基于深度学习的指纹识别方法研究

现代科学技术正处于一个飞速发展的时期,指纹识别技术已经融入人类生活各个领域中.在众多生物特征识别技术中,指纹识别技术作为一种最直观的技术被广泛应用.传统指纹识别技术存在一些弊端,例如需要人工设置指纹特征,并且需要多次调试,设计特征和选择分类器相对而言不易达成最优化,从而导致指纹识别率不达标.需要提出一种能够提高指纹识别准确率的方案.近些年随着机器学习技术的兴起,深度学习技术已经成为了当下的热门课题.而将深度学习技术与生物特征识别技术相融合也具有较明朗的前景.深度学习技术可以在海量数据中学习并分析,可以自动识别分析并学习指纹特征数据,从而减少人工工作量,同时达到提高指纹识别准确率的目的.本文简要介绍了深度学习与指纹识别技术的研究现状、存在的问题,并通过卷积神经网络对指纹识别技术做出了分析与改进.本文主要是希望通过对指纹识别技术的分析与改进帮助人们更深入地了解指纹识别的概念及运用,并促使生物特征识别技术能够获得高速发展.     

基于深度学习的激光干扰效果评价方法

针对激光干扰效果评估受主观经验较大、难以定量评估的问题,提出了一种基于深度学习的激光干扰效果评估方法.首先,对YOLOV5算法进行了整体介绍,其次制作了来自不同角度、不同距离的3020张激光干扰图像;然后,对标注的数据集进行训练,得到了激光干扰效果评估模型;最后,分别在YOLOV5x、YOLOV51、YOLOV5m、YOLOV5s网络模型下训练300次,实验验证了模型的正确性.实验结果表明:利用训练好的模型实现了对激光干扰图像的效果评估,该模型不仅可以自动标注激光干扰区域和进行干扰效果等级评估,同时还融入了传统策略,可以通过计算标注区域面积占整幅图像面积的大小作为辅助决策,实现自动标注激光干扰区域面积所占百分比,识别准确度在80％以上,对激光干扰效果评估具有重要意义.     

基于子空间半监督学习线性判别方法的目标跟踪技术研究

文中提出一种基于半监督学习的线性判别方法用于目标跟踪。首先,根据少量的目标图像和背景图像样本,利用增量线性判别分析在子空间中找到最大化标记样本分类间隔的分类面;然后在当前帧采样,获得大量未标记的图像样本并投影到子空间中,通过半监督学习修正分类面,在这些候选目标中找到离目标最近、离背景最远的作为目标在当前帧的状态估计;最后,在分类结果中挑选置信度高的目标图像和背景图像样本加入到训练集中,删除训练集中置信度低的目标图像和背景图像样本,并更新投影子空间的基。实验结果表明,所提方法可以很好地适应目标的各种变化,并获得比基于监督学习方法更好的效果。     

基于改进深度强化学习的电动汽车充换电站调度技术

由于电动汽车充换电站的请求存在明显的多样化特征,导致充换电站的负荷波动性较大,为此,提出基于改进深度强化学习的电动汽车充换电站调度技术研究。基于LSTM构建了充换电站需求响应模型,并设置了搜索区间的边界位置,以此得出最优的充换电站需求响应方案,利用卷积神经网络对实现对电动汽车充换电站调度的寻优,得出匹配最优的充换电站需求响应方案的调度结果。测试结果表明,设计调度技术可以实现电动汽车充换电站负荷曲线出现相对稳定的状态,未出现超负荷的情况。     

基于主动学习和SVM方法的网络协议识别技术

针对未知网络协议数据流的获取与标记工作主要依赖于领域专家。然而,样本数据量的增加会导致人工成本超过实际负荷。提出了一种新颖的未知网络协议识别方法。该方法基于主动学习算法,仅依靠原始网络数据流的载荷部分实现对未知网络协议的有效识别。实验结果表明,采用该方法设计的识别系统在保证识别准确率和召回率的前提下,能够有效地降低学习过程中标记的样本数目,更适用于实际的网络应用环境。     

基于人脸区域特征相关性的视频流人脸识别研究

目前,基于深度学习提取人脸特征进行人脸静态图片识别的方法,在Labeled Faces in the Wild(LFW)数据集等标准集上的正确识别率几乎接近人类.但是,在视频流中,由于人体的不停运动和姿态偏移等问题,导致检测到的部分人脸区域严重模糊和不完整,如监控系统中的人脸.这种情况下,单纯地采用基于图片的人脸识别方法,准确率会严重下降.在基于视频流的人脸区域提取时,本文提出采用单张人脸区域图像的特征自相关指标来衡量人脸的姿态以及模糊状况,针对连续多帧中人脸区域图像存在的信息冗余,提出利用连续多帧中人脸区域图像的特征互相关指标来衡量视频流中人脸区域的变化程度.基于提出的自相关指标与互相关指标,本文提出并实现了视频流中适用于识别的人脸区域图像的选取算法,以及加权投票的人脸识别算法.研究中收集并制作了基于视频流的人脸数据集,验证了本文提出算法的可行性.实验表明,本系统在有较高的识别率的同时,大幅度降低了人脸识别计算量,使得人脸识别可在视频流中实时稳定地进行.     

高职院校工学结合一体化学习站建设及运用研究

本文探讨了一体化学习站运行机制、功能分区设置、教学方法,并分析了一体化学习站教学效果、教学效率、教学成本。     

基于极端不平衡学习的泛化低压异常箱表关系识别研究与应用

针对低压配电网箱表关系存在人工核查成本高、异常案例少、难以实现异常规律捕获的问题,采用极端不平衡分类学习方法实现低压异常箱表关系识别的泛化应用推广.通过电压原理识别出部分异常箱表关系样本集,随后构建CNN(卷积神经网络)异常箱表关系识别模型,通过样本三分类赋权值实现类别均衡处理;并在模型推广应用过程中,采用强化学习实现离线模型的在线泛化学习,并以分组模型交互学习和竞争优化的方式筛选出最优泛化识别模型.实验证明,通过人工核查和数据反馈,该方法可实现模型对异常样本数据分布规律的自拟合学习,提高模型对不同应用环境的泛化性,进一步降低人工现场核查工作量,保障低压台区用户拓扑网络关系的准确性.     

微信公众平台辅助教学探析

一、微信公众平台介入辅助教学的背景 随着移动互联网的飞速发展,移动设备已成为人们生活中的重要部分。移动学习也成为近年来的研究热点。移动学习,是指利用网络通信技术以及无线通信设备（例如：平板电脑、智能手机）获取教教育服务的一种新型学习形式。使人们能够不受空间、时间的限制,实现随时学习的学习体验模式。     

一种可在线学习的变结构径向基函数网络及其在被动声纳目标识别中的应用

提出一种新颖的隐节点可调的变结构径向基函数,并应用进化规划最优地确定和调节变结构径向基函数网络隐层节点的数目及其核函数的中心和宽度,从而使网络具有在线学习和记忆新的目标模式的功能,并将该网络应用于被动声纳目标的识别和在线学习实验结果表明基于进化规划的变结构径向基函数网络不仅了网络的泛化能力,而且能够有效垢解决传统神经网络技术在被动声纳目标识别过程中在线学习会造成原有记忆遗忘的困难。