基于改进的T型关联度在音乐分类中的应用

在音乐分类问题中,绝大多数的算法需要提取多个特征值进行分析,工作量和复杂程度也随之增加,并且分类太绝对化.为了降低工作量和复杂程度,采用新的方式对音乐进行分类,即引进灰色关联度分析方法.现有的灰色T型关联度模型均存在不足,对序列采用绝对初值化处理,并且对关联系数计算公式进行改进,增强了结果的准确性和可信度.将提取出的短时能量、短时平均过零率和短时平均幅度作为音乐分类的三大特征值,对大部分音乐进行了较为准确的分类,排除率达到90.1%.而且此方法能够体现出各音乐之间的关联程度,使得分类更加人性化,这点具有现实意义.并且避免了复杂的计算过程和巨大的工作量,简化了解决问题的方式,也减少了对特征值的依赖,仅采用三种特征就达到了很好的效果.这充分反映了思路的正确性、实用性和可行性.     

纯水机的分类方式

依据仪器技术指标和应用领域，纯水机的分类方式如下： （1）常规理化分析型：适用于常规化学分析，定性分析，缓冲溶液配制等；     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

非线性科学中的对称性研究及其应用

自1990年宁波大学非线性科学课题组完成非线性系统对称性约化的第1个对称性专题研究以来, 宁波大学的非线性科学研究,特别是非线性系统的对称性研究成为一个特色, 引起了同行的广泛关注. 宁波大学非线性科学团队在对称性研究方面的主要进展有: 递推算子的因式化和逆递推算子及逆对称和逆可积梯队、形式级数对称法、非局域对称及其局域化、达布变换和非局域对称、条件对称和分离变量法、对称群直接法、群不变非线性系统分类、超对称和玻色化、留数对称、从对称性到达布变换、非局域对称的对称性约化和相容Riccati展开法、完备对称和可积性、大气和海洋系统中的对称性应用、离散对称和多地物理学、局域对称和非局域对称的对偶及可积系统的正梯队和负梯队的对偶等.     

“伪双杆”问题分类剖析

在电磁感应“双杆”问题中,一杆作切割磁感线运动,而另一杆静止；或者另一杆运动但不切割磁感线；还有双杆不同时切割类“伪双杆”等问题的分类例析.     

以函数为载体的新定义试题

<正>新定义题目为近年中考热点问题,既能考查同学们的基础知识,又能考查同学们的阅读理解能力、抽象概括能力和思维创新能力,体现出"考查能力"的主旨.求解时应从所给的新定义出发,化"新"为"旧",也就是把新定义内容转化为所学过知识,从而达到化"未知"为"已知"的目的,再运用相应"旧知"的基本概念和性质定理,层层递进,进而解决这类问题.现举例加以说明,供参考.     

对一道复合函数题的反思

<正>~~     

求一次函数解析式时要注意“陷阱”

<正>一次函数是初中数学的一个重点,求一次函数解析式时,同学们常因为忽视隐含条件、概念模糊、性质理解不透、问题考虑不周等等而误入"陷阱",出现了这样或那样的错误.下面就用年号问题为例来说明,求一次函数的解析式时要注意"陷阱".(一)忽视分类讨论坠入"陷阱"例1已知一次函数y=kx+b(k≠0)的图像与x轴交于A(2015,0)、与y轴交于点B,并且△AOB的面积为4030,求此函数的解析式.     

收敛性随机森林模型及其遥感应用

通过引入全局损失函数,提出了一种全局优化的随机森林模型算法,称为θ-β型随机森林,并且利用改进后的模型对城市遥感图进行了检测与识别,识别准确率与识别速率都得到了一定的提高.方法在经典随机森林模型的基础上加入前向反馈模型(Forward Stagewise Additive Model),通过每一层节点的训练结果干预下一层的训练数据(从而改变阈值θ的选择)与训练步长(β),使得最后训练得到的型随机森林收敛速度更快,预测结果更为准确.