使用长短期记忆网络预测NBA比赛胜负

深度学习与机器学习的方法已广泛应用于NBA(美国篮球职篮联赛)的比赛胜负的预测中,然而过去的方法未对过去几场比赛的数据进行建模,忽略了比赛双方近期状态的有效表示.为了解决这个问题,提出了基于长短期记忆(LSTM)网络的方法对NBA常规赛的比赛胜负进行预测.该方法分别以比赛中的两支球队过去几场比赛的数据作为LSTM的输入,以该场比赛结果作为输出,训练能够预测比赛胜负的模型.本质上是使用球队在该赛季的历史数据的平均值作为该球队的实力,以近几场比赛的数据序列作为该球队状态的体现.在实验中比较了其他几种预测NBA比赛胜负的方法(支持向量机、卷积神经网络、逻辑回归模型等方法),数据来自2014—2019年间的5个赛季的NBA常规赛数据.结果表明,模型的预测准确率达到(69.09％),高于其他几种模型.     

一个强安全的无证书签名方案的分析和改进

无证书公钥密码体制结合了基于身份的密码体制和传统PKI公钥密码体制的优势,克服了基于身份的公钥密码体制的密钥托管问题及PKI系统的证书管理问题,具有明显的优势.对Hassouna等提出的一个强安全无证书签名方案进行安全分析.结果表明,该方案不能验证消息的完整性,存在消息篡改攻击,且方案未使用根据系统主密钥生成的私钥进行签名,所以不是无证书签名方案.在此基础上,提出了一个改进的无证书签名方案,在随机预言机模型下,基于椭圆曲线Diffie-Hellman问题假设,证明了该方案可以抵抗第一类强敌手和第二类敌手的攻击,满足存在性不可伪造的安全性.     

基于迭代学习控制的划片机高精度运动误差补偿

集成电路封装技术快速发展,作为电子元器件封装关键设备的划片机精度也日益提高,为顺应这一趋势,针对划片机重复加工的执行过程特点,设计一种基于数据驱动的神经网络迭代控制方法。该方法通过不断修正控制输入,使得跟踪误差逐渐减小,提高重复定位精度。通过仿真分析得出,神经网络迭代控制方法基于划片重复运行的特点,仅利用输入输出数据,完成对零件加工过程的改善,可有效提高运动精度,实现了误差补偿。     

基于用户兴趣词典和LSTM的个性化情感分类方法

微博是一个可以分享生活、发表看法、发泄情感的社交平台,由于数据量大且易于获取,微博数据已被广泛用于网络用户情感分析.传统对微博进行情感预测的研究没有考虑用户的用词喜好、语言风格等个性化因素的影响,使得情感分类结果的准确性不高.首先通过分析用户兴趣特征构建用户兴趣词典,在此基础上提出基于用户兴趣词典的情感分类模型;然后利用长短期记忆网络(Long Short-Term Memory,LSTM)分类准确性高的特点训练一个通用的LSTM分类模型;最后利用支持向量机融合不同模型以得到最终的情感分类结果.实验结果表明,与支持向量机、朴素贝叶斯等传统分类器相比,基于用户兴趣词典与LSTM的个性化情感分类方法在分类精度上有较大提升;与LSTM、循环神经网络等深度学习方法相比,该方法在保证运行效率的前提下能获得更高的分类精度.     

基于SVM和CRF双层模型的FrameNet框架消歧

框架消歧指的是在给定的句子中根据目标词的上下文语境,自动识别出有歧义的目标词所属的框架。针对传统FrameNet框架消歧方法使用单一分类模型时没有考虑到目标词之间的联系而导致隐性特征难以被提取,以及分类结果比较依赖分类模型的性能及参数的设置的问题,提出了一种基于SVM和CRF双层模型的FrameNet框架消歧方法。该方法利用分治思想将框架消歧问题转化为对目标词的分类及序列标注。第一层SVM模型对输入的语料进行粗分类,得到分类标签序列;第二层CRF模型将文本序列和SVM模型的分类标签序列作为输入,将分类标签加入特征模板进一步进行序列标注。实验选取了FrameNet语义知识库中能够激起多个框架的18个词元,2?614条例句作为实验数据。实验结果显示,与传统方法相比,基于SVM和CRF的双层模型有较高的准确率,证明了该方法是一种较为适用的FrameNet框架消歧方法。     

