【摘 要】
：
自伤行为对青少年的健康有着极大危害性。建立准确的数学传播模型,探讨自伤行为网络传播的机理,对防控青少年自伤行为的传播有着重要意义。通过分析自伤QQ群信息传播特点,基于传染病模型构建SEIR传播模型,并对模型进行仿真实验,得到自伤QQ群各状态成员的数量变化趋势。结果表明,在自伤行为网络传播过程中,各状态成员数量最终均趋于稳定,各状态成员之间的转化率对传播的影响不尽相同,其中恶化率、快速悔过率及遗忘率
【基金项目】
：
国家自然科学基金项目(71603181)。
论文部分内容阅读
自伤行为对青少年的健康有着极大危害性。建立准确的数学传播模型,探讨自伤行为网络传播的机理,对防控青少年自伤行为的传播有着重要意义。通过分析自伤QQ群信息传播特点,基于传染病模型构建SEIR传播模型,并对模型进行仿真实验,得到自伤QQ群各状态成员的数量变化趋势。结果表明,在自伤行为网络传播过程中,各状态成员数量最终均趋于稳定,各状态成员之间的转化率对传播的影响不尽相同,其中恶化率、快速悔过率及遗忘率与传播速率成正比,改善率与传播速率成反比,传染率和直接免疫率与传播速率相关性较弱。
其他文献
在移动边缘计算网络中,高效的计算迁移算法是移动边缘计算的重要问题之一.为了提高计算迁移算法性能,应用同类问题的相互转换性和最大化影响力模型,利用K-shell算法对边缘服务器进行等级划分,考虑边缘服务器负载过重问题,构建路径重叠(path overlap,PO)算法,引入通信质量、交互强度、列队处理能力等指标进行边缘服务器路径优化,将优化计算任务迁移路径问题转化为社会网络影响力最大化问题求解.基于K-shell影响力最大化思想,联合优化改进贪心与启发式算法,提出一种K-shell影响力最大化计算迁移(K-
数据库自然语言接口(natural language interface to database,NLIDB)能够凭借自然语言描述实现数据库查询操作,是促进用户无障碍地与数据库交互的重要工具.因为NLIDB具有较高的应用价值,近年来一直受到学术与商业领域的关注.目前成熟的NLIDB系统大部分基于经典自然语言处理方法,即通过指定的规则实现自然语言查询到结构化查询的转化.但是基于规则的方法仍然存在拓展性不强的缺陷.深度学习方法具有分布式表示和深层次抽象表示等优势,能深入挖掘自然语言中潜在的语义特征.因此近年来
关于域适应算法的研究显示了对抗性学习填补源域和目标域间差异的有效性,但仍存在其局限性,即仅从2个域抽取的样本不足以保证大部分潜在空间的域不变性.注意到胶囊网络(capsule network,CapsNet)在捕获样本的表征不变性上具有较强的能力,通过结合二者得到了一种新的域适应学习算法.首先,提出了胶囊层卷积算法,并结合残差结构,使得训练更深的胶囊网络成为可能.实验表明,这种新的胶囊网络架构能够在捕获浅层特征时取得更佳的效果.其次,传统的对抗判别域适应算法使用的卷积基容易不加分辨地模糊源域与目标域的界限
图像描述生成结合了计算机视觉和自然语言处理2个研究领域,不仅要求完备的图像语义理解,还要求复杂的自然语言表达,是进一步研究符合人类感知的视觉智能的关键任务.对图像描述生成的研究进展做了回顾.首先,归纳分析了当前基于深度学习的图像描述生成方法涉及的5个关键技术,包括整体架构、学习策略、特征映射、语言模型和注意机制.然后,按照发展进程将现有的图像描述生成方法分为四大类,即基于模板的方法、基于检索的方法
为了揭示犹豫模糊粗糙近似算子更深层次的本质特性,且更进一步研究犹豫模糊粗糙近似空间与犹豫模糊拓扑空间之间的关系,对犹豫模糊粗糙近似算子公理刻画问题的研究具有重要意义.在已有结果中,用来刻画犹豫模糊近似算子的公理集大都含有多条公理.由于近似算子公理化方法在研究粗糙集理论的数学结构中具有重要意义,寻找最小公理集成为公理化方法中的一个基本问题.针对上述问题,首次将公理集中的公理简化为一条,提出一种新的公理刻画形式.首先给出一般犹豫模糊粗糙近似算子的公理刻画,然后分别针对串行的、自反的、对称的、传递的和等价的犹豫
根据虚拟机和容器两种虚拟化技术的特点,在云平台将两种虚拟技术融合,可以实现弹性伸缩的资源供给,从而以更低的成本、更高的效率支撑业务的发展。从现有虚拟机与容器应用场景出发,分析当前现有的虚拟机与容器融合架构,提出一种新的虚拟机和容器超融合架构,使其具备更佳的资源池复用效果,能够实现资源更加细粒度的监控。该融合技术解决了虚拟机和容器融合的资源管理无法相互感知的问题,实现了融合后的容器编排。通过该架构原
程序注释是软件开发过程中不可缺少的工作。大量的Java程序需要准确的注释来提高程序的可维护性。对自动标注方法进行研究,分析现存方法存在的问题,为了改善注释的效率,提出一种基于机器学习的程序注释自动标注方法用于Java程序的自动标注。方法主要分为两个部分:数据的预处理和机器学习模型。数据预处理采用双编码器对程序进行处理,通过已训练的GRU神经网络模型对未注释的Java程序进行自动标注。实验表明该自动
由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类。对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法。利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别。通过对四类局部放电故
在应用KPCA进行故障检测时,根据累计贡献率选取的核主元是数据建模的最佳选择,但不是故障检测的最佳选择。为了解决这个问题,提出一种基于故障检测的KPCA中核主元的选取方法。使用核主元对样本马氏距离的贡献来评估核主元对故障检测的重要性,即运用即时累计贡献率(JITCPC)准则来选取核主元。选定和未选择的核主元分别用于定义主要和次要T~2统计量,运用核密度估计方法计算出99%的控制限。将统计量与控制限
针对当前深度学习在非侵入式负荷分解应用中准确率低、易梯度消失、对使用频率较低的电器分解误差大等问题,提出一种分组空洞残差网络。进行滑动处理增加样本数量后,一方面基于残差网络提取深层负荷特征,降低网络优化难度,解决梯度消失问题;另一方面通过空洞卷积增大感受野,捕获更多数据,解决长时序数据较难学习的问题。实验结果表明,该模型比现有方法分解准确率更高,对使用频率较低的电器分解鲁棒性更好,对实现准确非侵入