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.     

基于深度学习的电商商品购买意图识别模型

识别用户的购买意图是提升电子商务购买率(PR)的重要方法之一。针对用户购买意图不明确的现象,提出一种新模型。该模型将训练后的Word2Vec(WV)词向量馈入卷积神经网络(CNN),通过深层语义模型(DSSM)进一步提取文本特征。在Keras框架下结合美国建材电商网站家得宝的真实搜索数据进行实证分析。结果表明,在五分类问题中,新模型在测试数据集上的F1-score达80.6%。新模型使用了Word2Vec与CNN提取文本特征,并应用DSSM模型进一步提取了用户检索与商品描述文档在高维空间中的特征表示,最大化利用了用户检索与正确商品描述之间的语义相似度,同时避免了特征提取时主观因素的干扰,提高了商品购买意图的识别效果。     

一种基于弱监督互补学习的视频行为检测算法

视频行为检测方法通过检测视频中人体行为发生的起止时间和类别,分析视频中人体的行为方式,能够更好地理解视频信息.然而,目前的视频数据量大、数据标注困难,为视频行为检测带来了困难.针对以上问题,本文提出了基于弱监督互补学习的视频行为检测方法,利用有限的的视频类别信息和视频帧本身的全局信息对网络结构进行训练,以及视频中的时序...     

基于张量的深度学习算法的改进

提出用概率协同表示(probabilistic collaborative representation-based classifier, ProCRC)的方法生成权重系数对所提取的动作特征进行更新.首先,利用深度学习的思想将人体不同动作的视频分为5层;然后分别对各层的节点进行特征提取,同时,运用ProCRC产生梯度下降法所需的权重向量,对所提取的特征进行更新;最后,基于张量的思想进行特征的聚类分析.仿真实验结果表明,该方法优于稀疏表示的方法(sparse representation-based classifier, SRC).     

基于深度和广度的博弈学习模型

信息和理性在博弈学习中具有重要作用.博弈历史反映了博弈参与者的策略选择倾向,在一定程度上预示了博弈主体的行动规律.从主题、事件类型以及事件概率三个方面来描述历史的概念.由于博弈主体是有限理性人,他不能掌握全部的历史,也不能掌握全部博弈主体的博弈信息.深度就是指在时间轴上的纵向研究尺度.广度是指在每一期的博弈中,博弈者所能学习的对象的范围.由于博弈学习者的理性差异,他们在学习中往往采用不同的学习深度和广度.同样,也正是由于学习差异性的存在,才使得整个群体社会得以多样发展、共同繁荣.     

Cost231-Hata框架下基于深度学习的无线传播智能预测模型

精确的网络估算对于5G网络部署有重要意义.为进一步提升无线传播网络分析的计算精度,构建了基于Cost 231-Hata框架下深度学习的无线智能传播预测模型.该模型考虑无线通信网络设计原理并结合特征的表征意义,构建输入特征候选集.采用Pearson相关系数计算各候选特征与参考信号接收功率(RSRP)之间的相关性,并借助基...     

开展深度学习 提高学习效率

若要提高高三复习效率,就要改变传统“题海”所带来的“高耗能”的学习方式,引导学生进行深度学习.在开展深度学习时,应重视“四基”的培养,引导学生从问题的本质出发,关注学生的思维发展过程,从而在完善认知体系的基础上,促进学习效率提升.     

基于深度学习和水流调控算法的智能室内灭火系统研究

近些年,随着人民生活水平的不断提高以及高质量生活意识的不断增强,越来越多的家用电器通过线上购物的方式走进普通家庭.这些用电产品在给人民生活提供便利的同时,由于本身质量问题以及带来的电路高载荷问题也为人民生活埋下诸多火灾隐患.一旦引发室内火灾,将会对居民的生命财产安全带来极其严重的危害.目前常用的自动灭火系统虽能在一定程...     

指向深度学习的高中数学课堂学习共同体构建研究

指向深度学习的高中数学课堂学习共同体是以深度学习为目标,在以深层思维为主要认知活动的课堂氛围中,追求问题探究的深度性、思维品质的深刻性与批判性以及情感投入的深沉性,师生以协作、共享、补充等行为获得对数学知识本质的理解及运用的一种课堂教学组织形式.本文中提出了深度学习理念下的高中数学课堂学习共同体构建策略.     

深度学习与高中数学命题学习的融合实践路径

高中阶段的数学学科知识的广度与深度都有明显提升,其中数学命题教学是基础性的教学内容,这一内容模块对学生的数学综合素养提升有明显帮助.深度学习对数学命题教学的高效开展有促进和引导价值,在教学中,教师以深度学习理论为视角,可以优化数学命题教学的设计与组织实施,培养学生的高阶思维.笔者通过分析数学命题学习实践现状、数学高阶思维培养与高中数学命题学习的融合可行性,提出深度学习与数学命题学习相融合的实践路径与建议,以提高数学命题教学的效果,让学生的数学命题学习向思维更深处“漫溯”.     

