RHS-CNN:一种基于正则化层次Softmax的CNN文本分类模型

传统的卷积神经网络分类模型(CNN)的输出层采用扁平式架构的标准Softmax,在数据量较大、类别较多的文本分类任务中计算复杂度高,训练耗时长;而基于霍夫曼树(Huffman tree)构建的改进算法——层次Softmax(hierarchical softmax,H-Softmax)能极大地提高训练速度,但由于加入了大量的节点参数,使得优化难度增加,优化需要更长的迭代步,且容易过拟合,继而影响模型的拟合速度和分类效果。为此,提出了改进算法模型RHS-CNN(regularization hierarchical softmax CNN),采用正则化的方法,对H-Softmax的节点参数进行约束,避免过拟合,增强模型的泛化能力。实验分析结果表明:所提出的方法在相应评价指标上相对Softmax、H-Softmax有着一定的提升。     

基于卷积神经网络的在线产品销量预测分析研究

研究针对在线产品销售的决策需求,结合各行业在线产品的销量影响因素及深度学习算法优势,构建了适用于在线产品的销量预测模型,并重点评估了模型在不同种类在线产品上的适应性。研究过程将全连接模型与CNN的训练结果进行了对比,证明了CNN模型的精度和泛化能力。通过选取非深度学习模型Adaboosting作为对比基线,证明CNN模型在不同类别产品下的性能优势。另外,实验得出经过无监督预训练的CNN模型在销量预测问题上更有效、适应能力更强的结论。     

基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

雾环境下的船舶目标检测研究

针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低等问题：首先构建出雾环境下的船舶目标检测数据集;接着在YOLOv5基础上进行改进,在原网络结构基础上,为使深度可分离卷积更接近可分离卷积,使用GSConv模块替换Head部分CBS模块,以提高模型精准度,并引入Slim-Neck范式,进一步提高模型平均精准度,降低模型的计算量。同时,采用多项式损失函数替换原二元交叉熵损失函数,以提高模型的精准度,并引入SIoU Loss消除真实框与预测框方向问题的缺陷,以提高训练速度和推理准确性。实验结果表明,模型在mAP_0.5指标上达到95.7%,相较于基础YOLOv5模型,改进后的船舶目标检测模型mAP_0.5提高0.9%、mAP_0.95提高0.9%,同时FLOPs也降低2.1G。这一结果表明,雾环境下的船舶目标检测模型具有更优的精准度和更轻量的模型结构,在提高雾环境下船舶检测的精准度和效率方面具有很好的应用前景。     

CNN与SVM和ResNet相结合的牛脸识别系统模型研究与实现

针对传统的牛个体身份识别需借助外部工具而产生的管理上的安全隐患及对牛身体的刺激和物理伤害问题,提出基于图像方法的牛脸生物特征提取的方法进行身份识别。同时,由于CNN对硬件设施有高要求并且识别精度低、速度慢,以及传统机器学习方法对先验知识的依赖性,考虑到牛脸数据采集困难的小样本问题,以及自然野外光照、视角、距离、运动等客观环境因素与牛脸特征复杂性,提出以CNN为主体且引入ResNet和SVM相结合的牛脸识别与检测的算法与模型,其较传统的CNN网络结构具有训练收敛速度快、识别率高及泛化性强等特点。在Andriod平台下运用该轻量型模型设计了安卓手机APP,完成了方便快捷的实时识别目标,并通过了实验验证,实验结果准确率达95.1%以上。     

基于极限学习机的中文文本分类方法

针对当前中文文本分类方法难以平衡分类精度和学习效率的问题,提出了一种基于极限学习机(ELM)的中文文本分类方法,该方法包括预处理模块、文本特征提取模块、特征融合模块和基于极限学习机的分类模块。在分类模块中,提出采用单隐层神经网络作为分类器并使用ELM算法来训练分类器,有效地平衡模型性能和学习效率。同时分别针对不同的特征训练分类器,集成不同分类器的输出得到最后的分类结果,有效提高了平衡分类精度,并在电网档案管理系统的档案归类任务中对该模型进行应用评估。实验结果表明,该模型不仅有较高的分类精度,而且在训练和测试两个阶段模型的计算都具有较低的代价。所提方法适用于海量数据下的中文文本分类场景,具有重要的研究意义和推广价值。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

保险业财产损失分布的拟合及预测——基于RBF神经网络的应用分析

依赖传统的损失分布理论,财产损失分布模型拟合的优劣往往取决于经验分布函数的选择和参数的确定.由于财产损失信息的不完整和损失数据的不充分,经验分布函数的选择有时会出现较大偏差,难以保证损失分布模型较好的拟合性和有效的预测性.为改进测算效果,采用径向基神经网络,在对原始数据进行平滑处理的基础上学习与训练,进而设计未来财产损失测算模型、选择现实数据模拟并进行实证分析.研究结果表明,RBF神经网络用于财产损失分布的拟合及预测具有良好的适用性,而且随着训练样本.数量的增加,模拟值逐渐逼近真实值;RBF人工神经网络建立的模型,能够很好的将财产损失中的非线性关系描述出来,并且随着观察数据的不断更新,所建立的非线性模型与实际系统更加接近,使得非线性模型能够取得比线性模型更加良好的模拟预测结果.     

