所有模型也都可以在系统中选择并使用。本文提出的WOA-Attention-Bi LSTM模型经实验验证在负荷预测方面具有更高的预测精度,设计实现的负荷预测系统使得电力负荷预测更方便,更精确。

基于时空的信息物理系统服务推荐研究

这是一篇关于信息物理系统,长短期记忆,域感知因式分解机,服务推荐,时空信息的论文, 主要内容为随着信息物理系统的不断发展,服务数量日益增长,有许多服务都提供了相同的功能,如何在这些服务中为用户选择出合适的服务成为了当前热点研究的问题之一。本文基于用户与服务的时空信息提出了基于域感知因式分解机(FFM)的推荐模型(LBFFM)以及基于长短期记忆网络(LSTM)的混合推荐模型(LSTM-HPLT)以满足信息物理系统中用户调用服务的不同场景。首先,本文针对用户调用服务时产生的冷启动问题,构建了基于域感知因式分解机的服务推荐模型。冷启动问题面临的主要困难是该如何向无历史行为的新用户推荐服务,或如何将新服务推荐给用户。本文基于已有的数据进行独热编码,利用用户与服务的地理位置信息构建了基于距离权重的相似度,并筛选出相似的用户以及服务,将用户、服务、相似用户以及相似服务作为特征域构建特征矩阵,最后经由域感知因式分解机学习不同域与特征之间的关系,以提高对服务QoS值的预测精度。其次,本文针对用户调用服务产生的数据稀疏性问题,利用用户与服务的时空信息构建了基于长短期记忆网络的混合推荐模型。LSTM-HPLT使用相邻时间段的QoS均值填补空缺数据,以缓解数据稀疏,并且基于用户与服务的地理位置以及相似度筛选出最相似的若干个用户或服务,对与目标用户(服务)以及相似用户(服务)有关的QoS数据集合进行LSTM训练,并进行QoS值的预测,从而提升了服务推荐的准确性。最后,基于真实的信息物理系统的数据集进行大量实验,验证了 LBFFM以及LSTM-HPLT在实际数据中相较于其它方法有更好的效果,预测的结果在标准平均误差(NMAE)以及均方根误差(RMSE)指标下有更好的表现,能够有效地缓解服务推荐中冷启动以及数据稀疏的问题,并以此提高对用户的服务推荐的准确度。同时,基于LBFFM与LSTM-HPLT模型构建了信息物理系统服务推荐应用,以管理用户与服务的信息并根据这些信息有效提供不同应用场景下的服务推荐。

基于注意力机制的用户行为序列推荐研究

这是一篇关于用户行为序列,推荐系统,注意力机制,长短期记忆的论文, 主要内容为早期的推荐系统依赖特征工程,通过挖掘用户属性特征和物品属性特征的相关关系产生推荐,但是属性特征需要用户主动提供并且内容驳杂,具有多元异构、特征稀疏的特点,极大地限制了推荐系统的应用。相比于复杂的属性特征,用户和物品的交互行为属于用户的隐性反馈,是最容易获得并且能正面反映用户偏好的特征。将物品按照用户动作发生的时间排序,称为用户行为序列,该序列不仅包含用户的兴趣偏好而且具有连续稠密、结构简单的特点,近年来已逐渐成为推荐系统研究的重点。注意力机制由于可以帮助深度学习算法选择特征,因而常常被用于行为序列推荐算法当中来捕捉用户不同的兴趣爱好。但是目前基于注意力机制的行为序列推荐算法忽略了用户行为序列的双向排列顺序,因而无法兼顾物品向量建模。针对此问题,本文提出了两种考虑物品向量建模问题的行为序列推荐算法:1)基于掩码注意力机制的用户行为序列推荐算法。该算法借鉴自然语言处理中的语言掩码模型,通过引入掩码标记遮蔽了用户行为序列中的部分物品,并通过注意力功能学习被遮蔽位置的双向上下文信息,通过预测被遮蔽位置的物品来优化物品的向量表示,最后利用优化后的物品向量产生推荐。2)基于双流注意力机制的用户行为序列推荐算法。该算法分别在内容流注意力机制和位置流注意力机制中设置相应的注意力矩阵来打乱用户行为序列顺序,使得自左向右的单向顺序结构可以学习物品的双向上下文信息。该算法将物品向量分为内容向量和位置向量,位置向量经过位置流注意力机制时学习被遮蔽位置的语境信息,并通过预测被遮蔽位置的物品来优化物品的内容向量,最后利用优化后的物品内容向量产生推荐。本文使用亚马逊数据集和腾讯视频数据集作为实验数据集,将本文算法与流行的Deep FM算法、Bi-LSTM+Attention算法、DIN算法在AUC值、精准率、召回率、F1值等指标上进行对比,实验结果证明,本文提出的算法效果优于对比算法。

