国产00粉嫩馒头一线天萌白酱,高清一本视频在线观看

基于CNN-LightGBM模型的高速公路交通量預(yù)測[人工智能][物聯(lián)網(wǎng)]

有效的交通流量預(yù)測對人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預(yù)測模型主要基于交通流的時間特性，未結(jié)合交通流的時間和空間特性進(jìn)行深入挖掘，因此預(yù)測效果有時不佳。提出了一種基于CNN與LightGBM結(jié)合的交通流預(yù)測模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點(diǎn)和出入口的時間和空間關(guān)聯(lián)性，實(shí)現(xiàn)對交通流數(shù)據(jù)的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進(jìn)行預(yù)測。為了驗(yàn)證模型的有效性，實(shí)驗(yàn)中使用了多種預(yù)測模型進(jìn)行對比，實(shí)驗(yàn)結(jié)果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預(yù)測誤差，是一種有效快速的交通流預(yù)測模型。

發(fā)表于：12/15/2020 10:16:00 PM

一種鄰域自適應(yīng)的雙閾值點(diǎn)云特征提取方法[其他][其他]

點(diǎn)云數(shù)據(jù)的特征提取是點(diǎn)云數(shù)據(jù)處理環(huán)節(jié)中的一項(xiàng)重要內(nèi)容，對幾何分析、數(shù)據(jù)分割、點(diǎn)云配準(zhǔn)、模型重建等研究起關(guān)鍵作用。研究了基于法向量和曲率的點(diǎn)云特征提取技術(shù)，闡明了特征提取過程中鄰域選取與單一參數(shù)計算存在的問題，提出了鄰域自適應(yīng)的雙閾值點(diǎn)云特征提取方法。通過實(shí)驗(yàn)對比了該算法與基于曲率的特征提取算法的提取效果，驗(yàn)證了本算法的穩(wěn)定性、準(zhǔn)確性。該算法對于幾何特征復(fù)雜的點(diǎn)云具有較好的提取效果，對提高點(diǎn)云特征點(diǎn)提取的精度及效率具有重要的意義。

發(fā)表于：12/15/2020 9:36:00 PM

基于Flink框架的TopN堆排序優(yōu)化算法[其他][其他]

為了解決大數(shù)據(jù)TopN排序問題，將傳統(tǒng)的堆排序進(jìn)行優(yōu)化，闡述了優(yōu)化后的HeapOptimize方法的處理過程。HeapOptimize方法基于Flink框架來完成TopN作業(yè)，可以實(shí)時地接收并處理大量的數(shù)據(jù)，根據(jù)單位時間需要處理的數(shù)據(jù)數(shù)量來調(diào)整算子的并行度，增加Flink框架的吞吐量，提高處理數(shù)據(jù)的速度。通過實(shí)驗(yàn)測量的數(shù)據(jù)結(jié)果佐證了HeapOptimize方法的優(yōu)勢。

發(fā)表于：12/15/2020 9:17:00 PM

基于改進(jìn)馬爾科夫特征的圖像拼接檢測研究[通信與網(wǎng)絡(luò)][信息安全]

針對傳統(tǒng)馬爾科夫特征拼接檢測準(zhǔn)確率不高的問題，提出了一種有效的馬爾科夫特征提取方法。與傳統(tǒng)馬爾科夫特征的計算過程不同，只計算水平和垂直兩個方向的轉(zhuǎn)移概率矩陣，選擇四個轉(zhuǎn)移概率矩陣中對應(yīng)位置求和后的值作為最終特征。求和操作不僅降低了特征維度，而且使真實(shí)圖像與拼接圖像之間的概率分布區(qū)分更加明顯。所提出的算法的特征維度與數(shù)據(jù)集無關(guān)。該方法在哥倫比亞彩色拼接檢測圖庫、CASIA V1.0和CASIA V2.0數(shù)據(jù)集上測試的準(zhǔn)確率分別為94.38%、99.19%、96.02%。

發(fā)表于：12/15/2020 8:49:00 PM

基于DAPA的卷積神經(jīng)網(wǎng)絡(luò)Web異常流量檢測方法[測試測量][通信網(wǎng)絡(luò)]

針對Web攻擊流量檢測問題，提出一種基于動態(tài)自適應(yīng)池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經(jīng)網(wǎng)絡(luò)模型。首先將數(shù)據(jù)集中每一條請求流量進(jìn)行剪裁、對齊、補(bǔ)足等操作，生成一系列50×150的矩陣數(shù)據(jù)A作為輸入，然后搭建基于動態(tài)自適應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型去進(jìn)行異常流量檢測，使之可以根據(jù)特征圖的不同，動態(tài)地調(diào)整池化過程，在網(wǎng)絡(luò)結(jié)構(gòu)中添加Dropout層來解決流量特征提取過程中的過擬合問題。實(shí)驗(yàn)表明，該方法比未使用動態(tài)自適應(yīng)池化的方式精確度提升了1.2%，損失值降低了2.6%，過擬合問題也得到了解決。

發(fā)表于：12/15/2020 8:32:00 PM

基于KNN的剩余油形態(tài)識別[其他][其他]

對從實(shí)驗(yàn)中采集到的剩余油圖像進(jìn)行分析研究，可以為油藏后期開采提供理論依據(jù)。通過收集確定類型的剩余油特征數(shù)據(jù)作為樣本集向量空間，對待分類剩余油特征數(shù)據(jù)進(jìn)行歸一化處理，之后求取歐氏距離。使用KNN（K近鄰）分類方法近鄰?fù)镀贝_定剩余油類別，可以較為快速準(zhǔn)確地得到分類結(jié)果。

