基于音频特征的工程车辆工况识别研究

高效率地使用工程车辆是工程项目管理中节约成本的有效方法，无人监管环境下工程车辆的工况识别，是实现工程车辆高效率使用的有效手段。目前以GPS等技术为核心的车辆智能管理系统未对工程车辆进行工况识别，提出一种基于GRU循环神经网络的工程车辆工况识别方法，通过对工程车辆在不同工况下产生的音频信号进行分析，从中提取Mel倒谱系数作为主要特征，构建GRU循环神经网络模型进行训练和识别。实验结果表明，该方法可以实现对工程车辆工况的有效识别。     

机器学习理论的超光谱遥感图像无损压缩

针对一般超光谱遥感图像的压缩方法无法同时实现图像信息缩减和图像完整性的问题，提出一种机器学习理论的超光谱遥感图像无损压缩方法。利用机器学习中的聚类算法进行第一次压缩，减少超光谱遥感图像中的冗余波段光谱，并降低图像维度；再利用机器学习中的人工神经网络进行第二次压缩，将不同图像子块送入不同压缩率的神经元当中，通过隐含层自主完成图像压缩编码。通过与四种一般压缩方法的对比验证，本方法图像压缩后，图像压缩率更小，图像分辨率和信息熵更高，既有效地减少了图像信息量，能够保留有效关键信息，达到了图像信息缩减和图像完整性的双重目标。     

智能数据分区与布局研究

大数据时代,数据规模庞大,由数据进行驱动的应用分析场景日益增多.如何快速、高效地从这些海量数据中提取出用以分析决策的信息,给数据库系统带来重大挑战.同时,现代商业分析决策对分析数据的实时性要求数据库系统能够同时快速处理ACID事务和复杂的分析查询.然而,传统的数据分区粒度太粗,且不能适应动态变化的复杂分析负载;传统的数据布局单一,不能应对现代大量增加的混合事务分析应用场景.为了解决以上问题,“智能数据分区与布局”成为当前的研究热点之一,它通过数据挖掘、机器学习等技术抽取工作负载的有效特征,设计最佳的分区策略来避免扫描大量不相关的数据,指导布局结构设计以适应不同类型的工作负载.首先介绍了智能数据分区与布局的相关背景知识,然后对智能数据分区与布局技术的研究动机、发展趋势、关键技术进行详细的阐述.最后,对智能数据分区与布局技术的研究前景做出总结与展望.     

基于RandomForest分类方法的购买预测研究

本文针对银行客户,提出一种基于RandomForest的银行客户分类模型,通过基于RandomForest的分类方法对银行客户已存在数据进行处理,并应用labelencoder对数据进行预处理从而提高分类精确度,得到客户对产品是否具有购买倾向.结合了RandomForest的分类能力和labelencoder量化数据能力,使用葡萄牙银行机构数据进行验证,实验结果表明本文提出的客户购买预测模型精度更高.     

基于GIS单线图的配网停电单模拟操作应用研究

配电网停电会造成电力系统供配电可靠性以及服务质量下降,研究基于地理信息系统(GIS)单线图的配网停电单模拟操作应用。利用网格长度作为基本单位建立坐标系,以选取起始点与终止点为基础,通过四参数法将GIS坐标映射至图纸网格内,实现配网内设备初步布局,将杆塔、站房和整体均匀分布作为优化目标,设置多目标优化目标函数实现GIS单线图最终优化。选取某电力公司配网作为单模拟操作应用对象,模拟结果表明,单模拟操作配网停电后,该配网各负荷点年故障率、次平均停电时间以及年停电时间均有所减少,可有效提升配网的供配电可靠性。     

基于度量学习的意图识别和槽填充方法

人机对话中小样本学习场景下的意图识别和槽填充,是自然语言处理的一个重要课题.本文采用基于度量学习的方法,通过计算query set中的样本与support set中样本的距离,寻找距离最近的类别样本作为分类标签,同时将两个任务联合进行训练,用以提升模型的效果.从实验结果中可以得出,本文提出的Fine-tune方法,对意图识别和槽填充任务都有一定的帮助和提升.胶囊网络在意图识别中也起到了一定的效果,可以帮助去除一部分无关信息,但对槽填充任务的帮助不明显;而任务自适应的投影网络,可以更好地将不同类的向量分开,提升了两个任务的性能.     

深度元学习在无人驾驶中的应用前景

在无人驾驶发展的初期,科学家们依靠数学方法与计算机视觉领域的相关技术创造出无人驾驶算法,其性能和安全性都不是很理想。近年来,随着深度学习的不断发展,无人驾驶领域出现了越来越多与深度学习相关的优秀算法。与传统算法相比,与深度学习相结合的无人驾驶算法有着更为优秀的性能,无人驾驶技术也随着深度学习的发展不断向商用化推进,其中具有代表性的产品即为近年来美国特斯拉公司生产的车辆,其拥有较为完善的辅助驾驶系统,可以将其看作一款非常典型的无人驾驶产品。本文将从目标检测以及目标跟踪两个领域分析深度元学习在无人驾驶领域中的应用前景。     

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％.