支持向量机算法多目标模型选择

为适应支持向量机（Support Vector Machine,SVM）算法应用过程中的不同性能指标要求,将SVM算法的模型选择问题作为一个多目标优化（Multi-Object Optimization,MOO）问题进行处理。以改进的粒子群优化（Particle Swarm Optimization,PSO）算法对该多目标优化问题进行求解,得到其Pareto解集,在具体应用中根据实际需要从Pareto解集中选择适合的最优解作为支持向量机算法参数,实现支持向量机算法的模型选择。在几个数据集上的仿真实验表明,该方法能够较快地得到Pareto解集,解集中的参数组合能够满足对支持向量机算法速度和泛化能力的不同要求。     

滤除SEMG工频干扰的数字陷波器设计

50 Hz工频干扰是表面肌电信号（SEMG）的主要干扰源之一,消除工频干扰是表面肌电信号处理中的一项重要技术。鉴于原有模拟信号调理电路在工频消噪这一环节上的不足,设计了一种50 Hz数字陷波器用以消噪,减小干扰。实验证明,采用基于窗函数法的FIR原理设计的50 Hz数字陷波器能有效滤除SEMG中的工频干扰并基本不影响50 Hz周围有效SEMG的获取。     

一种基于语义吸引的节点规模估计方法

节点规模是各种分布式应用的基础信息,节点波动的大规模网络环境要求节点规模估计方法具有较高的估计精度和较强的鲁棒性,已有的节点规模估计方法多侧重于某个方面的优化而未能充分权衡计算精度和鲁棒性.提出一种基于语义吸引的节点规模估计方法——SEBSA(a network size estimation method based semantic attraction).SEBSA将每个节点标识所对应的实数区间上的哈希值作为语义信息,节点通过与哈希值临近的节点周期性地交换哈希空间上的邻居信息,以快速吸引与自己哈希值最近的一组节点,测量该组节点哈希值的平均间距以估计节点规模.理论分析和实验结果表明,相对于已有方法,SEBSA在节点频繁波动的网络环境中仍然能够快速地提供准确的节点规模信息.     

基于双邻接图正交近邻保持投影的人脸识别算法

正交保持投影(ONPP)是经典的图嵌入降维技术,已经成功地应用到人脸识别中,其保持了高维数据的局部性和整体几何结构。监督的ONPP通过建立同类邻接图来最小化同类局部重构误差,寻找最优的低维嵌入,但是其只使用了类内信息,这会导致异类数据点间的结构不够明显。因此,提出了基于双邻接图的正交近邻保持投影(DAG-ONPP)算法。通过建立同类邻接图与异类邻接图,在数据嵌入低维空间后同类近邻重构误差尽量小,异类近邻重构误差更加明显。在ORL,Yale,YaleB和PIE人脸库上的实验结果表明,与其他经典算法相比,所提方法有效提高了分类能力。     

模糊随机早期检测在组播拥塞控制中的应用

现有的组播拥塞控制算法大都基于端系统进行拥塞控制,而较少讨论中间路由器的主动队列管理机制。基于模糊逻辑对网络状态的动态适应性特点,提出了基于模糊逻辑的RED算法（Fuzzy Logic-based RED,FL RED）。该算法运用于组播拥塞控制中,网络能够及时对拥塞做出准确反应,更有效地分配和利用资源。仿真结果表明,该算法比普通RED算法具有更好的TCP-友好性,并且能够将队列长度维持在一个较小值,具有更小的传输时延。     

深度学习框架下说话人识别研究综述

说话人识别由于其独特的方便性、经济性和准确性等优势,已成为人们日常生活与工作中重要的身份认证方式。然而在实际应用场景下,对说话人识别系统的准确性、鲁棒性、迁移性、实时性等提出了巨大的挑战。近年来深度学习在特征表达和模式分类方面表现优异,为说话人识别技术的进一步发展提供了新方向。相较于传统说话人识别技术（如GMM-UBM、GMM-SVM、JFA、i-vector等）,聚焦于深度学习框架下的说话人识别方法,按照深度学习在说话人识别中的作用方式,将目前的研究分为基于深度学习的特征表达、基于深度学习的后端建模、端到端联合优化三种类别,并分析和总结了其典型算法的特点及网络结构,对其具体性能进行了对比分析。最后总结了深度学习在说话人识别中的应用特点及优势,进一步分析了目前说话人识别研究面临的问题及挑战,并展望了深度学习框架下说话人识别研究的前景,以期推动说话人识别技术的进一步发展。     

融合结构-属性交互二部图随机游走的社区搜索方法

属性图中的社区搜索是一种局部社区发现方法,本质是基于用户提供的查询节点返回包含查询节点且在结构内聚的同时属性与查询属性相似的个性化子图.该任务有助于用户更好地理解社区是如何形成的以及社区形成的原因.提出了一种融合结构-属性交互二部图随机游走机制,有效地支持属性图中的社区搜索.具体地,首先基于网络拓扑结构构建结构概率转移...     

油墨稀释方式对凹印冰花锤纹效果的影响研究

确定温度对UV冰点油墨的影响,并找出满足印刷生产的加热温度。通过对照实验,验证不同加热温度对冰点油墨粘度与印刷效果的影响,通过SPSS软件进行数据分析,实验指标为冰花锤纹表面浮雕效果的成型效果。恒温水浴加热冰点油墨可以调节油墨粘度,加热温度在70℃、80℃时凹印冰花锤纹效果与丝印效果接近,此时油墨粘度在21²~24²之间,其中以80℃时整体版面效果更加符合生产要求。水浴加热冰点油墨的凹印效果可以满足目标烟标生产要求,为凹印生产冰花锤纹效果油墨粘度调节方式与类似烟标生产提供了参考。     

基于最小不满足核的随机森林局部解释性分析

随着机器学习在安全关键领域的应用愈加广泛,对于机器学习可解释性的要求也愈加提高.可解释性旨在帮助人们理解模型内部的运作原理以及决策依据,增加模型的可信度.然而,对于随机森林等机器学习模型的可解释性相关研究尚处于起步阶段.鉴于形式化方法严谨规范的特性以及近年来在机器学习领域的广泛应用,提出一种基于形式化和逻辑推理方法的机器学习可解释性方法,用于解释随机森林的预测结果.即将随机森林模型的决策过程编码为一阶逻辑公式,并以最小不满足核为核心,提供了关于特征重要性的局部解释以及反事实样本生成方法.多个公开数据集的实验结果显示,所提出的特征重要性度量方法具有较高的质量,所提出的反事实样本生成算法优于现有的先进算法;此外,从用户友好的角度出发,可根据基于反事实样本分析结果生成用户报告,在实际应用中,能够为用户改善自身情况提供建议.     

耦合型光纤应变传感器在动态称重中的应用

介绍了耦合型光纤应变传感器的工作原理,分析了耦合型光纤应变传感器的设计和应用于汽车动态称重的方案。制作了耦合型光纤应变传感动态称重仪并对基于耦合型光纤应变传感器的动态称重系统进行了静态和动态测试。对测得的信号进行了分析计算和消噪处理,取得了有价值的试验数据。试验证明,耦合型光纤应变传感器能够满足汽车动态称重的要求,具有很好的应用前景。