短时交通流预测WT-AOSVR模型

AOSVR(Accurate Online Support Vector Regression)具有在线学习和模型在线更新的优点,可应用于交通流量的实时预测,其中算法的核函数的选择对模型的学习、推广和泛化能力起着重要的作用,但是至今有关核函数的选择缺乏科学的理论依据。为了进一步提高模型的学习和推广能力等,提出一种WT-AOSVR(Weight Table And Accurate Online Support Vector Regression)模型。对交通流进行数据挖掘,分类处理,构造支路AOSVR模型和权值表,在交通流预测时,通过搜索权值表就可以得到多条支路模型的一种加权组合模型。仿真实验表明该方法既提高了模型学习精度又保证了模型的泛化和推广能力,具有一定的应用价值。     

ANN／HMM混合模型在语音识别中的应用

结合HMM较强的处理时间序列的能力以及ANN的学习能力强、识别速度快等特点提出了一种ANN／HMM混合模型,该模型具有较强的处理时问序列的能力。本文主要介绍了该模型的结构以及模型的训练算法。在此基础上将其应用于语音识别的建模,并通过相应实验验证了该模型的可行性。     

深度生成模型综述

通过学习可观测数据的概率密度而随机生成样本的生成模型在近年来受到人们的广泛关注,网络结构中包含多个隐藏层的深度生成式模型以更出色的生成能力成为研究热点,深度生成模型在计算机视觉、密度估计、自然语言和语音识别、半监督学习等领域得到成功应用,并给无监督学习提供了良好的范式.本文根据深度生成模型处理似然函数的不同方法将模型分...     

一种高效的随机块模型学习算法

由于随机块模型能够有效处理不具有先验知识的网络,对其研究成为了机器学习、网络数据挖掘和社会网络分析等领域的研究热点.如何设计出具有模型选择能力的快速随机块模型学习算法,是目前随机块模型研究面临的一个主要挑战.提出一种精细随机块模型及其快速学习算法.该学习方法基于提出的模型与最小消息长度推导出一个新成本函数,利用期望最大化参数估计方法,实现了边评价模型边估计参数的并行学习策略,以此方式显著降低随机块模型学习的时间复杂性.分别采用人工网络与真实网络,从学习时间和学习精度两方面对提出的学习算法进行了验证,并与现有的代表性随机块模型学习方法进行了对比.实验结果表明：提出的算法能够在保持学习精度的情况下显著降低时间复杂性,在学习精度和时间之间取得很好的折衷;在无任何先验知识的情况下,可处理的网络规模从几百节点提高至几万节点.另外,通过网络链接预测的实验,其结果也表明了提出的模型及学习算法相比现有随机块模型和学习方法具有更好的泛化能力.     

基于DCNN-GRU模型的XSS攻击检测方法

为了提高跨站脚本攻击的检测效率,利用一维DCNN快速处理时序问题的能力和GRU模型处理上下文具有长期依赖关系问题的能力,提出基于DCNN-GRU模型的XSS攻击检测方法.对原始数据做规范化处理,将数据转化为可以对深度学习网络模型进行输入的特征向量.通过卷积层和池化层处理特征向量,GRU层作为门控机制来保留代码间的依赖关...     

基于知识空间的多级感知空间处理技术研究

在网络协同化学习环境中,由于学习环境比较复杂,解决学习者在学习过程中的"孤独感"问题以提高网络环境的社会性,对于学习者顺利完成学习任务来说显得非常重要.在CSCW的感知处理技术的基础上,基于知识空间理论和知识域间关系模型,利用学习者的兴趣模型和能力模型,提出了多学习内容、多学习目标、多学习等级的动态多级感知空间模型,在学习者的学习过程中,通过灵活的感知处理技术和感知敏感度调节,为学习者感知到其他学习者的信息和行为,为寻求或是提供其他学习者的交流和指导,共同完成学习任务提供了有效的途径.     

基于多元反馈的英语线上合作学习模型设计

传统模型只注重学生英语成绩的提高,忽略了学生自信心、交集能力、学习兴趣等的发展,为此设计了一种基于多元反馈的英语线上合作学习模型.经验证,实验班和对照班自信心、语言技能、学习兴趣以及人际关系有非常显著性差异,说明设计合作学习模型有助于学生综合素质的发展.     

基于BGRU池的卷积神经网络文本分类模型

针对深度学习在处理文本分类问题时存在的适应度小、精确度较低等问题,提出一种采用双向门控循环单元(BGRU)进行池化的改进卷积神经网络模型。在池化阶段,将BGRU产生的中间句子表示与由卷积层得到的局部表示进行对比,将相似度高的判定为重要信息,并通过增大其权重来保留此信息。该模型可以进行端到端的训练,对多种类型的文本进行训练,适应性较强。实验结果表明,相较于其他同类模型,提出的改进模型在学习能力上有较大优势,分类精度也有显著提高。     

智能数据批量处理控制模型

介绍了一种用于设计制造协同平台的基于软件Agent的智能数据批量处理控制模型。模型利用Agent的学习能力分析数据处理的行为特征并记录到信念库中,当有请求到达时,Agent利用外部环境传感器获取系统负载、用户带宽等数据,并结合信念库中的请求特征,运用推理过程计算出当前处理的最佳数据量,通过调用执行计划改变请求的控制流来控制本次请求需处理的数据量。在协同平台中集成本模型可以保障用户的请求响应时间,缩短等待时间,平滑系统负载的峰值。通过实验验证了模型的性能。     

