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。     

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。     

基于机器学习的侧信道分析研究及RSA算法的应用示例

基于机器学习的密码算法侧信道分析是一个较新的研究领域,自首个分析结果发表以来,大量的研究结果表明机器学习算法相比传统方法在侧信道分析中具有很大的性能优势。因此,基于机器学习的侧信道分析应在相关的安全检测技术领域得到充分的应用。本文针对目前侧信道攻击中常用的机器学习算法进行介绍,并针对密码算法RSA进行分析,设计了基于机器学习的侧信道攻击实验并对比实验结果。     

基于流量摘要的僵尸网络检测

随着僵尸网络的日益进化,检测和防范僵尸网络攻击成为网络安全研究的重要任务.现有的研究很少考虑到僵尸网络中的时序模式,并且在实时僵尸网络检测中效果不佳,也无法检测未知的僵尸网络.针对这些问题,本文提出了基于流量摘要的僵尸网络检测方法,首先将原始流数据按照源主机地址聚合,划分适当的时间窗口生成流量摘要记录,然后构建决策树、随机森林和XGBoost机器学习分类模型.在CTU-13数据集上的实验结果表明,本文提出的方法能够有效检测僵尸流量,并且能够检测未知僵尸网络,此外,借助Spark技术也能满足现实应用中快速检测的需要.     

融合机器学习与知识推理的可解释性框架

针对基于规则的可解释性模型可能出现的规则无法反映模型真实决策情况的问题, 提出了一种融合机器学习和知识推理两种途径的可解释性框架. 框架演进目标特征结果和推理结果, 在二者相同且都较为可靠的情况下实现可解释性. 目标特征结果通过机器学习模型直接得到, 推理结果通过子特征分类结果结合规则进行知识推理得到, 两个结果是否可靠通过计算可信度来判断. 使用面向液基细胞学检查图像的融合学习与推理的某类宫颈癌细胞识别案例对框架进行验证, 实验表明, 该框架能够赋予模型的真实决策结果以可解释性, 并在迭代过程中提升了分类精度. 这帮助人们理解系统做出决策的逻辑, 以及更好地了解结果可能失败的原因.