铁皮石斛发酵前后主要成分、活性和多糖分子量的变化

为研究面包酵母发酵对铁皮石斛主要成分、生理活性和多糖分子量的影响,以铁皮石斛水提取液为原料,探讨发酵过程中总糖含量、还原糖含量、体外抗氧化活性和体外降血糖活性的变化,并测定发酵前后多糖的分子量。研究结果显示,面包酵母发酵后,总糖和还原糖含量降低,多糖分子量降低,发酵液体外抗氧化能力和体外降血糖活性增强。因此,发酵有利于提高石斛生理活性,可能是由于发酵后石斛中小分子多糖和酸性多糖含量增加。     

基于注意力机制和用户行为序列的推荐模型研究

现有多数推荐方法主要根据用户在会话期间点击的物品信息为用户推荐所需信息,但用户的兴趣在不同的时间会发生变化,因此很难从用户会话所点击的项目中获得用户的准确信息。为此,文中提出一种结合自我注意力网络（SAN）和循环神经网络中的门控循环单元（GRU）的SAN-GRU混合推荐模型,以预测用户的真实意图。首先,使用多层自我注意网络捕获会话中用户-物品之间交互的全局依赖,从而获取用户行为序列中的用户长期偏好,并采用GRU隐藏层的最后一个隐藏状态来表示用户在当前会话中的短期兴趣;其次,将长期兴趣和短期兴趣进行线性结合以获得会话最后的表示,来预测下一个项目被点击的概率。为验证所提方法的有效性,选取Yoochoose和Diginetica两个公开标准数据集,与基于会话的递归神经网络推荐模型（GRU4REC）等基线方法进行实验对比。结果表明,相较于基于会话推荐的短期注意力/记忆优先级模型（STAMP）,SAN-GRU混合推荐模型在Yoochoose 1 64数据集下的召回率提升6.8%,在Yoochoose 1 4数据集下的召回率和排名倒数的平均值分别提升1.6%和9.3%。     

利用PSO-SA混合优化支持向量回归的径流预报模型研究

为了有效提高径流预报的准确度,提出一种有效的融合优化策略,采用基于粒子群和模拟退火算法相结合的混合方法同时优化支持向量回归核函数类型和内核参数,以此建立一种有效的混合优化支持向量回归径流预报模型。提出的方法为核函数选择和参数优化提供了一种有效途径。通过对广西柳州柳江径流实例分析,并与纯粹的支持向量回归模型对比,研究结果表明,该模型预测稳定,具有较高泛化性能和预测准确度,为径流预报提供了一种有效预测方法。     

不同提取方式对铁皮石斛多糖及体外降血糖的影响

以铁皮石斛为原料,选用传统热水提取法、酶法提取、闪式提取法、超声波提取法、冻融提取法5种提取方式在各自最佳参数上提取铁皮石斛粗多糖,以多糖得率、平均分子质量、多糖纯度、多糖黏度、α-葡萄糖苷酶抑制率和α-淀粉酶抑制率为指标对5种提取方式进行综合评估。结果表明:冻融提取法所得铁皮石斛多糖得率和平均分子质量最高,多糖得率高达37.1%,其对α-葡萄糖苷酶和α-淀粉酶抑制活性相对最高,这是由于冻融辅助法较好地保留了多糖的分子结构及其生物活性。     

基于动态K均值的RBF神经网络日降水预报模型

针对优化径向基函数神经网络的各参数问题,提出一种动态K均值混合优化RBF神经网络并应用于广西降水数据进行建立预报模型,该模型与传统的K均值RBF模型和同期的T213降水预报进行对比,结果表明。该模型建立的5月3个区域的逐日降水预报,预测的精确度明显高于同期的T213降水预报。     

基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。     

层次K均值聚类结合改进ITML的的迁移度量学习方法

目前的迁移学习方法多针对单一迁移类型,使用低级特征空间,并且源集比目标集复杂耗力;针对这些问题,综合考虑特征表示迁移、参数迁移和实例迁移,提出迁移度量学习的通用框架。首先,基于属性相似性空间和类别相似性空间,利用层次K均值聚类获取相似性;然后,利用去相关归一化转换方法消除源集中的相关关系来抑制负迁移作用;最后,改进信息理论度量学习方法进行相似性度量学习。对三种不同复杂度数据集进行实验,结果表明,提出方法的迁移学习性能较传统方法明显提高,且对负迁移影响具有更好的鲁棒性。此外,提出的方法可应用于源集比目标集简单的情况,评估结果表明,即使源集知识有限,也可以得到较好的迁移学习效果。     

基于二分搜索密度峰算法的RBFNN在月降水预报中的应用

针对径向基函数(RBF）网络结构和初始数据中心难以客观确定的不足，采用二分搜索密度峰值聚类算法（TSDPCA）找到数据中心值及数据簇类个数作为RBF神经网络的初始参数和隐藏层节点数，再利用梯度下降法优化RBFNN结构及各个参数建立预报模型，并应用于广西月降水预报中，以检验该模型的有效性。结果表明，与K-RBFNN和OLS-RBFNN的模型相比，TSDPCA-RBFNN预报平均相对误差值下降了10%~35%，具有更好的预报性能。