Item2vec与改进DDPG相融合的推荐算法

传统的推荐算法能够有效解决信息过载问题,但在冷启动和数据稀疏的情况下,传统方法仍有其局限性。针对以上问题本文提出一种基于深度强化学习理论的推荐算法,该算法使用深度确定性策略梯度(DDPG,deep deterministic policy gradient,DDPG)算法来解决推荐问题,使用Item2vec将离散的动作空间转换为连续的表示,同时提出了一种余弦距离和欧氏距离相结合的奖励函数,能够保障神经网络不会过早的收敛于局部最优。应用该算法进行电影的推荐,实验结果表明本文提出的算法能够产生较好的推荐并能缓解冷启动所带来的影响。     

两台恒速机上的MapReduce排序算法研究

研究源自于MapReduce系统的一类排序问题。给定两台恒速机和一组按列表到达的工件，每个工件包含两类任务：Map Task和Reduce Task。假设Map任务和Reduce任务都是不可中断的，Map任务可以并行处理，即可以任意分割成若干小的任务并在两台机器上同时处理，而Reduce任务只可以在单台机器上处理。一旦工件到达，必须为其指派机器和开工时间，目标是使得最后完工时间最小。对LSc算法的竞争比进行了分析，得到其一般情形下的竞争比当$s\geq（1+\sqrt{5}）/2$时为$1+1/s$，否则为$1+s/（s+1）$。而当每个工件$J_j$都满足其Map任务总长大于等于Reduce任务总长时，其竞争比当$s\geq（1+\sqrt{3}）/2$时不超过$1+1/（2s）$，否则为不超过$1+s/（2s+1）$。     

He-Ne激光对增强UV-B辐射拟南芥抗氧化系统的损伤修复

以培养6周左右的拟南芥为材料,采用UV-B辐射(剂量1 KJ/m2/d)和He-Ne激光器(波长632.8 nm,输出功率5 mW·mm2,辐照时间60 s)对材料进行处理,分成CK(没有经过UV-B或激光辐照)组、B(UV-B辐射)组、BL(UV-B和激光复合处理)组和L(激光辐照)组4个不同处理组.结果表明:增强的...     

基于循环生成对抗网络的道路场景语义分割

在无人驾驶技术中,道路场景语义分割是一个非常重要的环境感知任务。传统的基于深度学习方法需要大量像素级标注样本,限制了应用范围。本文提出一种基于循环生成对抗网络的道路场景语义分割方法,无需成对数据也可实现图像语义分割,降低对数据集的要求;使用L2范数和最小二乘损失方法解决训练过程中出现的模式崩溃现象,增加了训练过程的稳定性,并提高了图像分割的质量。为了验证本文方法的有效性,在常用的道路场景数据集进行实验,结果显示该方法的分割精确度有明显提高。     

He-Ne激光对增强UV-B辐射拟南芥抗氧化系统的损伤修复

以培养6周左右的拟南芥为材料,采用UV-B辐射（剂量1 KJ/m2/d）和He-Ne激光器（波长632.8 nm,输出功率5 mW·mm2,辐照时间60 s）对材料进行处理,分成CK（没有经过UV-B或激光辐照）组、B(UV-B辐射)组、BL（UV-B和激光复合处理）组和L（激光辐照）组4个不同处理组.结果表明:增强的UV-B辐射拟南芥幼苗导致MDA(Malondialdehyde)、超氧阴离子含量升高,GSH(Glutathione)含量降低,PAL(phenylalanine ammomia-lyase)、CAT(catalase)和APX(ascorbate peroxidase)活性升高,SOD(supemxide dismutas)活性降低.单独He-Ne激光处理使MDA、超氧阴离子含量降低,GSH的含量升高,SOD、APX、CAT的活性升高,PAL的活性降低.UV-B辐射后再用He-Ne激光进行后处理,发现与单独UV-B辐照处理相比,MDA、超氧阴离子含量降低,GSH含量升高,SOD、APX、CAT的活性升高了,PAL的活性降低了.因此激光在一定程度上提高了拟南芥叶片抗氧化能力,在此基础上讨论了其可能的形成机理.