摘要：目的探究突发公共卫生事件应急处理对院前急救工作效率产生的重要影响,研究应急处理前后对重庆市120急救调度的影响程度。方法将120电话接听和车辆运行效率作为研究对象,收集重庆市急救医疗中心的院前急救数据,时间范围为2021年11月10日至2023年1月6日。按照应急处理相关时间分组,采用断点回归设计方法在同一期间进行对照比较,即实施应急处理的真实值与没有实施应急处理的预测值(虚拟)比较,推理出应急处理的平均干预效应。结果在间隔为27 d的研究时间段内,120电话接听的10 s内摘机数量从11000升至19000,但10 s内接听率略有下降;应急处理期间的120急救空车率从0.39%降低到0.20%,但18 min内的完成率从72%降低到了30%;在特殊的应急处理期间,相应的患者主诉数量(如高热和呼吸困难)较应急处理前有明显增加。结论应急处理对院前急救工作如急救电话接听和车辆运行效率等产生了重要影响,本研究为城市急救医疗服务应对突发公共卫生事件提供实证结果和决策支持。

摘要：在实际分类决策中,序贯三支决策模型为决策者提供了一个渐进式的决策方法.然而,现有序贯三支决策模型的研究从提高分类精度或减少不确定性的动机来求取每一粒层的决策阈值,缺乏对二者的综合考虑.为了解决这个问题,本文结合博弈论的思想构建了基于错误分类率与边界域不确定性博弈的序贯三支决策模型.首先,分析了序贯三支决策模型中边界域不确定性与决策区域错误分类率的变化关系并构建了二者之间的博弈;其次,从博弈终止的条件出发,基于纯策略纳什均衡原理,提出了求取每一粒层自适应决策阈值的优化模型;再次,为了比较不同模型的效果,从多目标决策的角度,设计了基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的阈值选取方法;最后,通过UCI数据集进行了两种模型的对比实验.实验结果表明:基于博弈论的序贯三支决策模型求取的决策阈值具有更小的错误分类率以及更合理的阈值结构.

摘要：目标检测器现已被广泛应用在各类智能系统中,主要用于对图像中的物体进行识别与定位.然而,近年来的研究表明,目标检测器与DNNs分类器都易受数字对抗样本和物理对抗样本的影响.YOLOv3是实时检测任务中一种主流的目标检测器,现有攻击YOLOv3的物理对抗样本的构造方式大多是将生成的较大对抗性扰动打印出来再粘贴在特定类别的物体表面.最近的研究中出现的假阳性对抗样本(false positive adversarial example,FPAE)可通过目标模型直接生成得到,人无法识别出该对抗样本图像中的内容,但目标检测器却以高置信度将其误识别为攻击者指定的目标类.现有以YOLOv3为目标模型生成FPAE的方法仅有AA(appearing attack)方法一种,该方法在生成FPAE的过程中,为提升FPAE的鲁棒性,会在迭代优化过程中加入EOT(expectation over transformation)图像变换来模拟各种物理条件,但是并未考虑拍摄时可能出现的运动模糊(motion blur)情况,进而影响到对抗样本的攻击效果.此外,生成的FPAE在对除YOLOv3外的目标检测器进行黑盒攻击时的攻击成功率并不高.为生成性能更好的FPAE,以揭示现有目标检测器存在的弱点和测试现有目标检测器的安全性,以YOLOv3目标检测器为目标模型,提出RTFP(robust and transferable false positive)对抗攻击方法.该方法在迭代优化过程中,除了加入典型的图像变换外,还新加入了运动模糊变换.同时,在损失函数的设计上,借鉴了C&W攻击中损失函数的设计思想,并将目标模型在FPAE的中心所在的网格预测出的边界框与FPAE所在的真实边界框之间的重合度(intersection over union,IOU)作为预测的边界框的类别损失的权重项.在现实世界中的多角度、多距离拍摄测试以及实际道路上的驾车拍摄测试中,RTFP方法生成的FPAE能够保持较强的鲁棒性且迁移性强于现有方法生成的FPAE.

摘要：邻域覆盖模型由于其原理简单以及对复杂数据具有较好的处理能力,在分类任务中得到了广泛应用。然而,邻域覆盖模型普遍存在运行效率较低的问题,且缺乏相关研究工作。为解决此问题,在传统邻域覆盖模型中引入距离间的三角不等式关系以提升构建邻域的效率,同时引入局部策略,定义了局部邻域覆盖以提升构建邻域覆盖的效率。为提升运行效率,从两个角度对传统邻域覆盖模型进行了改进,提出了基于三角不等式判定和局部策略的邻域覆盖模型(Neighborhood Covering Model based on Triangle Inequality Check and Local Strategy,TI-LNC)。此外,当前基于邻域覆盖模型的分类算法通常仅根据邻域中心以及邻域半径对样本进行分类,缺乏对邻域内样本信息的使用,从而影响了分类精度。为提高邻域覆盖模型的分类精度,增加了对邻域内样本信息的考虑,并基于TI-LNC设计了新的分类算法。在10个UCI数据集上的实验结果表明,所提模型能达到较高的运行效率以及较好的分类精度,具有一定的合理性及有效性。

