微博转发预测算法评测系统的建立及性能比较

为解决微博转发行为预测问题,提出了一个基本的预测算法评测系统框架.该系统解决了原始微博数据的抓取和预处理,以及用户微博的转发和忽略行为的判定,微博和用户的特征提取等问题,为解决微博转发行为预测问题提供了技术基础.详细分析了现有文献和工作中的微博转发行为预测算法,阐述了它们的基本原理.通过定量实验分析了不同微博转发行为预测算法的在局部预测问题和全局预测问题方面的性能,并且从算法的原理等方面出发给出了定性的分析.     

基于BrewMP的声音信号处理研究

BrewMP是主流移动设备的软件平台，研究在这一平台上的声音信号处理在科学研究中有着重大的实际意义，本文介绍了利用BrewMP的接口实现声音信号的采集与分析处理过程，并结合实际的应用程序对基于BrewMP的相关接口做具体的说明。     

一种基于属性加权补集的朴素贝叶斯文本分类算法

针对文本训练集中各个类别的样本分布不均衡时,少数类别的特征会被多数类别的特征淹没的问题,提出一种属性加权补集的朴素贝叶斯文本分类算法,该算法使用属性加权改进补集朴素贝叶斯算法,使用TF-IDF算法计算特征词在当前文档中的权重;利用当前类别补集的特征表示当前类别的特征并结合特征词在文档中的权重,解决分类器容易倾向大类别而忽略小类别的问题。与传统的朴素贝叶斯及补集朴素贝叶斯算法进行对比实验,结果表明:在样本集分布不均衡时,改进算法的性能表现最优,分类准确率、召回率及G-mean性能分别可达82.92%、84.6%、88.76%。     

用于电能测量的时分割乘法器

本文介绍一种实用的时分割乘法器的原理,由实测验证准确度高、稳定性好等特点。此电路结构简单,对元器件要求不苛刻。该电路已在电力监控系统中得到了实际应用．     

混合滤波图像去噪方法

针对传统的小波去噪方法会产生马赛克的问题,根据小波去噪理论以及阈值去噪理论,设计了一种基于小波阈值的混合滤波图像去噪方法.通过计算发现,新方法的峰值信噪比比传统的几种去噪方法更加优异.仿真实验证明,改进的去噪方法能够消除传统小波在阈值去噪时所产生的马赛克现象.最后分析了分解层数以及小波基对该方法去噪效果的影响,发现当分解层数为三层、采用Bior4.4小波基时去噪效果最为理想,此时峰值信噪比为35.670 2.     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

卷积神经网络在乐器板材优劣识别中的应用研究

目前民族乐器板材振动信号识别算法具有特征提取复杂且耗时长等缺点,针对此问题,提出了一种基于卷积神经网络的木材振动信号分类识别算法,实现了乐器板材优劣的判别。卷积神经网络将特征提取和分类过程结合来进行神经网络的训练,具有识别度高、鲁棒性好等优点。首先重点分析和讨论了提取木材振动信号的语谱图特征,然后应用卷积神经网络结合网格搜索的方法进行参数调优。为了防止过拟合,还应用了ReLU和Dropout等新技术,得到最终分类结果。实验证明,测试样本准确率达到96%,明显优于传统方法。该方法可减小人工测量的误差,加快板材的选取时间,为民族乐器制造领域的选材提供了一种更加实用的方法。     

基于全卷积神经网络的林木图像分割

针对传统方法进行图像分割易受噪声影响问题,提出了一种基于全卷积神经网络的林木图像分割方法。该方法不需要对图像进行预处理,利用上池化和反卷积层恢复图像分辨率,采用跳跃连接降低网络复杂度,同时避免了梯度消失问题,使用Dropout正则化随机激活网络隐藏单元以防止过拟合,后端结合全连接的条件随机场以恢复对象边缘的细节信息,进一步优化分割结果。该模型能够在林木图像上实现良好的分割。     

嵌入式车载远程监控系统的研究与设计

在本设计方案中,整个系统是基于S3C2416硬件平台,在其上运行Linux嵌入式操作系统,依托操作系统的资源优势,在可自定制剪裁的Linux系统上引入多线程编程技术,保证了硬件和软件的可靠运行.在文中详细给出了车载远程监控系统的硬件平台与软件系统的设计过程,最后实现了GPS定位数据接收、GPRS无线通讯、图像采集和图像...     

深度迁移学习在古筝品质分级中的应用

深度学习和迁移学习的兴起为树种识别提供了新方向,然而其在同树种内不同品质间木材识别仍存在挑战。为改善古筝面板品质分级现状,设计了一种深度残差网络模型。首先将数据集进行划分并采用数据增强技术来扩充训练样本,然后将ImageNet上经过预训练的模型迁移到该问题上。为高效提取到板材图像特征,在预训练模型后新增深层特征提取部分,其融合了残差连接和深度可分离卷积,不仅可增强特征重利用率和缓解梯度消失,而且有利于提取到图像深层特征。最后为提升模型在训练过程中的鲁棒性,使用LeakyReLU函数代替ReLU函数避免神经元死亡问题。该方法在泡桐导管图像数据集上测试精度达到了92.8%,对比其他主流方法,该模型可节省古筝品质分级时间,提高识别精度。