中国新零售十大事件

2020年,中国新零售江湖风起云涌,直播电商、社交电商、新零售发展如火如荼,英雄辈出,其中有以下十大事件值得记录:01罗永浩进军直播电商罗永浩,锤子科技创始人,中国“初代网红”,2003年因在新东方任教时诙谐幽默的讲课内容而走红,自2012年创办锤子科技做智能手机后,一直走在互联网创业的风口浪尖。2019年因锤子科技资不抵债,老罗黯然离场。而2020年3月,罗永浩抓住直播电商风口再次创业。     

HTK参数对普米语孤立词识别率的影响

普米语是一种无文字的少数民族语言,目前已处于濒危状态,建立语音语料库及开展语音识别研究是保护和传承普米语的重要手段.基于HTK的语音识别中,参数的选取对不同语言的识别率有很大的影响.针对MFCC维数、HMM状态数及GMM个数这3个参数对普米语的识别率进行研究,结果表明:普米语语音识别的最佳MFCC维数为13维,最佳HMM状态数为8个,最佳GMM个数为3个.     

疏松砂岩油藏大孔道定性识别新方法研究

疏松砂岩油藏在长期注水开发过程中,往往伴随着大孔道的出现,这严重影响了油藏水驱开发效果,制约了采出程度的进一步提高,因此,大孔道识别及有效封堵成为该类油藏急需解决的关键问题.通过研究分析,确定了影响大孔道从形成到发展的7种主要静态因素,以及标志大孔道形成的6种主要动态因素.将层次分析法及灰色关联法相结合,分别计算静态及动态因素的权重,建立了全新的大孔道定性识别模型.示踪剂监测结果验证了该方法的实用性和有效性.     

趣味性语言在高中物理课堂中的妙用

利用语言艺术激活物理课堂,是提高物理教学效果的重要途径.趣味性语言的应用,可以更好地激发学生的学习兴趣,拓宽学生的学习思路,活化学生的思维.本文从善用拟人化手法、巧用名言名句、妙用幽默语言、乐用排比总结4个方面来论述趣味性语言的妙用.     

基于改进Faster R-CNN的农田残膜识别方法

为了实现农田残膜的精准捡拾,提高残膜回收机的回收率.将改进Faster R-CNN卷积神经网络运用到农田残膜的识别检测中,提出了一种农田残膜的识别方法.以11MS-1850残膜回收机工作后遗留在农田表面的残膜为研究对象,分别在晴天、阴天不同时间段采集图像共计1648幅.通过更改图像亮度、旋转等方式扩充数据集,最终得到4950幅残膜样本图像,按照7:2:1划分为训练集(3465幅)、验证集(990幅)、测试集(495幅);采用双阈值算法替代传统的单阈值算法,降低了阈值对模型性能的影响;通过对比试验,选取具有残差网络结构的ResNet50作为主干特征提取网络,准确率可达88.84％,召回率为87.70％,总体精度为88.27％;为了使检测模型对小目标更加灵敏,根据数据集中残膜尺寸大小,在原有锚点基础上增加322和642的尺度参数,准确率、召回率、总体精度分别提升了1.29％、0.67％、0.97％,单幅检测时间为284.13 ms,基本满足了识别残膜的要求.可为残膜回收机加装补收装置提供参考,为研制人工智能残膜回收机提供理论基础.     

基于混合高斯模型的储物柜存取货行为检测方法

针对储物柜存取货物场景的实际情况和人员行为的特点，提出一种通过融合时间调整机制控制前景融入背景的改进型混合高斯建模检测方法，并引入手臂识别机制。融合时间调整机制减小了由于人员停止运动而错误决策为背景的可能性；手臂识别算法模型有效地识别人员伸手动作。实验结果表明，该方法可以简单有效地从连续的图像序列中检测出人员在储物柜场景下的存取货物行为。     

古籍版本与校勘

以书的物质形态和表面特征来研究版本的学问就是版本学。古籍整理的重要任务就是选择好的版本，经过精心校勘，校正错讹，补充佚漏，删削衍文，适当标点和注释。只有版本好，校勘好，才能得到好的版本，达到整理古籍的目的。     

Speech emotion recognition based on statistical pitch model

A modified Parzen-window method, which keep high resolution in low frequencies and keep smoothness in high frequencies, is proposed to obtain statistical model. Then, a gender classification method utilizing the statistical model is proposed, which have a 98% accuracy of gender classification while long sentence is dealt with. By separation the male voice and female voice, the mean and standard deviation of speech training samples with different emotion are used to create the corresponding emotion models. Then the Bhattacharyya distance between the test sample and statistical models of pitch, are utilized for emotion recognition in speech. The normalization of pitch for the male voice and female voice are also considered, in order to illustrate them into a uniform space. Finally, the speech emotion recognition experiment based on K Nearest Neighbor shows that, the correct rate of 81% is achieved, where it is only 73.85% if the traditional parameters are utilized.