多数据集深度学习模型的修图处理识别

图像处理软件的飞速发展,带动了移动应用领域一大批修图、美化应用的兴起。但是修图、美化软件的快速发展和普及也带来了一些社会问题和安全问题,如网恋对象严重失真,摄影作品造假等。针对手机中的修图处理APP软件,提出一种基于多数据集特征学习的神经网络模型,并给出其网络拓扑结构。区别于传统的多个神经网络并行操作,提出的网络模型具有共享模型参数的特征,能同时对多个特征数据集进行深度学习,使检测程序具备多特征识别能力。此外,还提出了一种针对多任务网络模型的损失函数,以增强深度特征学习的能力。实验结果表明,提出方法的准确率较传统方法有较大提升,同时泛化性能优越,能识别出经过多种美图、修图软件修复过的图像。     

基于粗糙集的交叉覆盖神经网络研究

在探讨交叉覆盖神经网络的基础上,提出了一种基于粗糙集理论和交叉覆盖神经网络的集成算法。首先应用粗糙集对原始数据进行约简处理,在保证信息完整性的同时,减少了数据的维数,然后使用交叉覆盖算法设计多层前向网络。通过使用粗糙集进行数据约简,减少了交叉覆盖算法的计算量,降低了网络计算的复杂性。实验结果证明了此集成方法的有效性。     

基于最小集合覆盖的属性约简算法

在粗糙集理论的各种应用中,属性约简算法具有重要的意义,因而对属性约简算法的研究一直是粗糙集理论研究中的重点问题之一。在对属性约简算法充分研究的基础上提出一种基于最小覆盖集的粗糙集属性约简算法,即通过构造知识系统的一种改进的相关矩阵将属性约简简化为最小覆盖问题。将该算法与文献[7]中的算法进行实验比较并对结果进行分析,实验结果表明,当随着数据量增大时该算法具有更小的时间复杂度。     

一种不完备信息系统的约简方法

提出了一种基于覆盖粗糙集理论，利用最大一致块技术进行不完备信息系统约简的方法。在证明利用最大一致块技术生成的相容类构成论域的最简覆盖基础上，利用覆盖粗糙集理论对已利用最大一致块技术进行属性约简的信息系统进行属性值约简，并提出一种新的约简算法。     

一种不完备信息系统的约简方法

提出了一种基于覆盖粗糙集理论,利用最大一致块技术进行不完备信息系统约简的方法。在证明利用最大一致块技术生成的相容类构成论域的最简覆盖基础上,利用覆盖粗糙集理论对已利用最大一致块技术进行属性约简的信息系统进行属性值约简,并提出一种新的约简算法。     

Approximations and reducts with covering generalized rough sets

The covering generalized rough sets are an improvement of traditional rough set model to deal with more complex practical problems which the traditional one cannot handle. It is well known that any generalization of traditional rough set theory should first have practical applied background and two important theoretical issues must be addressed. The first one is to present reasonable definitions of set approximations, and the second one is to develop reasonable algorithms for attributes reduct. The existing covering generalized rough sets, however, mainly pay attention to constructing approximation operators. The ideas of constructing lower approximations are similar but the ideas of constructing upper approximations are different and they all seem to be unreasonable. Furthermore, less effort has been put on the discussion of the applied background and the attributes reduct of covering generalized rough sets. In this paper we concentrate our discussion on the above two issues. We first discuss the applied background of covering generalized rough sets by proposing three kinds of datasets which the traditional rough sets cannot handle and improve the definition of upper approximation for covering generalized rough sets to make it more reasonable than the existing ones. Then we study the attributes reduct with covering generalized rough sets and present an algorithm by using discernibility matrix to compute all the attributes reducts with covering generalized rough sets. With these discussions we can set up a basic foundation of the covering generalized rough set theory and broaden its applications.     

一类覆盖近似算子的动态更新方法

粗糙集理论是一种有效的数据挖掘工具,覆盖粗糙集理论是粗糙集理论中的重要部分。给出了一对覆盖近似算子随数据对象增加的更新方法,并以实例说明了所提出的更新方法的有效性。     

A new approach to attribute reduction of consistent and inconsistent covering decision systems with covering rough sets

Traditional rough set theory is mainly used to extract rules from and reduce attributes in databases in which attributes are characterized by partitions, while the covering rough set theory, a generalization of traditional rough set theory, does the same yet characterizes attributes by covers. In this paper, we propose a way to reduce the attributes of covering decision systems, which are databases characterized by covers. First, we define consistent and inconsistent covering decision systems and their attribute reductions. Then, we state the sufficient and the necessary conditions for reduction. Finally, we use a discernibility matrix to design algorithms that compute all the reducts of consistent and inconsistent covering decision systems. Numerical tests on four public data sets show that the proposed attribute reductions of covering decision systems accomplish better classification performance than those of traditional rough sets.     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用。选取与天然裂缝发育有关的测井曲线作为样本集．先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝。给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著。粗糙集有效地约简样本信息．BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行。     

最小描述的多粒度覆盖粗糙集模型

在覆盖广义粗糙集理论中,对最小描述的定义是建立在单一粒度基础上。将最小描述从单一粒度推广到多个粒度,建立了多粒度覆盖粗糙集模型。在此基础上,用最小描述建立了两类不同的上下近似算子,研究其性质,给出了一种基于最小描述下求属性约简的新算法。     

基于粗糙集的网络安全评估规则提取

给出了基于粗糙集的网络安全评估指标的约简方法。提出了一种利用粗糙集理论提取网络安全评估规则,进而利 用评估规则构建网络安全评估决策系统的算法。利用一个简化的网络安全评估数据集,验证了本文提出的决策规则提取 方法是有效的。