学术成果

磁共振成像（MRI）是脑癌诊断与分类的重要工具。结合现代卷积神经网络（CNN）技术，可有效提升肿瘤分类的准确率与效率，为临床医生提供重要参考。既往研究表明，CNN在医学图像分类中具有优势。然而，针对不同CNN模型在脑癌MRI图像分类任务中性能差异及其超参数优化的深入探讨仍显不足，限制了临床应用中的模型选择与准确率提升。

本文提出一种基于归一化熵作为基础度量的变点检测概念，旨在克服传统熵方法对数据分布假设与绝对尺度的依赖。归一化熵通过标准化将熵值映射至[0,1]区间，从而准确刻画数据复杂性的相对变化。

负载时间序列分析对资源管理与优化决策至关重要，尤其是自动化分析技术。现有研究对样本整体特征的解读尚不充分，导致对具有不同特征（趋势性、季节性、周期性）的样本，其负载水平检测结论存在显著差异。实现自动化、特征自适应且可量化的分析方法仍是一项挑战。本文提出一种基于阈值识别的负载水平检测算法（TRLLD），该算法依据样本特征，有效识别任意规模与任意分布类型样本中的不同负载水平区域。

现有时间序列相关性研究方法往往过度依赖整体统计特征，而忽略数据在时间维度上的动态变化，尤其在趋势拐点识别与复杂相关性判别方面存在不足。本研究提出一种创新的趋势对齐特征相关性匹配方法（TAFC），突破了传统相关性分析的局限。TAFC采用精细的数据预处理流程，并引入两个独特指标：趋势重叠指数度量（Q）与数值相关性度量（P）。

心率变异性（HRV）及RR间期Lorenz图是评估心脏健康状况的关键指标。Lorenz图可有效描述心率的动态变化，但其分类具有挑战性。目前，数学计算是主要的分类方法，但仍存在区域划分困难、模式复杂等问题。卷积神经网络模型已在诸多问题中被证实有效，但其在Lorenz图分类中的应用仍相对有限。本研究旨在提出一种基于预训练卷积神经网络模型的Lorenz图分类先进方法，并依据Lorenz图的形态学特征对其进行分类。

文档具有信息存储、提升工作效率及促进协同创新等功能，在各领域中发挥着重要作用。在SaaS环境中，高效且灵活的文档生成服务不仅是业务流程的核心，也是提升竞争力与推动业务增长的重要工具。高度定制化的文档生成服务可有效处理信息密度高、数据表达形式多样的文档，从而提升数据的可读性、可操作性与灵活性。

节点负载率的计算对分布式系统中负载均衡策略的质量具有关键影响。现有常用节点负载率计算方法未能充分考虑节点当前实际状态，导致其计算结果与实际情况存在偏差。本文聚焦于分布式信息系统，以数据库为切入点，提出一种适用于负载均衡策略的、基于数据库查询统计的节点负载率计算方法。