重症监护病房紧急状况预警算法

重症监护病房中的病人身体状况通常很不稳定,常出现各种需要医护人员介入治疗的紧急状况。由于医疗资源有限,医护人员可能无法及时发现并处理这些紧急状况,给病人的存活率带来严重的负面影响。如果可以预测这些紧急状况的发生,并及时通知相关医护人员,将大大提高病人的存活率。常见重症监护病房紧急状况包括突然死亡、败血症、肺部感染、急性低血压、以及器官衰竭等。紧急状况预警建模主要采用病人的长时间生命体征监测数据,预测在一定时间之后发生某种紧急状况的可能性。预警模型所采用的监测数据分为静态数据、事件数据和时间序列数据等三类。静态数据具有容易采集、但预测准确性偏低的特点。事件数据或时间序列数据、以及多种类型数据的混合数据对于紧急状况预警模型的预测性能的提高有重要作用,将会获得更广泛的应用。     

SAS数据挖掘在冷轧酸洗卷质量缺陷分析中的应用

数据挖掘作为一种发现大量数据中潜在信息的数据分析技术,受到各界的密切关注。SAS数据挖掘技术是众多数据挖掘方法中的佼佼者,它在大型企业中得到很好的应用。本文介绍数据挖掘的背景知识,并利用SAS/EM工具,对该技术在冷轧酸洗卷质量缺陷原因分析作了初步尝试。     

基于SQL Server的OLAM的研究及应用

OLAM(On-line Analytical Mining)是当前的热点技术,是融合了联机分析处理(OLAP)和数据挖掘(Data Mining)的一种新的数据挖掘技术。本文主要研究数据仓库中OLAP,On-line Analytical Processing和数据挖掘技术,这两个技术是商业智能中的核心技术和主要内容,在两者的基础上引入OLAM的概念,并阐述其基本原理和核心技术。基于微软的SQL Server平台,为一个商业案例建立数据仓库,利用Analysis Services服务,建立销售分析的多维数据集,利用OLAM的基本模型实现OLAP和聚类挖掘技术的结合,借助两者的各自优势,得到很好的客户聚类分析结果。     

基于SOM的模糊聚类在Web日志挖掘中的应用

将自组织映射神经网络（SOM）与FCM结合,利用SOM的并行计算能够减少模糊C均值算法在处理海量数据时的聚类时间,可以提高聚类算法的速度和效果,同时使用该算法对校园网Web日志进行数据挖掘,能够对用户行为进行分析,从而提出相应的方法,更好地提高服务效率和管理质量。     

阿姆河流域耕地变化及水土匹配特征分析

基于中亚阿姆河流域4个分区1990—2015年间土地利用变化和水资源等数据,运用耕地变化速率、洛伦兹曲线和基尼系数法以及水土资源匹配系数对阿姆河流域耕地变化和水土匹配状况进行了综合分析。结果表明:1990—2015年阿姆河流域耕地以146.74 km²/a的速度在扩张,且各时期、各分区扩张的速度不同;在不考虑咸海来水不断减少、生态持续恶化的前提下,绿洲区匹配状况属比较公平和相对合理状况;阿姆河流域水土资源空间分布存在明显的错位现象;全流域生态用水被农业用水严重挤占,阿姆河流域灌溉面积、灌溉用水量成为影响咸海水量及面积变化的重要因素,是一种不可持续的用水方式。     

多机器人网络中资源公平分配的研究

就如何实现多机器人网络中各独立任务资源的公平分配及其服务质量最优化提出了一种新方法。该方法通过对增益控制参数的模糊控制,增强了系统的鲁棒性,并尽可能快速平稳地实现各项独立任务所需资源的公平分配。     

入侵检测主流技术及发展动态

入侵检测技术是网络安全的主要技术和网络研究的热点,入侵检测方法包括基于数据挖掘、粗糙集、模式识别、支持向量机和人工免疫等主要技术,详细分析了各种检测方法在入侵检测应用中的优缺点。通过回顾研究人员近期的研究成果,提出了该技术的主要发展方向,为进一步研究提供参考。     

基于REST架构的矿山数字移动办公平台

基于面向资源思想以及REST架构,首次提出了矿山资源抽象层的概念,将矿山中各个异构系统的功能、文档、界面、工作流等抽象为能够通过标准URI来唯一标识的抽象资源元数据,在决策或智能分析层通过对元数据的分析和处理来实现相应操作或得出相关的分析结果;提出了基于REST框架的矿山数字移动办公平台设计方案,并以神木张家峁矿业有限公司移动办公平台的建设为例,介绍了将多个异构系统快速集成在移动终端的实现方法。应用结果表明,该移动办公平台运行稳定,操作流畅,使得工作人员能够随时、随地、随手办公,大大提高了办公灵活性及效率。     

基于数据挖掘的复杂装备维修辅助决策研究

文章通过某装备维修信息框架分析,维修数据预处理,然后以维修记录为例,挖掘出了维修件之间关联规则,并采用决策树分类方法对维修件进行了分类,这些规则和分类结果可以为维修计划制定、器材采购、视情维修等方面提供决策依据。     

偏最小二乘回归在气温预测中的研究与应用

气温的预测要考虑多重气象因子,然而各气象因子间的多重相关性导致普通的多元回归模型失真,预测精度降低。为了解决以上问题,本研究采用偏最小二乘回归(Partial Least Squares Regression,简称PLS)建模,根据实际建模需要对算法进行改进。为了验证该模型,本研究以成都市10月份气温场为预报场,并结合成都市13个自动站气温数据,提取预报所需主要因子,进行PLS回归建模。实验表明该模型有较好的预测能力。