0–1膨胀几何分布的客观贝叶斯分析

在医疗卫生、金融证券等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，提出0–1膨胀几何分布模型并进行客观贝叶斯分析. 通过参数变换，得到Jeffreys先验和reference先验. 设计后验分布的抽样算法，设置不同的样本量和参数真值，采用数值模拟方法对不同客观先验下的估计效果进行评估.     

一种基于实时几何测距的船桥主动防撞方法

本文提出一种基于实时几何测距的船桥主动防撞方法。该方法对船的改动量甚微,仅需维持多项距离矩阵,通过告警逻辑矩阵进行展示与告警,能起到很好的船桥防撞提示效果。     

基于半监督卷积神经网络的心律不齐分类

心律不齐早期的检测和分类有十分重要的价值.然而,由于心律不齐特征不够明显、不同人体心电信号存在较大的差异性等问题,心律不齐分类技术在现实中的应用存在很大困难.针对上述问题,提出了一种基于半监督卷积神经网络的心律不齐分类方法.首先,对心电信号进行马尔可夫变迁场变换将其变为二维图像;然后,迁移二维卷积神经网络训练得到普通模型;最后,使用半监督训练的方法得到特定模型,使用得到的特定模型对特定病人的心电信号进行分类.该方法从二维图像中提取更高层次的特征来提高分类性能,并有效地克服不同人体心电信号之间的差异性,增强了模型的泛化能力.遵循美国医疗器械促进协会标准,使用麻省理工学院和波士顿贝丝以色列医院心律不齐数据库中的数据,完成了心律不齐五分类,总准确率达到了97.9％,提升了心律不齐分类技术的现实应用价值.     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

棉籽油的深度分提工艺

新疆棉籽油含有700 mg/kg的蜡质和26%～28%的固体脂，由于新疆气温多在零度以下，棉籽油在运输、储存和销售过程中易产生固化、沉淀、发朦，影响棉籽油的外观、食用和销售。为了保持包装棉籽油透明，提高棉籽油的质量和附加值，对棉籽油进行深度分提以脱蜡脱脂。介绍了棉籽油深度分提工艺，即在15 ℃脱除蜡质，在7 ℃分提出棕榈酸甘三酯，继续降温至-10 ℃分提出棕榈酸甘二酯、棕榈酸甘一酯及其他硬脂，最终得到在低温下保持透明的棉籽液油。     

乳业洗牌的两种风景 上市升级与易主并购

最近几年,乳业从各种政策性调整规范升级之后,开始进入资本并购和竞争分档的深度整合洗牌进程之中。一方面乳企加大产品推广和品牌塑造手段,夯实自身实力、强化优势以立足行业地位;另一方面乳企利用资本加持,以产业链和规模致胜,或扎堆上市,或不停并购资源。     

基于张量计算的卷积神经网络语义表示学习

卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为了解决这一问题,我们需要表征出网络中隐藏的人类可理解的语义概念.本文通过预先定义语义概念数据集(例如红色、条纹、斑点、狗),得到这些语义在网络某一层的特征图,将这些特征图作为数据,训练一个张量分类器.我们将与分界面正交的张量称为语义激活张量(Semantic Activation Tensors,SATs),每个SAT都指向对应的语义概念.相对于向量分类器,张量分类器可以保留张量数据的原始结构.在卷积网络中,每个特征图中都包含了位置信息和通道信息,如果将其简单地展开成向量形式,这会破坏其结构信息,导致最终分类精度的降低.本文使用SAT与网络梯度的内积来量化语义对分类结果的重要程度,此方法称为TSAT(Testing with SATs).例如,条纹对斑马的预测结果有多大影响.本文以图像分类网络作为解释对象,数据集选取Image Net,在Res Net50和Incep...