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.     

炼焦煤镜质体反射率及其分布图辨识与分析

为了更好地解析炼焦煤的镜质体反射率及其分布图,阐述了各类混煤的镜质体反射率分布的形态和特征,提出一种直观辨别镜质体反射率分布图中凹口的方法.分析了各类混煤在炼焦配煤中的作用——天然的简单无凹口混煤可视为单一煤层煤;1个凹口的相同煤阶的混煤可视为简单无凹口混煤;天然的1个凹口的相邻煤阶的混煤可视为介于两种相邻煤阶间的一种...     

基于DSP的自动代码生成及其在电池管理系统中的应用

按照V模式的开发方法对燃料电池车用动力蓄电池管理系统BMS进行了开发。根据BMS的功能和相应的算法在Simulink平台上对BMS进行了建模仿真。模型验证无误后,运用embedded target for TI C2000实现控制器的自动代码生成,并在硬件平台上对自动生成的代码进行了验证。     

基于OFDM的双门限协作频谱感知仿真

针对频谱感知中单门限能量检测的不足,研究了双门限能量检测,结合OFDM频谱利用率较高的特点,提出了将双门限能量检测与OFDM系统相结合的方法.以OFDM系统为基础,将系统中的子信道作为待感知用户,根据可用子载波数量确定实际感知用户,在子信道中进行双门限能量检测,数据融合中心采用“or”准则进行判决.仿真结果表明,该方法能够较好地识别出主用户,从而控制OFDM系统的数据传输,随着可用子载波个数的增加,可以得到更好的识别性能.     

以就业为导向的高职教学实践的研究

近年来,我国高职教育规模发展迅猛,但教学模式并没有摆脱传统学历教育,这对高职学生成功就业产生了很大影响。本文结合我院计算机多媒体技术专业近几年专业培养方案的修订,从培养目标定位、能力分解表的制定、课程的合理设置和教学手段的现代化四个方面提出了如何提高高职教学效果,培养出合格的计算机多媒体技术专业人才。     

基于人工神经网络的金融审计模型

针对金融审计的特点，分析了影响贷款企业经营状况的主要因素，提出了进行金融审计的神经网络模型，给出了模型的求解方法，并利用该模型进行了大量的验证计算。结果表明，该模型能较好地帮助审计人员准确判断审计对象的基本状况，为快速确定审计重点提供了有力的保证。     

职业技能教育融入高等学历教育人才培养的探索

本文从职业技能教育融入高等学历教育的背景入手,分析职业技能教育融入高等学历教育存在的障碍,并提出解决的对策。     

面向效应场数值模拟的颜色映射自动调优框架

在科学计算的效应场数值模拟中,变量数据的数值分布通常极不均匀,且存在大量背景噪声.针对传统数据到颜色的可视化线性映射难以获得清晰的物理特征的问题,提出一个基于颜色控制点自动调优的颜色映射框架.首先基于信息熵和高斯混合分布自动去除背景数据,然后基于累积分布函数自动调整颜色控制点位置,再基于分段亮度参数增强颜色表感知辨识性...     

基于候选区域和并行卷积神经网络的行人检测

针对行人在部分自然场景图像中所占比例较小（以下简称小目标）,提取的特征容易丢失,检测准确率低的问题,提出基于候选区域和并行卷积神经网络（Parallel Convolutional Neural Network,PCNN）的行人检测方法。对于候选区域提取部分,改进了选择性搜索,使其更符合行人这一类别的候选区域提取;利用Edge Boxes对选择性搜索提取的大量预候选区域进行过滤,最终得到数量少、质量高的候选区域。在利用卷积神经网络（Convolutional Neural Network,CNN）进行特征提取时,针对深层卷积神经网络能够提取到更丰富更抽象的高层特征,但同时对于小目标容易造成特征丢失的问题,加入浅层网络组成并行卷积神经网络（Parallel Convolutional Neural Network,PCNN）提取深、浅层特征输出。最后将所提方法应用于行人检测,实验结果表明,所提方法对于小目标的检测准确率有较好的提升。     

AGCluStream:一个基于Agent方法的双层流数据聚类算法

流数据聚类是数据挖掘研究中一个热点问题.基于Agent方法的流数据聚类算法AGCluStream采用双层结构,在线层采用格簇存储数据信息,利用Agent操作完成对数据的处理,离线层采用了结合时间框架的窗口分析技术.算法鲁棒性高,能够更好地适应流数据的动态特性,维护数据全局分布的完整性,时间开销适应流数据的高速性.