基于LSTM的电力分析和负荷预测系统的研究与实现

这是一篇关于电力负荷预测,长短期记忆,鲸鱼算法,注意力机制,皮尔逊相关系数的论文, 主要内容为近年来,在目前电力市场化背景下,按需生产的发电模式正逐渐代替按计划发电的生产模式,电力负荷预测作为电力调度和发电计划的重要参考指标,受到了越来越多的关注。对于平稳的数据预测效果不错的传统负荷预测方法,在面对日益复杂的影响负荷变化的因素时,预测精度都有待提高。本文针对目前多因素影响的短期电力负荷预测精度较低、自动化程度不高的问题,提出了鲸鱼算法优化模型参数并融合了注意力机制的Bi LSTM负荷预测模型(WOA-Attention-Bi LSTM),设计实验验证了模型具有更高的预测准确度,并实现预测算法可选的电力负荷预测系统。本文的主要研究成果如下:(1)进行了电力负荷特性分析和数据预处理。基于电力负荷相关理论知识,分析了负荷变化的规律和影响负荷变化相关因素,并使用Pearson相关系数法比较相关性,剔除相关性极弱的因素,对采集到的数据进行预处理。(2)设计了基于LSTM的电力负荷预测模型。首先设计实验确定电力负荷预测中时间步长这一关键参数,然后分别设计了多组实验,循序渐进,逐步改善模型,构建了引入注意力机制Attention-Bil STM模型,和经过鲸鱼算法优化参数的WOA-Attention-Bi LSTM负荷预测模型,对比实验结果,该模型在与未进行参数优化模型的预测结果想比,平均相对误差降低了1.2%,RMSE降低了71.6979MW,MAE降低了68.039MW,相比于其他模型误差更小,拟合都更高,预测效果最好,验证了WOA-Attention-Bi LSTM算法模型的优越性,同时也验证了引入注意力机制和鲸鱼算法进行模型参数优化的有效性。(3)设计基于LSTM的电力负荷预测系统。使用Vue框架前端系统界面设计和Mysql后台数据管理,实现了数据存储和管理,调用Python模型文件预测,完成负荷预测结果展示等功能,本文中所使用的所有模型也都可以在系统中选择并使用。本文提出的WOA-Attention-Bi LSTM模型经实验验证在负荷预测方面具有更高的预测精度,设计实现的负荷预测系统使得电力负荷预测更方便,更精确。

远程心电急救系统设计与实现

这是一篇关于院前急救,心电图,微服务,长短期记忆,辅助诊断的论文, 主要内容为在现代医疗体系中,“120”已经从单纯的转运工具演变为急救医疗过程中不可或缺的一员。然而,由于医疗条件的限制,救护车难以快速抵达偏远地区的急救现场以实现转运,急救中心无法及时掌握病人的情况以提供及时的援助。同时,大城市的救护车虽然设备齐全,但由于缺乏实时信息传输和快速有效的医疗决策手段,“120”的全部潜力未能得到充分发挥。因此,如何建立一套系统化、高效化、规模化的院前急救系统,是当前整个急救系统中面临的重要问题。本文基于陕西省某县院前急救系统体系能力建设项目,旨在通过深度学习技术、现代化信息技术应用,使得急救中心能在院前急救过程第一时间更全面地掌握患者病情、采取正确的医务处理措施、使院内抢救准备更具针对性,从而为提高急救质量提供系统支撑。本文的工作主要分为以下几个部分:(1)实现急救过程中的信息整合和共享,尽可能消除“信息孤岛”问题通过使用本系统,120急救客服能够查看本区域所有急救车辆的状态和信息,同时可以迅速将患者信息上传,并根据患者位置信息对急救车辆进行快速指派,以便以最快速度接触患者;急救人员可以根据录入的患者身份信息,调取患者的电子病历并根据相应信息联系专家进行协助救治;院内人员可以根据院前告知的结果,提前安排救治人员就位。在此过程中,患者信息和急救资源实现了信息互通,从而一定程度上避免“信息孤岛”问题,提高整体的救治效率。(2)设计一种双向长短期记忆神经网络以辅助专家医生实现高效远程诊断本文设计了一种双向长短期记忆网络,对院前急救过程中的心电数据进行处理分析以为专家提供辅助诊断信息,同时通过专用网络,专家可进行实时视频会诊,并根据辅助诊断信息尽可能早作出医疗决策。(3)建立一套高可用、高性能和易拓展的院前急救系统在本系统中,将现代化信息技术、深度学习等技术应用于院前急救过程,结合辅助诊断的形式,将信息进行快速整合以及流转,实现院前院内救治流程的高效衔接;同时,采用微服务的思想来设计,加强系统的松耦合性,实现系统的高拓展性;使用集群部署服务,避免单点故障、数据丢失等问题,保障系统的高可用和高性能。

