谱聚类欠取样下自编码网络不平衡数据挖掘

不平衡数据集的应用领域日益广泛,需求也越来越高,为提升整体数据集的分类准确率,以谱聚类欠取样为前提条件,构建一种自编码网络不平衡数据挖掘方法.把聚类问题转换成无向图多路径划分问题,通过无向图与标准化处理完成谱聚类,经过有选择地欠取样处理多数类数据集,获取分类边界偏移量,利用学习过程是无监督学习的自编码网络,升、降维数据,获取各维度隐藏特征,实现各层面的数据高效表示学习,根据最大均值差异与预设阈值的对比结果,调整自编码网络,基于得到的分类界面,完成不平衡数据挖掘.选用具有不同实际应用背景的UCI数据集,从中抽取10组数据作为测试集,经谱聚类欠取样处理与模拟实验,发现所提方法大幅提升少数类分类精度与整体挖掘性能,具有较好的适用性与可行性.     

一种不透水面精细制图新方法及其在城市SDGs指标评估上的应用

城市不透水面是城市化程度的重要指示器,也是城市环境的重要敏感因子。联合国提出的城市可持续发展SDG11.3.1指标——城市土地使用率与人口增长率之比（LCRPGR）需要有效监测土地城镇化与人口城镇化关系。针对其监测与评估中高分辨率和高精度城市用地产品缺失,以及低纬度地区城市可持续发展研究较少的问题。基于Google Earth Engine平台,提出一种多时相升降轨SAR与光学影像等多源数据融合的不透水面提取方法,提取了2015年和2018年10 m分辨率印度不透水面。根据人口格网界定城市范围,将范围内不透水面面积与城市人口进行耦合,用于指标计算。研究结果表明：①精度验证结果显示,两期产品总体精度（OA）高于91％,Kappa系数高于0.82,R²值分别为0.85和0.86,并与其他产品细节对比,证明了方法的有效性;②印度总体不透水面面积由2015年的47 499.35 km²增加到2018年的49 944.69 km²,城市平均LCRPGR为0.76,表明其城市人口城镇化大于土地城镇化,城市可持续发展面临挑战。结合空间分析,印度城市可持续发展水平存在南北差异、东西差异以及沿海与内陆的差异。     

基于MEMS电容式加速度计的闭环读出电路设计

设计了面向圆片级封装的一种闭环加速度计读出电路.在基于电容式微加速度计结构的读出电路设计中考虑了寄生电容对整个系统的影响.用MATLAB SIMULINK对所设计的读出电路进行了建模仿真.在仿真过程中分析了噪声、圆片级封装与普通封装的寄生参数及实际工艺中流水结构的不对称性的影响并进行了比较.结果表明,所设计传感器及读出电路的非线性误差在量程±20 gn范围内小于0.5％;圆片级封装的稳定时间在2 ms,小于普通封装的稳定时间;基于圆片级封装的对称性梳齿结构的输出电压灵敏度为328 mV/gn.     

GRU改进算法对实时策略游戏中指令类型的预测

从人工智能技术的角度来看,实时性策略(RTS,Real-Time Strategy)游戏是最复杂和最具挑战性的领域之一.一些实时策略游戏不仅具有状态动作空间巨大、环境部分可观测和即时性的特点,而且具有稀疏决策的特征.为了解决在实时策略游戏中决策比较稀疏的条件下进行指令类型的选择问题,引入了一种使用带权重的交叉熵损失函数的GRU神经网络模型.为验证所提方法的有效性,实验在游戏仿真平台上对GRU神经网络模型进行了综合评估.实验结果表明,对实时策略游戏中决策稀疏条件下的指令类型选择,改进的GRU网络模型是有效且稳定的.     

