人工智能融入新工科概率论与数理统计课程的延伸教学探究

本文选取搜索引擎语法纠错的条件概率应用和图像模糊滤镜的二维正态分布应用案例，探究将其引入概率论与数理统计的延伸教学环节中的实践方法.     

QDB-张量和SQDB-张量

在文中,我们提出了四类新的结构张量: QDB(QDB0)-张量和SQDB(SQDB0)-张量,并证明了对称偶数阶的QDB-张量和SQDB-张量的正定性,对称偶数阶的QDB0-张量和SQDB0-张量的半正定性.     

基于SARIMA-SVM组合模型的丙型肝炎发病率预测研究

基于SARIMA-SVM组合模型对丙型肝炎发病率进行预测研究.首先,利用2011年1月至2020年12月的发病率数据分别建立SARIMA模型、SVM模型和SARIMA-SVM组合模型;然后,利用2021年1月至12月的发病率数据验证模型的预测效果,并得出SARIMA-SVM组合模型的预测精度较高;最后,利用SARIMA-SVM组合模型对2022年1月至12月的发病率数据进行预测.预测结果可为相关部门对丙型肝炎的预防和控制提供科学依据与数据参考.     

构造纠缠目击的一般方法

量子纠缠作为量子通信和量子计算过程中不可缺少的资源,在量子信息领域中有着广泛的应用.如何判定一个给定的量子态是否为纠缠态仍然是一个重要的课题.纠缠目击是一种特殊的自伴算子,它可以用来判断一个量子态是否为纠缠态.本文首先从纠缠目击的定义入手,给出构造纠缠目击的一般方法,证明了当一个可测量A在可分纯态上的最大期望CA严格小于它的最大特征值λ_(max)(A)时,对任何满足条件C_A≤Cλ_(max)(A)的参数C,算子W_C=CI-A都是一个纠缠目击;然后,作为应用得到了利用图态的稳定子构造纠缠目击的一系列方法.     

超强磁场下中子星壳层的电导率和磁星环向磁场欧姆衰变

磁星是指主要由磁场提供辐射能量的一类脉冲星.部分宁静状态下的磁星X射线有热起源,对应的温度kT为0.2—0.6 keV (1 eV=1.602×10~(–19) J),这比转动供能的脉冲星的典型温度值高很多,并且可以用黑体谱来拟合.对磁星的观测和理论研究是当前脉冲星领域一个重要的热点.结合物态方程,本文首先计算了在超强磁场下壳层的电导率;从统计上研究了由于环向磁场衰变,磁场能释放率与磁星软X射线光度之间的关系.通过分类和数值拟合,所得到的新的拟合公式能较好地反映磁星软X射线光度和旋转能损率之间的关系.研究发现,对于绝大多数高X射线光度的磁星,环向磁场欧姆衰变足够提供其观测的软X射线辐射;对于低X射线光度的暂变磁星,其软X射线辐射可能来源于旋转能损率、磁层流或粒子星风.随着对磁星理论和观测研究的深入,本文模型也会得到进一步的改进,理论结果将更好地符合磁星的软X射线观测.     

SARIMA模型与Holt-Winters模型在丙型肝炎发病率预测中的应用

主要探讨SARIMA模型和Holt-Winters模型在丙型肝炎月发病率预测中的应用价值.首先,利用2006年1月至2018年12月的月发病率数据为基础,分别建立SARIMA模型和Holt-Winters模型;然后,预测2019年1月到12月的月发病率数据,并与实际月发病率数据进行比较,得到SARIMA(2,1,1)(0,1,1)₁₂模型的拟合效果较好;最后,利用SARIMA(2,1,1)(0,1,1)₁₂模型预测了2020年1月至12月的月发病率.研究结果将可为相关部门丙型肝炎防控提供科学依据.     

大数据处理中分类算法的数值比较

针对大数据背景下机器学习的3种新分类算法:支持向量机、增强决策树、随机森林和传统分类的3种算法:逻辑回归、K最近邻法和线性判别分析法,选取了七个不同行业的实例数据集用上述六种分类算法进行数值分析,计算六种分类算法在测试集的总误判概率和两种错误的误判率.分析结果表明:从预测角度上大数据情况下新的机器学习分类算法尤其是随机森林和增强决策树的表现明显优于传统的分类算法.     

基于深度学习的验证码识别技术研究

针对基于机器学习的传统验证码识别受字符分割限制与人工操作过多等问题,基于深度学习Tensorflow学习框架将卷积神经网络应用到验证码的特性提取、分析、归类和识别中.将图片验证码作为整体输入,改进传统的LeNet-5网络结构,构建一种端到端的9层卷积神经网络,对验证码图像由低级到高级逐层提取图像特征,实现对图片验证码的识别.模型确定后采用控制变量法,针对每一迭代次数所处理的图片数量进行分析,对其准确率、损失值、训练时间进行综合测评,最终选取最优参数.实验结果显示,每批次处理128张图片,每迭代次数用时6秒,准确率的上限最高达到92%,损失值的下限最低达到0.0184.