基于并行计算的水质时间序列数据清洗平台的研究与实现

这是一篇关于水质时间序列,数据清洗,支持向量回归,长短期记忆,并行计算的论文, 主要内容为随着智慧水务的发展,水质数据量也日益增大。同时由于水质数据的变量多样性和变量间的强相关性,使得水质脏数据的处理难度陡然上升,严重影响了水务行业的决策性分析,因此水质数据清洗已然成为了水务信息研究中的核心内容。近年来,随着机器学习方法的广泛应用,利用其解决数据清洗问题的技术也取得了较大的进展,为水质数据清洗提供了许多可参考的解决方案。基于当前水质数据的分布特点和用户对数据清洗的需求,本文在水质数据时间特征属性的基础上,以模型的运行效率作为切入点,进而研究基于并行计算的水质时间序列数据清洗平台的构建方法,实现先进编程技术架构和数据清洗流程的有机结合,为水务决策性分析提供有效的数据质量保障。本文全面介绍了水质数据清洗平台构建和应用过程的相关技术,主要包含以下几方面工作:首先,通过深入了解数据清洗的基本流程及现状,现有的水质数据特点和机器学习方法的应用现状等问题,本文将水质时间序列的清洗流程总结为三个主要阶段,分别是数据预处理、异常值检测和空缺值填补阶段。在数据预处理阶段处理不符合常识的明显错误的水质数据,在异常值检测阶段处理不符合水质时间序列正态分布特征的数据,在空缺值填补阶段利用统计学方法和机器学习方法预测缺失数据和异常数据。接着,针对水质数据缺失的不同情况,在空缺值填补阶段分别采用了平均值预测,支持向量回归(Support Vector Regression,SVR)算法预测和长短期记忆网络(Long-Short Term Memory,LSTM)算法预测。针对算法核心参数难以确定的问题设计了粒子群优化(Particle Swarm Optimization,PSO)算法改进的SVR(PSO-SVR)和PSO改进的LSTM(PSO-LSTM),并且采用非线性递减惯性权重策略对PSO的迭代过程进行了优化。同时使用了多种常用的算法模型进行对比实验,通过评价指标对比,本文所采用的模型预测效果均优于其他模型,进一步说明了本文所选用模型的有效性和准确性。然后,针对大数据量和算法的高复杂度导致数据预测模型运行时间过长的问题,本文使用微服务架构作为并行计算解决方案,实现了PSO算法的并行化。进一步提升了整个清洗流程的效率以及平台的易用性和扩展性。通过对比并行优化前后的预测模型运行时间,验证了本文所构建的模型的高效性。最后,本文以前后端分离的Web开发技术为基础。使用Java编程技术、Python编程技术以及My SQL数据库设计理论来构建平台的后端服务。Java Script+HTML+CSS的技术栈构建平台的前端页面,同时结合水质时间序列的清洗流程建立数据清洗平台。并详细说明了平台总体功能和平台中各个模块的主要功能,同时详细展示了主要页面。本文所建立的数据清洗平台依托于《水体污染控制与治理科技重大专项》这一国家级项目,能够高效地对水质时间序列进行全面地数据清洗工作,有效地为水务决策分析提供帮助。

