品鉴 云图简

苍灰的岩壁、暗黄的砂砾、绝迹的生命,时间与空间双双缺席,从中捕捉不到任何具体的意义……似乎所有元素都在合力营造一幅荒原图景。     

锋实验简

金立Elife E7实拍测试 金立ElifeE7打出了“最拍照手机”的口号,无论从硬件配置还是软件应用方面,我们都从中看到了很多技术进步和一些人性化的设定。在金立ElifeE7发布后,我们参加了这款手机的外拍实测,本期锋实验就让我们来看看这款“最拍照手机”的实际表现。     

浅谈机器学习方法简

本文以什么是机器学习、机器学习的发展历史和机器学习的主要策略这一线索,对机器学习进行系统性的描述。接着,着重介绍了流形学习、李群机器学习和核机器学习三种新型的机器学习方法,为更好的研究机器学习提供了新的思路。     

锋视觉简

这组作品中的静物,颇有几分“物哀”色彩,透着昏暗光线的吊灯、似乎刚刚还在晃动的钥匙、楼梯转角的一抹光线。时间仿若凝固,但思绪却百转干回。其实我最喜欢的是那一张,不是骷髅,也不是书架,是书架上放置着骷髅,     

基于Bagging集成学习的水华预测方法研究

随着经济社会的高速发展和工业化建设程度不断提高,水环境问题已经严重影响甚至威胁了人类的健康。近年来,国家大力推行水环境的预测预警,许多专家学者利用人工神经网络等智能方法在富营养化评价及水华预测中得到了较为广泛的运用,也取得了一定成效。然而,人工神经网络的性能受到样本训练算法等方面的影响,在选取合适的神经网络模型、算法以及设置参数麻烦、耗时。随着问题复杂程度的增加,单个网络的隐层节点数将增加很多,训练时间将大大增加,从而造成训练困难。且由于训练过度或不够,往往导致泛化能力较差。为解决此问题,本文在对湖库水华形成机理深入分析的基础上,建立了BP网络的水华预测模型,并利用Bootstrap采样技术获取不同的数据集,分别训练多个BP网络,最终将多个网络进行集成用于建立太湖流域水华预测模型。通过基于Bagging算法的集成学习,可以对样本包含的信息进行充分挖掘,更全面的刻画因素之间的相互联系和变化规律。实验表明基于Bagging算法的BP网络集成模型预测结果与单个BP网络模型预测结果对比,具有较高的预测能力,从而获得了相对理想的预测效果。     

行摄 苏格兰情调简

自2012年年中佳能首次发布带有STM马达的镜头至今,已经陆续推出了多款STM镜头,这种全新技术的镜头产品已经逐渐深入人心。有不少著名的摄影师都在使用STM镜头进行创作,从这些摄影师的作品中可以看到STM镜头在旅行摄影中的绝佳表现。让我们来看看摄影师孙晓岭对STM镜头的使用感受。     

浅谈智慧校园简

文中先阐述智慧校园的概念,接着讲解其三个核心特征,最后阐述建设意义。“智慧校园”首先有统一的基础设施平台及双网覆盖的网络环境;其次,有统一的数据共享平台和综合信息服务平台。建设的重点在于应用。     

基于无线局域网的安全研究简

办公信息化、无纸化改造时期,无线局域网凭借其优越性能得到了推广应用,改变了传统办公模式的功能缺陷。无线局域网应用阶段易受到安全风险的干扰,导致网络运行速率降低而影响了正常的办公流程。本文分析了基于无线网的安全管理机制,为信息化、无线化办公创造更加安全可靠的作业环境。