神经网络语言模型

神经网络语言模型是用神经网络估计某一词序列为自然语言的概率.本文介绍了Bengio等人提出的神经概率语言模型,并比较了Minh&hinton提出的可变的层次分布语言模型,以及Sainath提出的深层神经网络语言模型这几种模型的优缺点.     

基于缝隙射流原理的离心泵空化控制研究

为了改善低比转速离心泵内的空化流动状态,提出一种在叶片上设置缝隙的被动控制方法,探究该结构对空化的抑制效果及其控制机理. 采用数值模拟方法探讨结构对空化的抑制. 采用修正的SST k-ω湍流模型和Kubota空化模型,对原始叶轮和改型叶轮分别进行定常及非定常数值计算,获得设计工况下2种叶轮形式在各个空化阶段的流场结构及压力脉动特性. 计算结果表明：改型叶轮中经缝隙流向叶片背面的高压流体提高了叶片背面的压力,对空化初生、空化发展及空化剧烈阶段均产生了抑制作用,特别是空化剧烈阶段,与原始叶轮相比,其空泡体积分数减少了60.6%;与原始叶轮相比,改型叶轮内液相区的压力脉动主频幅值在各个空化阶段均有所下降.     

基于交叉验证的集成学习误差分析

目前关于集成学习的泛化性能的研究已取得很大成功,但是关于集成学习的误差分析还需要进一步研究.考虑交叉验证在统计机器学习中对于模型性能评估有重要应用,为此,应用组块3×2交叉验证和k折交叉验证方法为每个样本点进行赋予权重的预测值的集成,并进行误差分析.在模拟数据和真实数据上进行实验,结果表明基于组块3×2交叉验证的集成学习预测误差小于单个学习器的预测误差,并且集成学习的方差比单个学习器方差小.与基于k折交叉验证的集成学习方法相比,基于组块3×2交叉验证的泛化误差小于基于k折交叉验证的泛化误差,说明基于组块3×2交叉验证的集成学习模型稳定性好.     

基于集成特征选择和随机森林的古代玻璃分类模型

将机器学习中的特征选择方法和分类算法融入古代玻璃制品成分分析和类别鉴定问题研究，以准确率和AUC作为分类性能度量指标，尝试构造古代玻璃制品化学成分选择的集成特征选择模型和鉴定分类的随机森林模型。对不同特征选择方法的结果进行集成，选择重要的化学成分,对选出的重要特征结合随机森林模型、k近邻学习和NaiveBayes模型等方法进行实验分析。结果表明，采用集成特征选择分析出氧化铅、氧化钡、氧化钾等成分对玻璃表面风化影响比较显著，且高钾玻璃中这3种成分两两关联很大，对选出的重要特征应用基于k折交叉验证的随机森林模型进行分类得到的准确率较高，模型稳定性强。该方法可以为我国古代玻璃制品的成分分析和类别鉴定提供理论参考，对其它玻璃的相似研究也有一定程度的借鉴意义。