融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测，基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型，集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力，提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照，以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证，结果表明，Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模，注意力机制有助于减缓多步预测中的预测精度衰减，提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长，传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断，可大大缓解人工阅片压力，提高诊断的准确性，促进医疗流程的标准化建设等。目前，深度学习卷积神经网络在医学影像处理中已取得不俗表现，但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解，对近几年相关研究进展进行了综述。首先，综述了深度学习在医学领域的应用现状及面临的问题，对神经网络的可解释性内涵进行了讨论；然后，从现有深度学习可解释性的常见方法出发，重点讨论了医学影像处理的深度学习可解释性研究进展；最后，探讨了医学影像处理的深度学习可解释性的发展趋势。     

优化MGM(1,n)模型及其应用研究

从最小二乘估计的适用条件出发,在建立MGM(1,n)模型前,先采用BoxCox变换对原始数据进行变换,以解决或缓解误差项的正态性偏离问题.首先,以模型拟合平均误差最小化为目标,建立非线性优化模型,在参数的置信区间内,应用PSO(Particle Swarm Optimization)算法求最优解.然后,应用求解得到的参数,建立优化MGM(1,n)模型.在实例分析中,将优化MGM(1,n)模型应用于深基坑围护结构变形预测,实验结果表明通过对原始数据做合适的Box-Cox变换,能够有效提高模型的拟合及预测精度,拓广多变量灰色预测模型的适用范围.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

Semiotic Aggregation in Deep Learning

Convolutional neural networks utilize a hierarchy of neural network layers. The statistical aspects of information concentration in successive layers can bring an insight into the feature abstraction process. We analyze the saliency maps of these layers from the perspective of semiotics, also known as the study of signs and sign-using behavior. In computational semiotics, this aggregation operation (known as superization) is accompanied by a decrease of spatial entropy: signs are aggregated into supersign. Using spatial entropy, we compute the information content of the saliency maps and study the superization processes which take place between successive layers of the network. In our experiments, we visualize the superization process and show how the obtained knowledge can be used to explain the neural decision model. In addition, we attempt to optimize the architecture of the neural model employing a semiotic greedy technique. To the extent of our knowledge, this is the first application of computational semiotics in the analysis and interpretation of deep neural networks.     

A picosecond widely tunable deep-ultraviolet laser for angle-resolved photoemission spectroscopy

We develop a picosecond widely tunable laser in a deep-ultraviolet region from 175 nm to 210 nm,generated by two stages of frequency doubling of a 80-MHz mode-locked picosecond Ti:sapphire laser.A β-BaB2O4 walk-off compensation configuration and a KBe2BO3F2 prism-coupled device are adopted for the generation of second harmonic and fourth harmonics,respectively.The highest power is 3.72 mW at 193 nm,and the fluctuation at 2.85 mW in 130 min is less than ±2%.     

量子阱层和垒层具有不同Al组分的270/290/330nm AlGaN基深紫外LED光电性能

为了研究AlGaN量子阱层和垒层中Al组分不同对AlGaN基深紫外发光二极管(LED)光电性能的影响,本文利用MOCVD生长、光刻和干法刻蚀工艺制备了AlGaN量子阱层和垒层具有不同Al组分的270/290/330nm深紫外LED,通过实验和数值模拟计算方法发现,量子阱层和垒层中具有低Al组分紫外LED的AlGaN材料具有较低的位错密度、较高的光输出功率和外量子效率。通过电流-电压(I-V)曲线拟合出的较大的理想因子(3.5)和能带结构图表明,AlGaN深紫外LED的电流产生是隧穿机制占据主导作用,这是因为高Al组分AlGaN量子阱中强极化场造成了有源层区域较大的能带弯曲和电势降。