也谈士官教育——Word一堂课教学设计

熟练掌握office办公软件,是士官学员毕业后参与部队训练、管理、教育必须掌握的技能。为了培养士官学员的这一技能,针对士官职业技术教育中实施信息技术基础教学既要引导学员对办公自动化软件基本功能的熟悉,又要有效指导学员具体实践操作,还要在所学知识的基础上能有拓展提高的要求,在Word一堂课教学实施过程中,可以采取任务驱动,能力训练项目来展开教学,以达到理想的成效。     

基于改进初始化判别K-SVD方法的人脸识别

基于稀疏表示的人脸识别问题希望字典同时具有良好的表示能力和较强的辨识性。采用判别式K-SVD(D-ksvd)算法,可训练得到较好的字典和线性判别函数,但该算法中的初始化字典是从各类样本中选择部分样本经K-SVD方法得到的,不能较完整地表示所有样本的特性,影响了基于该初始字典的训练字典的表示能力和分类器的辨识性。在字典初始化方法上进行了改进,先训练类内字典再级联成新的初始化字典,由于类内训练字典是各类别的优化字典,降低了训练字典的误差,提高了训练字典与线性分类器的判别性,在保持较快识别速度的同时,提高了人脸识别率。     

装备虚拟维修训练系统综述

由于传统的装备维修训练方法和手段已不能适应当前装备发展的需要,而利用虚拟维修技术开发的虚拟维修训练系统能很好地解决这一矛盾。本文从虚拟维修技术入手,首先阐述了开发虚拟维修训练系统的意义,而后提出了虚拟维修训练系统应满足的要求和虚拟维修训练系统的组成部分,最后介绍了虚拟维修训练系统涉及的关键技术。     

基于模糊神经网络的模拟电路故障诊断算法

将小波包分析、模糊理论和神经网络有机结合在一起,提出了一种基于小波包特征提取和模糊规则的模拟电路故障诊断的神经网络算法。计算和仿真实验结果表明,该方法可以减少网络的训练规模,加快网络的收敛速度,能够为模拟电路故障诊断提供一种新的有效的方法。     

神经网络在特征价格模型中的应用

为解决函数形式多样性而导致的结果不确定性问题,将神经网络应用于特征价格模型中.基于所采集的西安市房地产信息,利用神经网络理论,在Matlab软件中输入特征变量信息,选用带有动量法和自适用学习率的改进算法对神经网络进行训练,直接输出有效的预测价格结果.与特征价格模型常用的四种函数形式所得出的结果进行比较,验证了神经网络在预测能力上具有相对的稳定性和精确性.     

KENAOTE：一种知识增强的方面和意见对提取多任务学习模型

方面和意见对提取旨在根据给定句子提取方面和意见项并匹配关系,然而相关研究通常独立提取方面和意见项,而不识别关系。为了识别方面和意见项关系,提出一种知识增强的方面和意见对提取多任务学习模型。首先使用预训练语言模型为文本生成具有语义信息的词向量,为了实现知识增强的效果,使用遮蔽注意力的方式将知识图谱的语义信息融入词向量中,然后使用基于距离注意力和条件随机场的序列标注方法提取方面和意见项,最后再将提取的方面和意见项两两匹配预测对应关系。为了加强方面和意见项提取模块和匹配模块的联系,采用共享编码层的方式实现联合训练。在训练流程中,匹配模块采用真实标签作为输入,在测试过程中采用提取模块的结果作为输入。为了证明模型的有效性,使用三个通用领域数据集进行对比实验,该模型在方面和意见项匹配任务中F1值分别达到66.99%、75.17%和67.30%,并优于其他比较模型。     

应用DBN深度学习算法的电能计量反窃电技术研究

针对窃电问题严重阻碍建立公平、合理的用户秩序的问题,基于云计算的智能电网大数据处理平台SP-PPP(smart power system big data processing platform in cloud environment,SP-DPP),提出了融合自适应加权融合算法和深度置信网络DBN(Deep Belief Networks,DBN)学习算法的反窃电系统,采用DBN逐层贪婪训练算法对大数据进行处理,并利用双层RBM结构,构建出DBN深度学习算法,对获取的电能计量窃电信息进行归一化处理,将获取的宏观高纬度数据信息转换为容易识别和计算的低纬度数据.实验表明,本研究的算法识别率高,稳定性能好.     

基于预训练GRU-LightGBM的电力负荷预测

本文研究工作围绕电网中的核心环节电负荷预测展开.在总结分析之前研究学者的研究成果基础上,提出了基于预训练GRU与LightGBM相结合的方法.该方法首先使用电负荷数据训练一个特征提取网络GRU,然后使用该网络进行时序特征的提取,并将提取到的时序特征与非时序特征使用LightGBM进行电负荷的预测.本方法的创新点在于提出了预训练网络来扩充特征,充分融合时序特征及非时序特征.并且考虑到电网的地区差异性,在整体训练过程中将GRU网络参数进行了适应性微调.保证提取到的时序特征是符合当前地域特点的.通过仿真实验最终发现该方法在各项指标上取得了2％的提升.     

面向晶体结构预测的深度学习方法

晶体结构研究是研究固体材料物理化学性质的基础,而筛选晶体结构通常基于能量最低原理,采用密度泛函理论计算结构能量需要大量计算资源及服务时间.为此本文提出了面向材料结构预测的深度学习方法,加快材料晶体结构的预测.本文从数据集优化、模型训练策略、算法优化等方面进行了深入研究,确定了应用于材料结构预测中深度学习的网络参数和优化算法.将确定的深度学习框架用于寻找Si单晶、TiO2和CaTiO3化合物的基态稳定结构,实验结果表明,利用本研究提出的深度学习方法预测的晶体结构与实验室制备材料结构相吻合.     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。