电子商城的数据仓库建模研究

为了充分利用电子商城中的海量销售数据,本文详细描述了通过对电子商城中高层销售管理业务的需求进行分析,采用维度建模技术构建数据仓库模型的过程。基于该模型可以有效地解决电子商城中有关的销售分析与预测问题。     

基于分形维度的完全分布式聚类算法

传统的聚类算法通常针对单处理机,当数据资源分别存储在不同节点的计算机时,无法运用传统的聚类算法进行计算。本文提出一种完全分布式聚类算法,通过计算分形维度,利用分布式环境信息广播方式交流多台计算机的运行结果,最终汇集成全局聚类的信息进行聚类。理论分析表明,该算法不仅对分布数据可以很好的聚类而且可以最大限度降低通信成本和延时情况。     

信任责任生生不息：GIS中的数字中国

“我国的GIS建设有时间跨度的一面,又有空间维度的一面。从时间上看,GIS数据会由于地貌的变迁而改动。在空间上,由于我国地域辽阔,要充分把握地域全貌,还必须在“大图”上精细化,在“小图”上精确化。”     

混音，电音：被解构的情绪

法国电影导演弗朗索瓦·特吕弗（Francois Truffaut）曾说过,“一个导演终其一生只拍一部电影。”因为一个导演的所有电影就是他一生的编年史,杰出的艺术大师往往会探寻到属于自己的独特表达方式,一生受用无穷。这句话同样可以适用于黄维伟身上,一名DJ一生只放一首曲子。虽然因为职业的关系,每天都需要“收集”各种各样的声音,但在这些声音中黄维伟轻易便会捕捉到自己想要的感觉,     

怒了吗？砸个网站泄愤吧!

常在网上游,你有没有遇到过讨厌的网站呢？如果有就让我们一起去“砸”掉它（别告诉我你讨厌的网站是www.PCDigest.com,）,让讨厌的网站成为我们的出气筒,NetDisaster网站就是我们有力的武器。     

休闲娱乐领域的投资机会分析——1．1．投资亮点分析

休闲娱乐类的移动应用是指能够为用户提供休闲和精神娱乐享受的移动应用产品或服务。我们从娱乐媒介和娱乐方式两个维度,可以将休闲娱乐类的软件进一步细分为多个子领域,在对这些子领域进行划分的同时也根据技术趋势和用户需求趋势,预测了该领域的未来发展方向。     

基于改进VGG16模型的人脸情绪识别预测研究

人脸情绪识别是人类沟通交流中的重要一部分,所以正确识别人脸情绪可以保证高质量的沟通效果。文章提出改进的VGG16模型作用于人脸情绪识别的预测研究。改进模型引入正负例样本均衡化来解决数据集分布不均衡的现象,从而优化局部最小值和过拟合现象;为了提高模型训练的泛化能力,引入局部归一化对图像数据集进行处理;利用交叉验证机制提高模型训练的精确度,且修改VGG16模型第一个全连接层为全卷积层以适应任意大小的输入样本。最后采用IM-VGG16、VGG16和ResNet18模型分别对数据集进行6分类识别。实验表明,与ResNet18和VGG16模型相比,IM-VGG16模型具有更高的情绪识别准确度,其最终的识别准确度为89.92%。     

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

融合语音、脑电和人脸表情的多模态情绪识别

本文提出了一种多模态情绪识别方法, 该方法融合语音、脑电及人脸的情绪识别结果来从多个角度综合判断人的情绪, 有效地解决了过去研究中准确率低、模型鲁棒性差的问题. 对于语音信号, 本文设计了一个轻量级全卷积神经网络, 该网络能够很好地学习语音情绪特征且在轻量级方面拥有绝对的优势. 对于脑电信号, 本文提出了一个树状LSTM模型, 可以全面学习每个阶段的情绪特征. 对于人脸信号, 本文使用GhostNet进行特征学习, 并改进了GhostNet的结构使其性能大幅提升. 此外, 我们设计了一个最优权重分布算法来搜寻各模态识别结果的可信度来进行决策级融合, 从而得到更全面、更准确的结果. 上述方法在EMO-DB与CK+数据集上分别达到了94.36%与98.27%的准确率, 且提出的融合方法在MAHNOB-HCI数据库的唤醒效价两个维度上分别得到了90.25%与89.33%的准确率. 我们的实验结果表明, 与使用单一模态以及传统的融合方式进行情绪识别相比, 本文提出的多模态情绪识别方法有效地提高了识别准确率.     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.