基于Windows CE的手持式航海功能绘算系统

针对现代舰船航海的需要,融合GIS和PDA技术,采用模块化设计,研制了“手持式航海功能绘算系统”.该系统在WindowsCE环境下融合多种导航信息,绘算快速准确,运行稳定可靠,操作灵活方便,可以提高舰船航海保障能力.     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

基于注意力机制的CNN-LSTM剩余寿命预测研究

机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性。随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法。文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验。注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命。文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值。     

EZH2、MMP-2及MMP-9在肝癌侵袭转移中的作用及关系

目的检测果蝇zeste基因增强子的人类同源物2(EZH2)、基质金属蛋白酶-2(MMP-2)和基质金属蛋白酶-9(MMP-9)在原发性肝癌组织中的表达,分析三者表达的相关性,并明确三者表达与肝癌临床病理参数间的关系;探讨EZH2在肝癌细胞侵袭迁移中的作用以及对MMP-2和MMP-9表达的影响。方法 qRT-PCR检测EZH2、MMP-2和MMP-9在肝癌组织中的表达;肝癌组织中三者表达的相关性采用Pearson相关分析;采用小干扰RNA转染构建EZH2表达下调的SMMC-7721肝癌细胞系;Transwell小室观察EZH2对SMMC-7721细胞侵袭、迁移的影响;qRT-PCR检测肝癌细胞中EZH2对MMP-2和MMP-9表达的影响。结果原发性肝癌组织中EZH2、MMP-2和MMP-9呈高表达,且其高表达与不良的临床病理因素相关;在肝癌组织中EZH2与MMP-9表达呈正相关;干扰EZH2表达抑制肝癌细胞侵袭、迁移和MMP-9表达。结论 EZH2、MMP-2和MMP-9与肝癌的发生发展密切相关,可成为肝癌的潜在生物标记物和治疗靶点。     

新时期国企党建工作的思考

国有企业在新时期党的建设工作要聚焦企业中心任务,坚持融入管理,服务大局,切实落实"两个责任"践行"两个维护",深化党建工作与业务工作,为谱写国有企业新篇章提供坚强组织保证。1坚持发挥党建统领作用,切实用习近平新时代中国特色社会主义思想武装头脑、指导实践、推动工作(1)始终把思想政治建设摆在首位。要认真贯彻落实中共中央《关于加强党的政治建设的意见》,严格遵守政治纪律和政治规矩,始终在政治立场、政治方向、政治原则、政治道路上同党中央保持高度一致。持续深入学习贯彻党的十九大和历次会议精神以及习近平总书记重要讲话、重要指示批示精神,特别是关于新旧动能转换、高质量发展和国资国企改革的有关指示精神。要深入推进"两学一做",紧密结合思想和工作实际学懂弄通做实。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于自注意力机制与图自编码器的路网交通流数据修复模型

针对城市交通流数据修复问题，提出一种基于图卷积网络和多头自注意力机制的自注意 力图自编码器模型。该模型包括基于拓扑图结构和图信号捕获交通流时空关联性的 STGCN (Spatial-temporal Graph Convolutional Networks)网络。在该网络中使用 LSTM(Long Short-Term Memory)网络学习数据中时序规律，通过注意力网络计算道路自注意力及一阶临近道路注意力系 数，用图卷积网络对图信号重组，达到对缺失数据的精确修复。同时，采用多头自注意力网络计 算数据的注意力权值并对数据重组，捕获交通流数据中的二阶及高阶临近道路空间关联性，提取 已知数据与缺失数据的时间关系，以残差链的形式加入到模型中，作为对STGCN功能的补充。 基于真实数据的实验表明，在多种缺失模式和缺失率下，该模型能够学习路网拓扑关系，捕获数 据中的时间规律性和时空关联性，有效地修复缺失数据。