COVID-19 Epidemic Prediction Based on Deep Learning

In this paper, a multi-layer gated recurrent unit neural network (multi-head GRU) model is proposed to predict the confirmed cases of the new crown epidemic (COVID-19). We extract the time series relationship in the data, and the rolling prediction method is adopted to ensure the simple structure of the model and achieve higher precision and interpretability. The prediction results of this model are compared with the LSTM model, the Transformer model and the infectious disease model (SIR). The results show that the proposed model has higher prediction accuracy. The mean absolute error (MAE) of epidemic prediction in most countries (the United States, Brazil, India, the United Kingdom and Russia) is respectively 197.52, 68.02, 200.67, 24.78 and 123.50, which is much smaller than the prediction error of the SIR model, LSTM model and Transformer model. For the spread of the COVID-19 epidemic, traditional infectious disease models and machine learning models cannot achieve more accurate predictions. In this paper, we use a GRU model to predict the real-time spread of COVID-19, which has fewer parameters and reduces the risk of overfitting to train faster. Meanwhile, it can make up for the shortcoming of the transformer model to capture local features.     

基于谱分析的DNA序列识别算法研究

对基于谱分析的DNA序列识别中相关问题建立了数学模型,并进行了计算及结果分析.提出了一种基于频数二次型的功率谱快速算法和基于帕斯瓦尔定理的信噪比快速算法,建立了基于模糊逻辑的自适应阈值模型,提出了基于重复序列的边界搜索算法,最后利用谱分析对基因突变中的伪鞍部进行了识别.     

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.     

基于超球结构的支持向量机增量学习算法

本文首先分析了增量学习过程中支持向量与非支持向量的相互转化问题,而后在此基础上提出了基于超球结构的支持向量机增量学习算法。该算法主要利用超球结构,完成对增量学习中训练样本的选取,进而完成分类器的重构。实验表明,该算法比传统支持向量机增量学习算法具有更高的分类精度。     

基于标杆管理优化算法的供电商购电组合策略

针对开放式电力市场环境下,供电商的购电风险管理问题,结合金融输电权拍卖市场和电能交易市场,构造了一个考虑阻塞风险的供电商最优购电组合模型.由于此模型的非可微性和非凸性,使用了一种新型的智能计算方法——标杆管理优化算法对该模型进行了求解计算.仿真实例表明,提出求解计算方法是切实可行的,具有一定的实用性和灵活性.     

基因识别及其算法研究

针对基因识别问题,基于DNA序列的3周期这一性质,首先给出了DNA序列功率和信噪比的快速算法并讨论了不同物种基因类型的阈值确定方法;在此基础上,建立了基于背景噪声抑制和频谱平滑的SNR频谱预处理模型,经过预处理后的频谱不仅大幅度抑制了背景噪声,同时保留了SNR频谱的模式特征.在编码序列识别上,对经典的EPND预测算法进行了改进,使用改进的EPND算法对经过预处理后频谱进行基因识别,实验结果显示这种基因识别模型具有优异的基因识别性能,比传统直接使用基于滑动窗口DFT的EPND识别算法在敏感度、特异性等评价指标上提高了2%-12%左右.     

A Semi-Supervised Learning Algorithm for Growing Neural Gas in Face Recognition

In many classification applications and face recognition tasks, there exist unlabelled data available for training along with labelled samples. The use of unlabelled data can improve the performance of a classifier. In this paper, a semi-supervised growing neural gas is proposed for learning with such partly labelled datasets in face recognition applications. The classifier is first trained on the labelled data and then gradually unlabelled data is classified and added to the training data. The classifier is retrained; and so on. The proposed iterative algorithm conforms to the EM framework and is demonstrated, on both artificial and real datasets, to significantly boost the classification rate with the use of unlabelled data. The improvement is particularly great when the labelled dataset is small. Comparison with support vector machine classifiers is also given. The algorithm is computationally efficient and easy to implement.     

基于集成学习算法的多变量质量诊断研究

应用集成学习方法来解决多元统计过程控制中的质量诊断问题:当HotellingT²控制图发出报警信号时,判断哪一个变量或者是哪些变量组合导致过程异常的发生。这种集成学习方法采用分类与回归树(Classification and Regression Trees,CART)为基分类器,沿着误判损失函数的梯度下降方向逐步优化基分类器组合,并基于误判损失最小的原则判断异常信号的类别。实例研究表明,这种集成学习方法具有较好的诊断效果,在诊断准确率方面优于已有的方法。     

基于BP神经网络的手写体数字的识别方法研究

对手写体数字的识别问题进行了讨论,提出一种基于BP神经网络的识别方法.从而提高了识别效率.主要就在识别时,数字在图片上的位置和数字本身大小方面做了改进,发现数字在图片上的大小和其在图片上的位置直接影响识别效果.具体做的是,首先提取了图片的轮廓,然后归一化成28×28的图像.这样做,不仅使得图像数字区域大小相同,而且都在图像中心上,使得识别结果变的更加理想化,达到了高识别的目的.另外,选择了容错性较好的BP网络,以200组手写体数字图像作为输入向量,以其他的110组进行识别,效率达到了90%.