平顶山十矿戊_(9-10)煤层掘进工作面突出预测指标初探

根据突出危险性预测指标可靠性评价方法 ,对平顶山十矿戊9- 1 0 煤层的预测资料和突出预测结果进行了统计分析 ,并结合实验室煤样挥发份测定 ,确定了在十矿戊9- 1 0 煤层条件下 ,采用钻孔瓦斯涌出初速度 q值预测掘进工作面突出危险性 ,具有较高的可靠性 ,可基本满足安全生产的需要     

一种新的考虑注意力机制的微博谣言检测模型

随着社交媒体的迅速发展,谣言通过社交媒体迅速传播,识别社交媒体网络上的谣言是社交网络研究中一个至关重要的问题.本文提出了一种新的考虑注意力机制的微博谣言检测模型,考虑到卷积神经网络(CNN)提取到的特征对输出结果影响力问题,在经典的文本卷积神经网络(Text CNN)上引入了注意力机制,通过CNN中的卷积层学习微博窗口的特征表示,再根据每个特征表示对输出结果的影响力不同通过注意力机制赋予不同的权重来进行谣言事件的检测.研究结果表明,本文提出的微博谣言检测模型准确率达到了96.8%,并且在召回率和F1值上也有提升,即本文提出的新的微博谣言检测模型具有更好的谣言识别能力.     

基于SAEM算法对缺失协变量的Logistic模型参数估计

给出了Logistic模型中对缺失协变量数据的一种估计方法.将Marc Lavielle等人提出的SAEM算法进行了改进,引入Samiran Sinha等人提出的一种基于不可忽视机制基础上的NI-机制,以此来尽可能的利用数据中已存在的信息,并将其与现有处理缺失协变量较好的MCAR缺失机制下的半参数方法做对比研究.对Logistic模型的参数分别进行估计,对比分析这两种方法在不同缺失率下的优劣,并对最终结果进行回判,将回判准确率与标准误差作为判别标准.结果表明,当缺失率较小时,两者对缺失数据的处理性能都很好;但当缺失率较高时,半参数方法对数据的处理性能要优于SAEM算法.SAEM算法的运行速度始终快于半参数方法,缺失率较小时,用提出的SAEM算法做线上估计比半参数方法更具有优势.     

一种新颖的低层视觉特征到高层语义的映射方法*

通过在低层视觉特征上提取图像的局部颜色和纹理特征,再利用模糊神经网络建立低层视觉特征和高层语义特征之间的映射,实现了图像属性信息的有效传递和可靠检索.最后,为了提高检索效率,把相关反馈引进到图像检索系统中.实验证明,该方法取得了较好的检索查全率和准确率.     

搜索引擎广告用户行为预测与特征分析

介绍了搜索引擎广告系统的基本运作模式。通过对广告四元组的特征提取、特征值平滑等操作, 将广告记录解析成为训练数据, 并将数据分为训练集和测试集, 使用支持向量机算法并利用训练集训练出的模型将测试集分类, 从而预测出用户的行为。通过对特征的分析, 得出对用户行为预测准确率影响最大的特征是点击率。实验证明, 在使用该模型中所有特征的情况下, 分类的准确率能够达到83. 17%。     

基于统计的中文机构名实体识别的研究

针对中文机构名实体的识别提出了利用隐马尔科夫统计模型的方法.同时,在此方法的基础上通过构建一元模型来补充识别那些缩写的和没有核心词的机构名,弥补了单一统计模型在机构名实体识别中的不足.实验证明二者相结合的方法能获得较高的准确率和召回率,具有可行性.     

基于颜色与投影特征的车牌定位

车牌定位是车牌识别系统的关键技术。定位的准确与否直接影响车牌识别的结果。本文根据车牌的颜色特征和投影特征提出了一种综合颜色特征和投影特征相结合的定位方法,算法分为粗定位和精确定位。该方法较单一特征的定位方法有较好的通用性,可适应于不同背景、不同光照下的汽车图像,能够确定出车牌区域,准确率得到了较大提高。     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China     

基于多尺度残差神经网络的葡萄叶片病害识别

葡萄叶片不同程度的病害具有一定的相似性,目前对于葡萄叶片病害的识别多为病害种类识别,对不同程度病害识别的研究较少,且传统识别方法对于不同程度病害识别准确率较低。提出一种基于多尺度残差神经网络（Multi-Scale ResNet）的葡萄叶片病害识别方法。对葡萄叶片病害图像进行数据增强与叶片区域标注后,使用Mask R-CNN提取葡萄叶片部位,通过引入多尺度卷积以改变ResNet底层对不同尺度特征的响应,利用加入的SENet提升网络的特征提取能力,并将图像输入Multi-Scale ResNet中进行识别。实验结果表明,该方法的平均识别准确率达到90.83%,相比ResNet18提高了2.87个百分点。