时空双仿射微分不变量及骨架动作识别

目的 人体骨架的动态变化对于动作识别具有重要意义。从关节轨迹的角度出发,部分对动作类别判定具有价值的关节轨迹传达了最重要的信息。在同一动作的每次尝试中,相应关节的轨迹一般具有相似的基本形状,但其具体形式会受到一定的畸变影响。基于对畸变因素的分析,将人体运动中关节轨迹的常见变换建模为时空双仿射变换。方法 首先用一个统一的表达式以内外变换的形式将时空双仿射变换进行描述。基于变换前后轨迹曲线的微分关系推导设计了双仿射微分不变量,用于描述关节轨迹的局部属性。基于微分不变量和关节坐标在数据结构上的同构特点,提出了一种通道增强方法,使用微分不变量将输入数据沿通道维度扩展后,输入神经网络进行训练与评估,用于提高神经网络的泛化能力。结果 实验在两个大型动作识别数据集NTU（Nanyang Technological University）RGB+D（NTU 60）和NTU RGB+D 120（NTU 120）上与若干最新方法及两种基线方法进行比较,在两种实验设置（跨参与者识别与跨视角识别）中均取得了明显的改进结果。相比于使用原始数据的时空图神经卷积网络（spatio-temporal graph convolutional networks,ST-GCN）,在NTU 60数据集中,跨参与者与跨视角的识别准确率分别提高了1.9%和3.0%;在NTU 120数据集中,跨参与者与跨环境的识别准确率分别提高了5.6%和4.5%。同时对比于数据增强,基于不变特征的通道增强方法在两种实验设置下都能有明显改善,更为有效地提升了网络的泛化能力。结论 本文提出的不变特征与通道增强,直观有效地综合了传统特征和深度学习的优点,有效提高了骨架动作识别的准确性,改善了神经网络的泛化能力。     

JavaEE课程混合教学模式的探索与研究

在线上教学在全国范围内全面展开的背景下,以高职院校物联网应用技术专业课JavaEE应用程序设计为例,探索和研究高职院校在线混合式教学方法,基于“超星学习通平台+钉钉直播”的模式,利用多元的信息化教学手段,克服在线教学的诸多挑战,优化课程教学方法,提升教学效果,并对在线混合式教学的关键环节提出建议。     

面向非平衡数据集的金融欺诈账户检测研究

针对非平衡金融数据集,提出一种银行欺诈账户检测框架iForest-SMOTE。基于账户的动态交易特点,从统计、时序、监督信息维度抽取账户交易行为特征。针对过采样技术ADASYN在金融账户数据集中存在的跨区域样本合成问题,提出一种基于iForest算法的数据集均衡预处理策略,通过iForest算法对数据进行混合采样,在去除多数类噪声数据的同时降低分类器对少数类的学习难度。在此基础上,设计随机森林分类器实现金融欺诈账户检测。在真实金融账户交易数据集上进行实验,结果表明,与ADASYN、SMOTE等采样技术相比,iForest-SMOTE在召回率和准确率方面具有明显优势,F-value值至少能够提升2.13个百分点。     

Mask R-CNN中特征不平衡问题的全局信息融合方法

特征不平衡问题是影响神经网络检测效率的关键因素。针对Mask R-CNN中的特征不平衡问题,提出一种基于全局特征金字塔网络（GFPN）的信息融合方法。通过将GFPN产生的不同大小特征相融合,生成包含全局语义信息的特征网络,并采用反向过程对原始特征层进行重新标度,从而使得每个特征层均含有全局语义信息。实验结果表明,与原始基于Mask R-CNN的方法相比,该方法的检测精度提升4~6个百分点,而检测时间仅增加0.112 s。     

相对边缘方向幅值模式耦合SIFT的人脸识别算法

人脸识别易受到光照变化、遮挡等影响,降低了识别准确率,为此提出一种基于相对边缘方向幅值模式(relative patterns of oriented edge magnitudes,RPOEM)与尺度不变特征变换(scale-invariant feature transform,SIFT)的人脸识别算法.检测脸部的关键点,利用k-均值对这些特征点进行聚类;为消除光照变化的干扰,计算图像的相对梯度幅值,对其进行离散化分解与Gaussian滤波处理;采用局部二值模式编码生成RPOEM特征;引入加权因子,对RPOEM与SIFT特征进行加权组合;通过定义非一致度量来完成对人脸识别的共形预测.实验结果表明,与已有的人脸识别技术对比,所提算法具有更高的识别准确率,对多种复杂背景具有更强的鲁棒性.     

不确定语言信息下的大规模群体DEMATEL决策方法

针对现有不确定语言决策试验和评价实验(DEMATEL)方法大多仅适用于中小规模群体,且未考虑不确定语言变量采用非均匀标度的情况,探讨一种新的不确定语言信息下的大规模群体DEMATEL决策方法.首先,给出一种群体不确定语言DEMATEL矩阵的聚类方法,并对大规模群体DEMATEL意见进行合理分组;然后,定义三维不确定语言密度算子,并对大规模群体DEMATEL意见进行有效集结;最后,提出一种改进的基于不确定语言DEMATEL的指标权重确定方法,并在此基础上进行多属性决策.算例分析验证了所提方法的可行性与有效性,该方法采用非均匀标度来表征和呈现不确定语言变量,而且考虑了大规模群体决策的共识度,使得决策结果更为客观合理且更为可靠.