發(fā)表于：12/15/2020 5:23:00 PM

基于方面情感的層次化雙注意力網(wǎng)絡(luò)[人工智能][信創(chuàng)產(chǎn)業(yè)]

基于深度學(xué)習(xí)的方面級情感分析，結(jié)合注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型取得較好的分類效果，但常用方法僅考慮單一層面注意力機(jī)制，且無法獲取句子間依賴關(guān)系。設(shè)計了一種層次化的雙注意力神經(jīng)網(wǎng)絡(luò)模型用于方面級情感分析，針對特定方面引入方面目標(biāo)的注意力機(jī)制以及文本上下文自注意力機(jī)制，獲取方面特征信息和句子的全局依賴信息；設(shè)計層次化GRU網(wǎng)絡(luò)，其中單詞層嵌入特定方面信息，獲取針對方面目標(biāo)的句子內(nèi)部特征信息，句子層網(wǎng)絡(luò)通過雙注意力機(jī)制和詞語層的輸入，獲取句子間的特征依賴信息，從而實(shí)現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進(jìn)行對比實(shí)驗(yàn)，驗(yàn)證了該方法的有效性，針對方面級情感，分類準(zhǔn)確率均得到了有效提升。

發(fā)表于：12/15/2020 5:16:25 PM

基于疲勞駕駛的人眼定位方法研究[人工智能][工業(yè)自動化]

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進(jìn)行了人臉檢測、瞳孔定位。針對現(xiàn)有方向梯度直方圖人臉檢測算法泛化能力不佳的問題，提出了一種基于信息熵加權(quán)的HOG特征提取算法，該算法將待分類的人臉特征進(jìn)行信息熵閾值加權(quán)，形成新的HOG特征，然后通過支持向量機(jī)進(jìn)行分類；針對現(xiàn)有瞳孔定位算法準(zhǔn)確率不高的問題，提出了多算法協(xié)同工作的瞳孔定位方法，以自商圖為基準(zhǔn)尋找二值分割點(diǎn)，實(shí)現(xiàn)了眼部區(qū)域光照不變性，以灰度積分投影為依據(jù)實(shí)現(xiàn)了瞳孔精確定位。實(shí)驗(yàn)結(jié)果表明，該文提出的人臉檢測算法在CelebA驗(yàn)證數(shù)據(jù)集準(zhǔn)確率可達(dá)到98.26%，較傳統(tǒng)識別方法有更高的準(zhǔn)確率；而瞳孔定位算法也可達(dá)到令人滿意的精確度，提高了瞳孔定位的準(zhǔn)確性。

發(fā)表于：12/15/2020 5:08:50 PM

基于頻域注意力時空卷積網(wǎng)絡(luò)的步態(tài)識別方法[模擬設(shè)計][信創(chuàng)產(chǎn)業(yè)]

為了解決步態(tài)信息冗余多、特征重要性分布不均勻以及步態(tài)的時空特征難以學(xué)習(xí)的問題，提出了基于頻域注意力的時空卷積網(wǎng)絡(luò)進(jìn)行步態(tài)識別。該方法改進(jìn)了三維卷積網(wǎng)絡(luò)(C3D)學(xué)習(xí)時空特征，同時提出了一種頻域注意力卷積操作，既減少了冗余計算，注意力的調(diào)整又提高了學(xué)習(xí)效果。網(wǎng)絡(luò)首先將步態(tài)信息劃分為五組，然后通過改進(jìn)的卷積進(jìn)行時空特征抽取，最后通過Softmax層進(jìn)行分類。在中科大數(shù)據(jù)集CASIA dataset B中進(jìn)行測試，在Bag狀態(tài)與Coat狀態(tài)下準(zhǔn)確率分別為88.5%、92.8%，分別較傳統(tǒng)深度卷積網(wǎng)絡(luò)(Deep CNN)提升3%左右，同時注意力在網(wǎng)絡(luò)學(xué)習(xí)中重新分布，各個角度下的準(zhǔn)確率也平均提升2%左右。

發(fā)表于：12/15/2020 4:58:35 PM

基于雙流卷積神經(jīng)網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò)的行人重識別算法[人工智能][信創(chuàng)產(chǎn)業(yè)]

近年來，針對行人重識別問題的深度學(xué)習(xí)技術(shù)研究取得了很大的進(jìn)展。然而，在解決實(shí)際數(shù)據(jù)的特征樣本不平衡問題時，效果仍然不理想。為了解決這一問題，設(shè)計了一個更有效的模型，該模型很好地解決了目標(biāo)的不同姿態(tài)的干擾以及數(shù)據(jù)集中的圖片數(shù)量不足的問題。首先，通過遷移姿態(tài)生成對抗網(wǎng)絡(luò)生成行人不同姿勢的圖片，解決姿態(tài)干擾及圖片數(shù)量不足的問題。然后利用兩種不同的獨(dú)立卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，并將其結(jié)合得到綜合特征。最后，利用提取的特征完成行人重識別。采用姿勢轉(zhuǎn)換方法對數(shù)據(jù)集進(jìn)行擴(kuò)展，有效地克服了由目標(biāo)不同姿勢引起的識別誤差，識別錯誤率降低了6%。實(shí)驗(yàn)結(jié)果表明，該模型在Market-1501和DukeMTMC-Reid上達(dá)到了更好的識別準(zhǔn)確度。在DukeMTMC-Reid數(shù)據(jù)集上測試時，Rank-1準(zhǔn)確度增加到92.10%，mAP 達(dá)到84.60%。

發(fā)表于：12/15/2020 4:44:29 PM