基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

以学生为中心的递进式“精细化工”实验教学

针对学生实验课积极性不高、实验教学效果不理想的问题，对一门选修课"精细化工"的实验进行了重新思考和设计，让学生参与从实验具体内容制定、操作到结果讨论的整个过程，并首次以"递进式"实验的方式由学生参与第2次实验（基于前一个实验的改进和完善），使学生了解理论知识转化为可行实验方案的具体做法，切身体会在实验原理相同的情况下，实验方案的细微调整对实验结果的巨大影响。结果表明，这种"以学生为中心"的改进能让学生注重实验细节，同时关注实验失败的原因，并在第2次实验中及时修正。这为学生实验综合素质的培养提供了一种教学思路。     

基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

初中化学青年教师常态课教学课例研究* ——基于弗兰德斯互动分析系统

弗兰德斯互动分析系统可以量化课堂教学中的语言行为。以初中化学一节常态课为研究课例,基于弗兰德斯互动分析系统,结合教师他评和自评,从教学目标、教学内容、教学过程和教学效果等4方面进行了全面的分析与评价,并根据评价结果,针对教学目标制订、有效提问、科学的课堂语言结构的营造以及实验探究的实施等提出了可行性的有效策略,从而为青年教师通过教学实践来促进个人专业发展提供依据。     

贝叶斯优化卷积神经网络公共场所异常声识别*

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。     

基于改进格林元的压裂水平井动态分析方法

以建立高效的动态分析方法为出发点，以边单元作为求解点，改进传统的格林元方法，减少未知数和求解矩阵维度；并提出基于改进格林元的加密网格加密方法，保证考虑复杂裂缝网络的压裂水平井动态模拟的早期精度.退化模型与半解析解、数值模拟结果进行对比，验证本文基于加密网格的改进格林元方法的准确性和动态分析的高效性.最后进行动态响应的敏感性分析，结果表明：①格林元方法是一种高精度的动态模拟方法，将求解节点设置在网格的边上可以提高压裂水平井动态模拟的速度；②改进格林元方法的加密基于叠加原理，不需要通过插值近似，其求解精度高.在相同加密网格条件下，基于本文改进格林元方法的加密效果比有限差分加密效果更佳；③复杂裂缝导流能力、改造区渗透率提高倍数、改造区大小等参数对压裂水平井动态特征影响较大，在动态分析和参数反演时，应着重考虑这些因素的影响.     

基于CEEMD的重大事件对香港住宅价格影响的实证分析

应用互补集成经验模态分解（CEEMD）方法对香港1997―2018年的住宅价格月度数据进行了分解，将经过重构后的数据分成高频序列、低频序列与残差项。将BP多断点检测应用于低频序列，并结合样本时段内的重大事件进行实证分析。结果表明：1997年亚洲金融风暴对房价的影响大于2008年金融危机；外部经济体的救市政策间接地影响香港房价；在经济不景气的大环境下“孙九招”政策没有立即见效；资本投资者入境计划、住房供给调整与按揭贷款调整对房价的影响较为显著；税收调整对房价影响不显著、对交易量影响显著；SARS爆发使住宅价格下降约1%。