Sensory为手机、平板电脑和PC推出语音视觉组合生物特征识别技术

正TrulySecure(TM)是高成本效益和高精度的生物特征识别技术Marketwired 2014年6月30日美国加州圣克拉拉消息----Sensory公司今天推出TrulySecure(TM)技术,该技术有助于摆脱繁琐的指纹和PIN码识别。TrulySecure(TM)是一个以SDK形式提供给OEM产品开发者的技术组合,包含Sensory世界一流的说话人确认技术和最新开发的专有的人脸识别引擎。Sensory的身份验证解决方案是一项复杂的技术,是以该公司在语音处理、计算机视觉和机器学习上的雄厚实     

微博观点句识别的话题影响研究

为了从海量的网络信息中迅速准确地获取评价信息,观点句识别已经成了自然语言处理的一个研究热点。现在观点句识别系统大都是基于机器学习的方法,一般使用机器学习的方法来进行分类会受到领域差异性影响。针对这个问题,该文对微博观点句识别系统是否会受到微博话题影响做了经验性研究,同时为了弥补训练数据的不足,该文通过规则方法自动标注网络数据进行了训练集的扩充。实验结果表明,微博话题间存在差异,进行分话题模型训练可以提升微博观点句识别系统的性能。     

On-line least squares support vector machine algorithm in gas prediction

Traditional coal mine safety prediction methods are off-line and do not have dynamic prediction functions. The Support Vector Machine (SVM) is a new machine learning algorithm that has excellent properties. The least squares support vector machine (LS-SVM) algorithm is an improved algorithm of SVM. But the common LS-SVM algorithm, used directly in safety predictions, has some problems. We have first studied gas prediction problems and the basic theory of LS-SVM. Given these problems, we have investigated the affect of the time factor about safety prediction and present an on-line prediction algorithm, based on LS-SVM. Finally, given our observed data, we used the on-line algorithm to predict gas emissions and used other related algorithm to com- pare its performance. The simulation results have verified the validity of the new algorithm.     

基于样本分析的试题难度系数修正算法

针对当前题库试题难度系数的确定和评价标准不明确,提出一种以考试结果为样本获得难度系数并自我修正的算法:将样本数据序列{dk}构造到希尔伯特空间上,利用空间的完备性,从理论上确保序列{dk}收敛于常量D。基于该算法构造机器学习模型,它具有快速收敛和对历史数据进行学习和修正的特点。     

基于机器学习的网络入侵检测研究

随着网络通信数据的几何增长,基于人为分析的网络入侵检测方法限制了系统的自动检测能力。软计算模拟技术可以有效地提高分析系统的能力,其中基于机器学习的方法可以进行网络入侵自动检测。这些技术都是基于网络数据的统计分析,数据处理算法可以使用先前发现的数据模式,对网络通信的新数据模式做出决策。本文探讨了智能网络入侵检测系统中应用的多种软计算技术和机器学习方法,为建立一个健壮的智能网络入侵检测系统奠定基础,从而获得高效的网络入侵检测与防御系统。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。     

基于支持向量机的边坡稳定性系数预测及变量分析

边坡稳定性研究对于地质灾害的防治尤为重要,为了研究不同机器学习模型的边坡稳定性预测效果,以边坡稳定性系数为预测对象,选择重度、黏聚力、内摩擦角、边坡高度、坡角、孔隙压力比为输入变量,建立了基于支持向量机（ＳＶＲ）的边坡稳定性系数预测模型。研究了不同核函数对 ＳＶＲ模型预测结果的影响,对比了 ＳＶＲ模型与极限学习机（ＥＬＭ）模型、ＢＰ神经网络模型的预测效果,分析了各输入变量对 ＳＶＲ模型与 ＥＬＭ模型预测性能的影响。结果表明:基于 ＳＶＲ的边坡稳定性系数预测模型的预测效果较好,其中采用了 ＲＢＦ核函数的 ＳＶＲ模型预测效果较好,平均绝对误差为 8．10％,均方根误差为 0．034;输入变量对 ＳＶＲ模型与 ＥＬＭ模型的影响较大,剔除各变量后 ＳＶＲ模型预测结果的均方根误差变化小于 0．02,因此本文建立的 ＳＶＲ模型具有更好的稳定性。     

NeurIPS 2020观察与分析

神经信息处理系统大会（Conference on Neural Information Processing Systems,NeurIPS）是机器学习领域的顶级会议,在中国计算机学会（China Computer Federation,CCF）推荐国际学术会议中被评为人工智能领域的A类会议,一直广受关注。NeurIPS 2020收到了创纪录的9 467篇投稿,最终录用1 898篇论文。收录的论文涵盖了人工智能的各种主题,包括深度学习及其应用、强化学习与规划、纯理论研究、概率方法、优化及机器学习与社会等。本文回顾了NeurIPS 2020的亮点及论文录用情况,详细解读了特邀报告、最佳论文、口头报告及部分海报论文,希望能帮助读者快速了解NeurIPS 2020的盛况。     

基于报文特征的DNS隐信道检测技术研究

现有的DNS隐信道检测算法大多数依赖多次的DNS信息交互数据,然而在大规模流量的网络环境中,DNS数据难以收集完整并分流,从而导致检测模型失效.针对上述问题,提出了一种基于单次DNS请求和响应报文特征的DNS隐信道检测模型,并分析并提取了 DNS请求与响应报文多维度的长度和字符特征,最终提取19维特征,并使用四种机器学习算法进行分类,其中J48决策树综合结果最好,对DNS隐信道检测率为99.4％,误检率为0.2％,同样情况下对比算法的检测率为98.5％,误检率为0.8％.实验结果表明,在基于单次DNS请求和响应报文数据的情况下,提出的模型对DNS隐信道具备不错的检测能力,且检测效果优于对比算法.     

机器学习案例化教学方法研究

如何让学生正确理解机器学习理论、准确利用所学技术解决新问题,是机器学习课程教学的重点。提出一种由浅入深的案例化教学方法,设计综合案例实现机器学习全过程的融合,讲解每一个算法的理论知识和实现过程,并通过调整算法步骤、参数等,展示各个步骤、自变量和系数等对学习结果的影响。实践结果表明,该方法能够有效帮助学生理解理论知识,强化动手能力。