中国海外上市公司的PCA-SVM财务危机预警研究

在支持向量机(Support Vector Machine,SVM)方法的基础上融入主成分分析(Principal Compo-nent Analysis,PCA)方法,可构建PCA-SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA-SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%，使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

基于YOLOv5深度学习模型的动态靶标识别跟踪方法

针对火炮身管动态靶标识别跟踪精度和实时性不高的问题,提出了一种基于YOLOv5深度学习模型的靶标识别跟踪方法。分析了靶标识别跟踪过程和基本思想,通过网格化模型对靶标样本图像进行多尺度处理,并利用金字塔模型进行融合预测;搭建了YOLOv5网络模型,对组件设置优化;对比了损失函数对锚框识别效果的影响,并选取优化后的CIOU作为模型损失函数;最后对模型进行训练,并利用训练好的模型对动态靶标进行识别跟踪。实验结果可视化分析显示,靶标动态识别跟踪率可达到99.3%,动态实时跟踪效果较好。     

PCA支持向量机回归集成股市预测应用

利用主成分分析(PCA)方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

Chan-Vese图像分割模型的快速实现算法的研究

重初始化是水平集方法耗时的一个主要原因,通过将水平集函数与符号距离函数的偏差作为能量项引入C-V模型,以此来约束水平集函数成为符号距离函数,从而去掉了重初始化步骤。在检测多目标时,采用了曲线族代替单曲线作为初始曲线。在数值算法上,利用加性可操作分裂算子(AOS)消除了对时间步长的限制,可以选择大步长,从而加速了演化过程而且绝对稳定。实验结果表明,分割速度相对于经典的C-V模型有了很大的提高,而精度损失可以忽略。     

谈谈阅读教学中的写作教学渗透

语文课堂阅读教学中的许多环节,从本质上说,是从写作的角度进行分析鉴赏的,是写作知识的传授与习得。因此,阅读教学中应该进行适当的写作教学与训练的渗透。阅读教学中进行写作教学与训练的渗透,可以从多点进行:以教学文本中的经典词语为基础进行"联词组段"训练,以教学文本中的精彩语段为基础的创新练笔,以教学文本为对象的不同层面的赏析、评介等文艺评论性的练笔,以教学文本为基础的积累写作素材训练。阅读教学向写作教学、训练渗透的最终目的是达到教、读、写的双赢。     

人工智能聊天机器人对科研成果与人才评价的影响研究——基于ChatGPT、Microsoft Bing视角分析

美国开放人工智能研究中心(OpenAI)研发的人工智能聊天机器人ChatGPT,基于“生成预训练转换器”(GPT)语言模型能够理解和响应自然语言输入，于2022年11月30日正式发布，短时间内在全球互联网界、学术界及产业界引发热议和关注。以ChatGPT、Microsoft Bing为代表的人工智能聊天机器人基于超大海量数据，采用“从人类反馈中强化学习”(RLHF)进行训练，主要具有三大功能：智能交互对话、智能文本生成、智能文献爬取。人工智能聊天机器人的核心竞争力是采用人工智能生成内容技术(AIGC)而具有强大的内容生成或文本生成能力，除能够生成一般应用性文稿外，还能够从事科学写作，从而引领和推动知识生产方式和学术研究范式变革，知识生产和学术研究进程将显著提速，知识生产者将从非创造性劳动中获得解放，知识生产方式将由“手动式”“半自动式”迈向“自动化”“智能化”。这种变革对传统的科研成果评价机制将产生重大影响，更进一步将对通过科研成果进行人才评价产生重大影响。大体上说，以ChatGPT为代表的人工智能聊天机器人应用于学术研究中，将遮蔽成果演化学术史，影响科研成果创新性评价；挑战知识产权保...     

人工智能生成发明专利充分公开问题研究

既有事实证明,具备自主学习能力的人工智能系统在大数据训练下能够自主生成发明,如何对生成发明实现专利制度上的公开,是需要面对的重要问题之一。建立类似于微生物保藏算法的公存体系以及创新性的数据流动跟踪系统,可以解决在人工智能生成发明申请专利过程中所面临的由“黑箱现象”造成的训练数据、训练模型等公开难题。     

汉语构词范式初探

简缩式双音词的流行使用表明“双字格”凭着极强的新词生成能力已成为汉语构词范式。其形成经历了“模仿范例—泛化定型—格式化—词化”的发展过程。组合式“双字格”的形成,是以联绵词为范例,逐渐泛化定型,成为汉语双音构词的基本格式;简缩式“双字格”的形成,则选择了以组合式“双字格”为范式,这一选择在客观上促使了“双字格”最终成为汉语构词范式。     

车辆四轮随机输入模型研究

推导了以滤波白噪声方法生成的随机路面的频谱函数,通过调整白噪声的功率谱密度确保随机路面模型在功率谱意义上与实际道路相符.基于左右轮输入间的相关性以及其相干函数模型,应用遗传算法求解左右轮输入间的传递函数,结合前后车轮输入的滞后关系,详细地给出了车辆四轮随机输入时间序列的生成方法.     

语文教学,追求理想的教学生成

在新课程标准下,和谐统一的课堂教学预设与生成,正得以倡导,理想的教学生成,是语文课堂教学应有的追求,但伪生成也像泡沫一样浮泛:无预设、泛化课程资源、形式主义、脱离文本、鼓励误读.追求动态生成,应提供环境,留足空间掌握提问艺术.对语文教师的语文功底和德识才学水平提出了更高要求.     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。