基于个性化推荐的演艺交易系统的研究与实现

这是一篇关于推荐技术,神经网络,长短期记忆,多层感知机,侧面情感联合模型的论文, 主要内容为随着互联网和计算机技术的不断发展,电子商务极大的改变了人们的生活方式。面对各大电商平台上丰富多彩的物品,如何将物品高效的“匹配”给需要它的用户成为一个难题。解决上述问题不可或缺的工具是推荐系统,巨大的购买能力和购买需求给了推荐系统工业价值。但是传统的推荐技术难以有效的解决数据稀疏性、冷启动、推荐实时性等问题,此外,在大数据背景下推荐系统的工程实施也一直是领域内的研究难点与热点。为了解决上述问题,依托深度神经网络在智能推荐领域的广泛应用,本文首先提出了一个利用长短期记忆(Long Short-Term Memory,LSTM)网络和多层感知机(Multi-Layer Perceptron,MLP)的深度神经网络模型,缓解评级矩阵稀疏性问题、用户与项目冷启动问题。然后使用侧面情感联合模型(Aspect and Sentiment Unification Model,ASUM)挖掘用户的情感主题调整推荐列表顺序使得推荐更加个性化。最后,在所提出的的推荐模型基础上,结合大数据技术设计实现演艺交易系统。本文的主要工作包括以下内容:(1)提出了一个特征融合的深度神经网络模型(Feature Fusion Deep Neural Network,FFDNN)。该模型首先构造并填充用户-项目评级矩阵,并且使用矩阵分解技术分解评级矩阵,然后融合用户、项目的描述信息分别构造用户与项目的特征向量;使用LSTM处理用户特征向量和项目特征向量生成有效的潜在特征,挖掘用户和项目之间的潜在关系,有效缓解了评级矩阵稀疏问题和用户冷启动、项目冷启动问题;利用MLP对LSTM生成的潜在特征进行降维,提升模型的非线性建模能力,并根据MLP的网络输出预测用户和项目的相关性,将预测出的关联程度评分作为依据产生推荐列表,完成推荐。文中给出了具体模型设计并在公开数据集上对比其他模型,结果显示本文提出的模型预测准确度更高。(2)实现了ASUM模型并使用模型处理用户评论信息,提取用户情感主题概率分布。具体包括构造ASUM语料库并进行评论分析,挖掘用户对各个项目主题的喜恶,与FFDNN模型产生的预测结果进行计算,调整FFDNN模型生成的推荐列表顺序,产生新的推荐结果给用户。(3)基于提出的算法模型设计并实现了一个演艺交易系统(下文简称为演艺通),该系统是一个将演出活动作为商品进行交易的电子商务平台,很好的展示了算法的实际使用价值。面对井喷式不断增长的非结构化数据,传统关系型数据库处理数据过程复杂、效率低下,本文通过在HBase数据库中设计基于二级索引的信息存储模式,根据实际需要组合任意字段加快查询速度;为了保证推荐效果的实时性,使用大数据实时计算框架Spark Streaming处理数据。

远程心电急救系统设计与实现

这是一篇关于院前急救,心电图,微服务,长短期记忆,辅助诊断的论文, 主要内容为在现代医疗体系中,“120”已经从单纯的转运工具演变为急救医疗过程中不可或缺的一员。然而,由于医疗条件的限制,救护车难以快速抵达偏远地区的急救现场以实现转运,急救中心无法及时掌握病人的情况以提供及时的援助。同时,大城市的救护车虽然设备齐全,但由于缺乏实时信息传输和快速有效的医疗决策手段,“120”的全部潜力未能得到充分发挥。因此,如何建立一套系统化、高效化、规模化的院前急救系统,是当前整个急救系统中面临的重要问题。本文基于陕西省某县院前急救系统体系能力建设项目,旨在通过深度学习技术、现代化信息技术应用,使得急救中心能在院前急救过程第一时间更全面地掌握患者病情、采取正确的医务处理措施、使院内抢救准备更具针对性,从而为提高急救质量提供系统支撑。本文的工作主要分为以下几个部分:(1)实现急救过程中的信息整合和共享,尽可能消除“信息孤岛”问题通过使用本系统,120急救客服能够查看本区域所有急救车辆的状态和信息,同时可以迅速将患者信息上传,并根据患者位置信息对急救车辆进行快速指派,以便以最快速度接触患者;急救人员可以根据录入的患者身份信息,调取患者的电子病历并根据相应信息联系专家进行协助救治;院内人员可以根据院前告知的结果,提前安排救治人员就位。在此过程中,患者信息和急救资源实现了信息互通,从而一定程度上避免“信息孤岛”问题,提高整体的救治效率。(2)设计一种双向长短期记忆神经网络以辅助专家医生实现高效远程诊断本文设计了一种双向长短期记忆网络,对院前急救过程中的心电数据进行处理分析以为专家提供辅助诊断信息,同时通过专用网络,专家可进行实时视频会诊,并根据辅助诊断信息尽可能早作出医疗决策。(3)建立一套高可用、高性能和易拓展的院前急救系统在本系统中,将现代化信息技术、深度学习等技术应用于院前急救过程,结合辅助诊断的形式,将信息进行快速整合以及流转,实现院前院内救治流程的高效衔接;同时,采用微服务的思想来设计,加强系统的松耦合性,实现系统的高拓展性;使用集群部署服务,避免单点故障、数据丢失等问题,保障系统的高可用和高性能。