类别均衡与局部中值损失联合监督的自然场景人脸表情识别

近年来,卷积神经网络在实验室控制环境下的人脸表情识别任务中取得了很大进步,但是在自然场景中人脸表情识别方面仍然存在一些挑战.针对自然场景中人脸表情数据分布不平衡,以及由姿势、光照和性别等因素引起的类内差异大的问题,提出类别均衡与局部中值(class-balancedandlocalmedian,CALM)损失函数.CALM损失函数包含类别均衡Softmax损失函数和局部中值损失函数2个部分.其中,类别均衡Softmax损失函数将数据量较少且容易错分的害怕和厌恶2种表情标记为难样本,将其余5种表情标记为易样本;在网络训练过程中对难样本自适应地增大权重,以提高难样本的识别准确率,进而提高表情识别的平均准确率.此外,在每个类别中会有一些离类别内大多数样本较远的样本,它们的存在会导致用均值方法计算出的类别中心偏离类内大多数样本.在局部中值损失函数中,采用与每个样本属于同类别的若干近邻的中值作为类别中心,在一定程度上减弱离群样本对类别中心选择的影响.在RAF(real-worldaffectivefaces)数据集上进行实验,与局部子类方法相比,该方法的平均识别准确率提升了1.32%,证明了该方法的有效性.     

探析食品安全数据分类编码

食品安全数据分类编码不统一,是当前食品安全数据难以融合共享的最大障碍。当前亟需改变基于条块业务和监管权限所形成的封闭、孤立系统现状,建立一套符合中国特色的食品安全数据分类编码系统。随着信息技术蓬勃发展,与食品安全、营养、健康相关的数据得到了一定的积累。在信息共享阶段,应将这些数据转化为可分析利用的大数据,赋予数据以生命力,为政府决策、经济发展和科学研究提供技术支撑。实施食品安全数据分类编码标准化是实现食品安全数据跨界融合、形成大数据的必要前提。     

大数据环境下基于K中心点优化算法的Web服务组合

在当前Web服务海量增加、现有Web服务选择算法低效、用户匹配度差的基础上，针对K中心点算法存在的质点偏移、准确率低和容易发生畸变等问题，提出一种大数据环境下基于K中心点优化算法的Web服务组合方法。该方法是在大数据环境下，根据不同用户需求满意度及Web服务QoS参数，对基于优化初始聚类中心的K中心点算法的Web服务选择及最优Web服务组合进行研究。同时针对不同的选择方法对服务动态选择及组合的准确度、迭代更新次数、候选集选择时间及选择总时间进行实验分析，验证了本文研究方法的有效性和可靠性。     

基于Hadoop的电力运维审计系统的设计

国家电网公司信息化程度越来越高，单机运维审计系统产生的数据量日益增多，对海量数据高效率存储分析性能严重下降，系统稳定性降低。为满足国家电网当前对运维审计系统数据存储分析以及系统稳定性的需求，在Hadoop开源架构的基础上，本文提出基于Hadoop集群的海量数据分布式存储方法和基于Heartbeat的心跳检测技术，实现基于Hadoop的电力运维审计系统。〖JP2〗实验测试结果表明，基于Hadoop的电力运维审计系统相比单机系统可用性提高了8.42%，大大提升了存储分析海量数据的性能，具有系统工作稳定和服务不间断等优势。     

大数据时代人工智能在计算机网络技术中的应用研究

经济社会的发展和科学技术的不断进步,人工智能方式的应用程度不断加深,在社会多个领域都产生了重要的影响,有效提了升网络运行的稳定性,且更好地满足大数据时代海量信息处理的需求。大数据发展背景下,要更好地带动计算机网络技术的运行发展,需要重视科学地使用人工智能方式,开展管理工作,合理使用大数据时代的人工智能,提升整体系统的运行效率,更好地满足时代发展需求。对大数据时代人工智能在计算机网络技术中的应用进行了探讨。