排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
我国华西地区受冷暖空气共同作用影响,2011年9月黄河中游连续出现了大面积降水过程,其降水强度大、范围广、时间长,雨带长时间滞留于河南伊河地区,形成伊河流域伏秋汛情,伊河上水文站包括:龙门镇站、陆浑站、下河村站、东湾站、潭头站和栾川站。此次洪水特性显著,以下简称伊河"11.9"洪水。通过总结伊河洪水的形成过程,可以更好的了解伊河洪水形成的原因及洪水特性,为黄河下游防汛、保护下游人民的生命财产具有重要意义。 相似文献
2.
KNN算法是一种简单、有效且易于实现的分类算法,可用于类域较大的分类。近年来对KNN算法的研究偏向于静态大数据集,不过,在越来越多的情况下要用KNN算法在线实时处理流数据。考虑到流式数据流量大,连续且快速,不易存储和恢复等特性,以及流处理系统Storm对流数据处理具有实时性、可靠性的特点,提出了基于Storm的流数据KNN分类算法,该算法首先对整个样本集进行划分,形成多个片集,然后计算出待分类向量在各片集上的[K]近邻,最后再将所有片集[K]近邻归约得出整体[K]近邻,实现待分类向量的分类。实验结果表明,基于Storm的流数据KNN分类算法能够满足大数据背景下对流数据分类的高吞吐量、可扩展性、实时性和准确性的要求。 相似文献
3.
以宁夏枸杞芽茶、枸杞叶茶为原料,利用热水浸提(料液比1∶40、温度96℃、时间30 min)制备枸杞芽茶与叶茶提取物并对其所含的化学成分含量进行测定,采用HPLC对枸杞芽茶与叶茶提取物中游离氨基酸的组成进行了分析,利用DPPH自由基、ABTS自由基、超氧阴离子自由基清除率、总还原力为指标对枸杞芽茶、叶茶茶汤提取物的抗氧化活性进行分析评价。结果表明,枸杞芽茶、枸杞叶茶提取物中多酚含量分别为6.32%、2.96%。枸杞芽茶与叶茶提取物中天冬氨酸(3230.41、2440.96μg/g)、天冬酰胺(3754.77、3495.57μg/g)、组氨酸(5585.26、2825.17μg/g)以及亮氨酸(4376.09、1051.00μg/g)含量较为丰富。枸杞芽茶与叶茶提取物相比抗氧化活性较强,二者对DPPH自由基(IC50:147.63、241.23μg/m L)、ABTS自由基(IC50:109.87、145.32μg/m L)以及超氧阴离子自由基(IC50:46.58、54.32μg/m L)均具有良好的清除能力,与叶茶相比,枸杞芽茶具有更好的抗氧化活性。 相似文献
4.
通过硅烷交联法制备了交联聚乙烯(PE),并将其加入到水选废旧塑料薄膜再生PE颗粒中进行改性研究。通过扫描电子显微镜(SEM)对再生料冲击样条的断口进行观察,研究了交联料用量对再生PE的力学性能和加工流动性的影响;用差示扫描量热法(DSC)和X射线衍射法(XRD)研究了当交联料添加量为15份时,再生料结晶性能与交联度的关系。结果表明,添加了交联料的再生料的聚集态结构发生了变化,形成了“同质异构分散结构”,该结构会使再生料的拉伸强度和冲击强度大幅提升,而断裂伸长率和熔体流动速率则有一定程度的下降;当交联料的添加量为15份时,材料具有最佳的综合性能,且当添加量为15份、交联度为33.5 %时,再生料的结晶性能最好。 相似文献
5.
6.
kNN算法是机器学习和数据挖掘程序中经常使用的经典算法。随着数据量的增大,kNN算法的执行时间急剧上升。为了有效利用现代计算机的GPU等计算单元减少kNN算法的计算时间,提出了一种基于OpenCL的并行kNN算法,该算法对距离计算和排序两个瓶颈点进行并行化,在距离计算阶段使用细粒度并行化策略和优化的线程模型,排序阶段使用优化内存模型的双调排序。以UCI数据集letter为测试集,分别使用E8400和GTS450运行kNN算法进行测试,采用GPU加速的并行kNN算法的计算速度比CPU版提高了40.79倍。 相似文献
7.
8.
随着互联网和互联网技术的快速发展,每天产生的数据正以指数级的速度增长,对这些大量数据的处理与分析具有巨大的应用价值。以Hadoop为代表的大数据技术的出现,可以很好的解决大量静态数据集的数据处理与分析,但是很多数据都是实时产生的,人们希望可以实时的处理这些数据,这就需要流计算处理技术来实时处理这些数据,及时产出应用价值。 相似文献
9.
检测训练集分布之外的分布外(out-of-distribution, OOD)样本对于深度神经网络(deep neural network, DNN)分类器在开放环境的部署至关重要. 检测OOD样本可以视为一种二分类问题, 即把输入样本分类为“分布内(in-distribution, ID)”类或“分布外”类. 进一步地, 检测器自身还可能遭受到恶意的对抗攻击而被再次绕过. 这些带有恶意扰动的OOD样本称为对抗OOD样本. 构建鲁棒的OOD检测器以检测对抗OOD样本是一项更具挑战性的任务. 为习得可分离且对恶意扰动鲁棒的表示, 现有方法往往利用辅助的干净OOD样本邻域内的对抗OOD样本来训练DNN. 然而, 由于辅助的OOD训练集与原ID训练集的分布差异, 训练对抗OOD样本无法足够有效地使分布内决策边界对对抗扰动真正鲁棒. 从ID样本的邻域内生成的对抗ID样本拥有与原ID样本近乎一样的语义信息, 是一种离分布内区域更近的OOD样本, 对提升分布内边界对对抗扰动的鲁棒性很有效. 基于此, 提出一种半监督的对抗训练方法——谛听, 来构建鲁棒的OOD检测器, 用以同时检测干净OOD样本和对抗OOD样本. 谛听将对抗ID样本视为一种辅助的“近OOD”样本, 并将其与其他辅助的干净OOD样本和对抗OOD样本联合训练DNN, 以提升OOD检测的鲁棒性. 实验结果表明, 谛听在检测由强攻击生成的对抗OOD样本上具有显著的优势, 同时在原分类主任务及检测干净OOD样本上保持先进的性能. 相似文献
1