基于小波降噪和循环神经网络的煤矿瓦斯浓度预测

在瓦斯浓度监测数据分析中发现,瓦斯浓度序列往往呈现出较强的随机性和复杂性,时序数据中含有的噪声会对数据的预测结果产生干扰。为了减少数据中的噪声所带来的负面效果,提出了一种将小波阈值降噪与LSTM(长短期记忆网络)相结合的瓦斯浓度预测模型。通过将原始数据进行分解、阈值处理和重构,对时序数据中的噪声进行剥离,再通过LSTM模型进行预测分析,与普通LSTM和RNN网络进行比较,结果表明,所提出的基于小波降噪的LSTM的瓦斯浓度预测模型在精确度和泛化能力上都具有更好的表现。     

基于最长序列的虚拟3D音效的实现

为了在多媒体移动终端里实现3D音效,一个头部相关的传递函数首先被获取,然而一般的头相关传递函数的计算是把头当作一种球体来建立一个数学模型,这种模型的数学的计算复杂,不适合在嵌入式终端的实现.本文提出一种基于最长序列的测量系统脉冲响应的方法,该方法基于互相关技术,具有很高的抵抗噪声干扰能力,得到结果精度高,可重复性强,计算复杂度低,便于在嵌入式终端的实现。     

基于分形插值的城市降雨时间序列精细化估算

基于分形原理对济宁市降雨时间序列进行精细化插值,对降雨数据的分形特征进行分析,通过MATLAB软件计算降雨分形插值,最终将分形插值与传统插值进行对比;所得结果可满足当前中小型城市的城市雨洪建模的降雨数据需求。     

基于智能手机用户行为习惯的App使用预测算法研究

互联网的发展不仅推动了智能手机的普及,而且涌现了大量的手机App。大量被安装在手机中的应用程序不仅增加了用户寻找App的时间和难度,而且占用了手机大量的内存空间,致使手机卡顿,严重影响了用户体验。利用智能手机用户使用App的行为习惯特征,预测用户将要使用的App,并将其应用到智能手机中用以预加载App和智能清理手机内存是解决上述问题的方法之一。在深入了解PrefixSpan算法和Bayesian网络算法的前提下,考虑智能手机用户对每个App的喜爱程度,将其加入到PrefixSpan算法的剪枝步骤中;采用贝叶斯网络算法整合智能手机用户的App使用记录和App使用时长等特征,提出一套新的预测用户下一个将要使用的App的算法——WAPA(Weighted App Prediction Algorithm)。实验证明,该算法预测准确率最高可达86.3%,较其他算法可提高大约4%。     

一种使用多跳事实的端到端知识库实体描述生成方法

自动化实体描述生成有助于进一步提升知识图谱的应用价值,而流畅度高是实体描述文本的重要质量指标之一。该文提出使用知识库上多跳的事实来进行实体描述生成,从而贴近人工编撰的实体描述的行文风格,提升实体描述的流畅度。该文使用编码器—解码器框架,提出了一个端到端的神经网络模型,可以编码多跳的事实,并在解码器中使用关注机制对多跳事实进行表示。该文的实验结果表明,与基线模型相比,引入多跳事实后模型的BLEU-2和ROUGE-L等自动化指标分别提升约8.9个百分点和7.3个百分点。