基于SWA优化级联网络的表情识别方法

为了提高表情识别技术的检测精度,文中提出了一种采用随机权重平均SWA优化级联网络的人脸表情识别方法。与单个卷积网络相比,多网络级联能得到更好的检测精度。相对于传统的SGD训练方法,SWA训练方法能增强级联网络中子网络的泛化能力,进一步提高模型的整体性能。通过在Fer2013数据集上测试实验发现,基于SWA方法训练采用加权求和法方式级联的网络模型识别准确率达到74.478%,相对于传统SGD方法训练的单网络模型提高了1.4%以上。另外,与其他典型方法相比,所提改进模型的识别准确率更高。     

通用统计报表处理系统的设计与实现

针对当前面向企业管理的应用系统普遍存在输出功能弱、不能很好地适应实际应用需求变化的缺点,提出了通用型统计报表处理系统的设计原理及实现方法。开发完成的“通用统计报表处理系统”以一种“通用”的观点解决了应用系统的输出问题,其本身既是一个通用统计管理系统,又可以作为其它应用系统的输出工具,为其他应用系统提供强大的输出功能。系统设计方法充分体现了软件核心部分应设计成与具体应用无关的组合软件工程的设计思想,     

三相VFT电压测量中电场耦合系数矩阵的确定

在三相快速瞬变过程ＶＦＴ（Ｖｅｒｙ Ｆａｓｔ Ｔｒａｎｓｉｅｎｔｓ）电压测量中,需要３个电容传感器,而每个传感器同时受Ａ、Ｂ、Ｃ三相电压的电场耦合。该文讨论了三相同壳式封闭式组合电器ＧＩＳ（Ｇａｓ Ｉｎｓｕｌａｔｅｄ Ｓｕｂｓｔａｔｉｏｎ）在完全对称布置和不完全对称布置情形下,电场耦合系数矩阵的确定方法。提出了主导电场耦合系数的概念,给出了它的近似解析表达式。     

一个基于图基约束集映射的参数化设计模型

文中提出了一个基于图基约束集映射的参数化设计模型 .对图基的概念作了阐述 .提出了一个适合于图基参数化的数据模型和约束集的多元组表示与映射方法 .给出了基于图基实例的约束求解方法和定位算法 ,并对计算方法作了归纳 .在此基础上 ,给出了一个基于图基的一致联动方法 .实践证明 ,基于图基联动的设计方法摆脱了传统的基于点、线、圆、圆弧低层次线素繁琐的交互设计工作 ,提高了 CAD系统的自动化程度 ,使设计人员对产品的设计、维护以及后续分析等过程都具有十分重要的意义 .     

品质变量在经济预测模型中的量化方法

将品质变量引主经济预测模型中,给出了多次跳跃,间断式模型和具有多个转折点的系统趋势变化模型的一般表达式,并结合实例说明了引入品质变量回归模型预测精度的改善情况。     

神经网络的知识处理

从知识处理角度,分析研究了神经网络的知识表示,获取和推理机制,并结合心电图分类进行了实例验证,结果表明神经网络既能正确识别训练过的心电图,又对未训练过的心电图有较好的分类能力。     

TP-FER：基于优化卷积神经网络的三通道人脸表情识别方法

针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition).该方法基于构建的卷积神经网络训练,采用三个输入渠道,分别聚焦面部、眼部和嘴部区域进行特征提取和表情判别,最后采用基于决策层的融合技术将三个渠道的识别结果进行相对多数投票决策,获取整体最优识别率.将此方法应用于JCK+数据集和自建数据集上进行了实验判别分析,结果表明该方法在两个数据集上均提高了整体表情识别率.该方法既考虑了脸部整体特征的提取,又兼顾了某些表情主要聚焦在眼部、嘴部表达的特性,相互辅助,整体提高了表情的识别率;该方法也能对神经心理学研究提供数据支持.     

国内垂直领域知识图谱发展现状与展望

为了充分展现国内在垂直知识图谱领域研究的现状,以垂直领域知识图谱为研究对象对其发展现状和趋势进行综述.对垂直领域知识图谱的定义和分类、架构和关键技术的发展现状进行了详细论述;针对垂直领域知识图谱的具体应用进行了论述,并以学术信息知识图谱和医药卫生知识图谱为例进行了详细介绍.最后对垂直领域知识图谱发展中存在的问题和对策以及未来的趋势进行了探讨.     

结合改进VGGNet和Focal Loss的人脸表情识别

针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法。在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响。实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68%、97.61%和72.49%,在实际应用中泛化能力突出。     

基于自主学习与SCAD-Net正则化的回归模型

众多基因生物标志物选择方法常因研究样本较少而不能直接用于临床诊断.于是有学者提出整合不同基因表达数据同时保留生物信息完整性的方法.然而,由于存在批量效应,导致直接整合不同基因表达数据可能会增加新的系统误差.针对上述问题,提出一个融合自主学习与SCAD-Net正则化的分析框架.一方面,自主学习方法能够先从低噪声样本中学习出基础模型,然后再通过高噪声样本学习使得模型更加稳健,从而避免批量效应;另一方面,SCAD-Net正则化融合了基因表达数据与基因间的交互信息,可以实现更好的特征选择效果.不同情形下的模拟数据以及在乳腺癌细胞系数据集上的结果表明,基于自主学习与SCAD-Net正则化的回归模型在处理高维复杂网络数据集时具有更好的预测效果.