基于CNN和SVM的疲劳驾驶闭眼特征实时检测

针对现有疲劳驾驶检测方法中实时性和泛化能力不足的问题, 本文提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)和支持向量机(Support Vector Machine, SVM)的疲劳驾驶闭眼特征检测方法, 使用CNN获取人脸相关特征点的位置并定位眼部感兴趣区域(Region Of Interest, ROI), 通过灰度化和直方图均衡化操作减弱光照差异的影响, 提取ROI的方向梯度直方图(Histogram of Oriented Gradient, HOG), 并用SVM对HOG进行分类, 相应的判断出原始图像是否包含疲劳驾驶闭眼特征. 本文给出了所提方法在PC平台和ARM平台实现的实时性验证, 在不同光照和背景条件下对多位受测人员进行测试, 实验结果表明该方法对疲劳驾驶闭眼特征检测准确率在94％以上, 处理速度满足实时性要求, 且具有较强的泛化能力.     

基于石英挠性加速度计A/D与I/F数据采集系统的对比研究

为满足对寻北仪导航系统中加速度计采集数据的高精度要求,提出了基于石英挠性加速度计的A/D采集系统与I/F数据采集系统的对比研究;系统采用了高精度A/D转换芯片AD7693和V/F高精度转换芯片LM331分别对石英挠性加速度计采集的数据进行处理转换,以FPGA芯片XC7Z020为逻辑控制核心对转换的数据进行编帧处理,通过RS232总线将处理的数据发送到上位机;测试结果表明,在相同条件下,I/F采集系统转换的精度99.99％优于A/D采集系统转换的精度98.7％;短时间内,I/F采集系统采集的数据变化不大,A/D采集系统采集的数据变化大,所以I/F采集系统稳定性更好.     

基于SIFT和HOG特征融合的视频车辆检测算法

为了能够提升视频技术下车辆检测的正确率,论文提出结合使用HOG特征与SIFT特征作为车辆检测的特征提取算法,再通过支持向量机(SVM)将样本数据划分为训练集与验证集,使用不同核函数进行训练和验证,确定最优核函数为高斯核函数.最后将训练的模型使用到视频文件进行车辆的预测.最终,实验数据表明,该方法提升了传统的HOG+SVM的样本检测效率,高斯核函数下检测率高达98.38％.处理视频文件时车辆检测效果良好,但是模型仍不够稳定,希望日后完善训练集继续改进算法.     

基于CNN和SVM的人脸识别系统的设计与实现

针对人脸识别在实际应用中存在姿态变化、表情、遮挡等问题,研究了结合支持向量机(SVM)分类的卷积神经网络(CNN)人脸识别算法,设计并实现了人脸识别系统。系统首先使用CNN提取人脸特征向量,再将特征向量通过SVM进行分类。测试结果表明,系统在训练样本充分时面对人脸姿态变化、表情、遮挡等情况下都具有较好的性能,识别率在95%以上,能满足一般的人脸识别需求。     

基于支持向量机的磨削表面烧伤识别研究

磨削加工是机械加工中的重要工艺之一,磨削烧伤对工件的各方面的性能有很大影响.因此,需要对磨削烧伤进行分级并识别以提高工件品质.论文采用支持向量机法对采集的磨削烧伤图像的颜色以及纹理特征进行深入地分析和研究.研究结果表明,随着数据量的变化,支持向量机模型对不同烧伤类型的识别准确率并不相同,当数据量为500时,支持向量机的类型识别准确率最高为94.02％.基本满足实际工程中对磨削烧伤识别的准确率要求,并具有一定的实际推广意义.