摘要：传统的多标签文本分类算法往往只关注文本本身的信息,在挖掘标签间的关联信息过程中存在不足,很大程度上影响了模型的分类性能。为了充分利用标签信息捕获标签之间的依赖关系,提出一种融合注意力与CorNet的多标签文本分类算法。该算法针对文本内容编码部分,使用双向长短时记忆网络获得文本语义表示,通过多标签注意力机制捕获文本中的重要单词;同时,针对标签编码部分,利用图注意力网络捕获标签间的依赖关系,设计“文本-标签”注意力机制将其与文本上下文语义信息进行交互,获得基于标签语义信息的文本特征表示;最后,使用自适应融合机制将上述两部分融合,并通过CorNet模块学习标签相关性以增强标签预测。在AAPD、RCV1-V2和Reuters-21578数据集上的实验结果表明,所提出的算法能够有效捕获标签之间的依赖关系,其性能优于当前主流的多标签文本分类算法。

摘要：非负矩阵三因子分解是潜在因子模型中的重要组成部分,由于能将原始数据矩阵分解为三个相互约束的潜因子矩阵,被广泛应用于推荐系统、迁移学习等研究领域,但目前还没有非负矩阵三因子分解的可解释性方面的研究工作。鉴于此,将用户评论文本信息当作先验知识,设计了一种基于先验知识的非负矩阵半可解释三因子分解(PE-NMTF)算法。首先利用情感分析技术提取用户评论文本信息的情感极性偏好;然后更改了非负矩阵三因子分解算法的目标函数和更新公式,巧妙地将先验知识嵌入到算法中;最后在推荐系统冷启动任务的Yelp和Amazon数据集以及图像零次识别任务的AwA和CUB数据集上与非负矩阵分解、非负矩阵三因子分解算法做了大量对比实验,实验结果表明所提算法在均方根误差(RMSE)、归一化折损累计增益(NDCG)、归一化互信息(NMI)和准确率(ACC)上都表现优异,且利用先验知识进行非负矩阵三因子分解的解释具有可行性和有效性。

摘要：针对智能车辆自主驾驶行为研究,提出并实现了一种基于视觉导航的缩微智能车系统.从软硬件架构、数据通信方式上介绍了缩微智能车系统的整体设计,并针对缩微道路交通环境中传统车道线检测技术易受光照变化影响的问题,提出一种灰度形态学Top-Hat变换与亮度轮廓扫描方法相结合的车道线检测算法.为分析智能车在缩微交通环境下的自主驾驶表现,设计了一种模拟驾驶员转向行为的舵机模糊控制算法.实验结果表明,该方法可以有效模拟车辆在真实道路交通环境中的自主驾驶行为,为智能交通系统研究提供了一种新思路.

摘要：文章研究了一阶多智能体系统的领导者-跟随者一致性问题.在考虑跟随者之间具有无限通信时延的情形下,设计了相应的分布式控制协议.基于M-矩阵方法与不等式分析技巧,在假设智能体通信拓扑存在以领导者为根的生成树下,获得了多智能体系统达到领导者-跟随者一致性的充分条件.最后通过数值仿真验证了所获理论结果的有效性.

摘要：近年来,人工智能技术被广泛应用于核电领域,以促进核电厂通过实现自诊断、自寻优、自适应,最终达到提高生产效率、降低运行成本、提高运行安全性的目的。本文介绍了在核电领域经常使用的人工智能技术,总结了其在智慧矿山、智能设计、智能制造和智能运维4个核工业典型应用场景中的研究现状,最后,从数据样本、网络安全、深度学习的解释性3个方面分析了人工智能技术在核电领域应用的挑战和发展趋势。

摘要：最优粒度选择是序贯三支决策领域研究的热点之一,旨在通过合理的粒度选择来对复杂问题进行求解。在现阶段最优粒度选择中,代价敏感是影响决策的重要因素之一。针对这个问题,该文首先基于信息增益和卡方检验提出一种新的属性重要度计算方法;其次,为了更好地符合实际应用场景,在构建多粒度空间时将代价参数与粒度大小相结合,设置了相应的惩罚规则,并分析了决策阈值的变化规律;最后,为了消除测试代价和决策代价量纲不一致所带来的影响,借助变异系数设计了一种客观的代价计算方法。实验结果表明,该模型适用于现有代价认知场景,能在给定代价情况下选出代价最小的最优粒层。