一种基于卷积神经网络的快速识别朱墨时序方法

朱墨的时序检测在文件检测和司法公正领域中是较为常见的问题.由于判定结果的准确性无法准确衡量,提出了基于卷积神经网络快速识别朱墨时序的方法.基于不同时序的朱墨样本在朱墨重叠处图像色素点的区别,用卷积神经网络做有监督训练分类,最终达到识别图像朱墨顺序的 目的.在理想的实验条件下,同一支笔的预测准确率能达到93％以上,泛化能力高达86％.在加入高斯噪声后,同一支笔的预测准确率仍能达到82％以上,泛化能力达到80％,大幅度提高了朱墨时序图像识别的准确性和稳定性.     

利用广义双曲正切-余切方法求分数阶Cahn-Allen方程的行波解

利用广义的双曲正切-余切方法对非线性的分数阶Cahn-Allen方程进行了研究。该方法通过一个分数型的实行波变换将分数阶的偏微分方程转化为常微分方程,然后将常微分方程的求解转化为对应系数满足满足一定条件的代数方程的求解.借助Mathematica软件求出了非线性分数阶Cahn-Allen方程的行波解。最后的数值结果表明方法的有效性。     

利用分数阶(G′G)展式法构造分数阶KdV-Burger方程方程的精确行波解

(G′G)展式法是一种行之有效的求解分数阶偏微分方程的方法.利用行波变化与齐次平衡技巧可以对该方法进行拓展,拓展后的方法能够处理更一般的分数阶偏微分方程.最后将拓展后的方法应用到基于黎曼-刘维尔积分意义下的时间空间分数阶KdV-Burger方程中,通过符号计算可以得到方程的精确行波解.与其他方法相比,拓展的(G′G)展式法不需要进行变换和数值逼近,计算更加的简洁.     

基于行人出行习惯的元胞自动机混合交通流的研究

以右转车辆和双向行人为对象研究交叉口混合交通流特性。提出基于行走偏好和行人从众性这两种改进策略,对经典Baek模型进行了改进,构建出能够刻画右转车辆和行人相互干扰行为的新元胞自动机模型。通过研究车辆平均速度、车流量、行人平均速度、行人的人流量等方面,发现构建的新模型不仅可以使行人与车辆的整体速度提高,还可以减少行人与车辆之间的冲突。改进的模型对于行人的行为方式和心理特点等方面考虑的更加全面,可以较好的模拟人车冲突模型。     

采用STLK算法的高密度人群行人计数

传统的行人计数方法对人群密度较高的场景适应性较差,而高密度下的人群行人计数有其重要的社会意义和市场价值,行人计数的结果对社会治安问题能起到很好的预警效果。为了提高对高密度人流的计数精确度,首先采用了Shi-Tomasi角点检测法来识别出视频中的特征点,然后借由Lucas-Kanade光流法以目标区域的光流方向作为角点的运动方向,再通过多个特征点的运动状态在短时间内相似的特性消除趋同的角点,从而获得人数。最后通过Python平台和opencv库设计一个演示环境,实现对高密度人流的识别,算法的计数精确度达到89.77%,具有较好的识别效果.     

基于PCA-BP组合模型的股价预测分析

随着金融业数据环境的日益复杂,投资者稳定或超额投资收益难以保障.传统模型因其非线性映射能力弱而不能作为选股指导,因而面对日益突出的股票分析技术需求,新型算法的研究十分必要.运用了主成分分析法与B P神经网络模型的算法对五只个股进行预测,实现了数据的降维,良好地处理了股票市场复杂的非线性问题,并基于回测的历史数据不断更正模型得到精确度较高的PCA-BP组合模型.实际运用时还选取了数据拟合的方法,较好模拟了指标趋势,使得模型预测后的平均误差保持在极小的状态,且在短期预测上有一定的优势.     

带阻尼项的二阶非线性时滞微分方程的概周期解的存在性及唯一性

研究具时滞的二阶非线性微分方程，利用变量替换和不动点方法，得到此方程概周期解和有解界的存在及唯一性结果，推广了文献[3]的结果．     

基于改进卷积神经网络的藻类分类与识别方法

通过观测水体中海藻的种类和数量对水质的影响,达到预防藻类污染和检测水质好坏的 目的.基于改进卷积神经网络与深度学习 目标检测模型相结合的方法对藻类图像的大小、形态等特征进行提取与训练,实现藻类图像的识别分类.实验结果表明,运用改进的卷积神经网络和目标检测模型使得藻类识别的平均准确率达到95％以上,有效避免了过拟合的现象.该方法用于水质检测可以有效地解决由于人工识别分类带来的误差,减少人力输出,提高效率.