欧美国产精品va在线观看,最新日韩欧美不卡一二三区,欧美综合图区亚欧综合图区

基于CNN-LightGBM模型的高速公路交通量預測[人工智能][物聯網]

有效的交通流量預測對人們出行和交管部門監管都有著重要的意義。傳統的交通量預測模型主要基于交通流的時間特性，未結合交通流的時間和空間特性進行深入挖掘，因此預測效果有時不佳。提出了一種基于CNN與LightGBM結合的交通流預測模型，首先利用CNN模型挖掘出高速公路相鄰路段監測點和出入口的時間和空間關聯性，實現對交通流數據的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進行預測。為了驗證模型的有效性，實驗中使用了多種預測模型進行對比，實驗結果表明，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測誤差，是一種有效快速的交通流預測模型。

發表于：12/15/2020 10:16:00 PM

一種鄰域自適應的雙閾值點云特征提取方法[其他][其他]

點云數據的特征提取是點云數據處理環節中的一項重要內容，對幾何分析、數據分割、點云配準、模型重建等研究起關鍵作用。研究了基于法向量和曲率的點云特征提取技術，闡明了特征提取過程中鄰域選取與單一參數計算存在的問題，提出了鄰域自適應的雙閾值點云特征提取方法。通過實驗對比了該算法與基于曲率的特征提取算法的提取效果，驗證了本算法的穩定性、準確性。該算法對于幾何特征復雜的點云具有較好的提取效果，對提高點云特征點提取的精度及效率具有重要的意義。

發表于：12/15/2020 9:36:00 PM

基于Flink框架的TopN堆排序優化算法[其他][其他]

為了解決大數據TopN排序問題，將傳統的堆排序進行優化，闡述了優化后的HeapOptimize方法的處理過程。HeapOptimize方法基于Flink框架來完成TopN作業，可以實時地接收并處理大量的數據，根據單位時間需要處理的數據數量來調整算子的并行度，增加Flink框架的吞吐量，提高處理數據的速度。通過實驗測量的數據結果佐證了HeapOptimize方法的優勢。

發表于：12/15/2020 9:17:00 PM

基于改進馬爾科夫特征的圖像拼接檢測研究[通信與網絡][信息安全]

針對傳統馬爾科夫特征拼接檢測準確率不高的問題，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移概率矩陣，選擇四個轉移概率矩陣中對應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，而且使真實圖像與拼接圖像之間的概率分布區分更加明顯。所提出的算法的特征維度與數據集無關。該方法在哥倫比亞彩色拼接檢測圖庫、CASIA V1.0和CASIA V2.0數據集上測試的準確率分別為94.38%、99.19%、96.02%。

發表于：12/15/2020 8:49:00 PM

基于DAPA的卷積神經網絡Web異常流量檢測方法[測試測量][通信網絡]

針對Web攻擊流量檢測問題，提出一種基于動態自適應池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經網絡模型。首先將數據集中每一條請求流量進行剪裁、對齊、補足等操作，生成一系列50×150的矩陣數據A作為輸入，然后搭建基于動態自適應的卷積神經網絡模型去進行異常流量檢測，使之可以根據特征圖的不同，動態地調整池化過程，在網絡結構中添加Dropout層來解決流量特征提取過程中的過擬合問題。實驗表明，該方法比未使用動態自適應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。

發表于：12/15/2020 8:32:00 PM

基于KNN的剩余油形態識別[其他][其他]

對從實驗中采集到的剩余油圖像進行分析研究，可以為油藏后期開采提供理論依據。通過收集確定類型的剩余油特征數據作為樣本集向量空間，對待分類剩余油特征數據進行歸一化處理，之后求取歐氏距離。使用KNN（K近鄰）分類方法近鄰投票確定剩余油類別，可以較為快速準確地得到分類結果。

發表于：12/15/2020 5:23:00 PM

基于方面情感的層次化雙注意力網絡[人工智能][信創產業]

基于深度學習的方面級情感分析，結合注意力機制的神經網絡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制，且無法獲取句子間依賴關系。設計了一種層次化的雙注意力神經網絡模型用于方面級情感分析，針對特定方面引入方面目標的注意力機制以及文本上下文自注意力機制，獲取方面特征信息和句子的全局依賴信息；設計層次化GRU網絡，其中單詞層嵌入特定方面信息，獲取針對方面目標的句子內部特征信息，句子層網絡通過雙注意力機制和詞語層的輸入，獲取句子間的特征依賴信息，從而實現深層次的方面情感分類。在SemEval 2014兩個數據集和Twitter數據集上進行對比實驗，驗證了該方法的有效性，針對方面級情感，分類準確率均得到了有效提升。

發表于：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][工業自動化]

人眼定位是疲勞駕駛的研究關鍵。由粗到精，先后進行了人臉檢測、瞳孔定位。針對現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的HOG特征提取算法，該算法將待分類的人臉特征進行信息熵閾值加權，形成新的HOG特征，然后通過支持向量機進行分類；針對現有瞳孔定位算法準確率不高的問題，提出了多算法協同工作的瞳孔定位方法，以自商圖為基準尋找二值分割點，實現了眼部區域光照不變性，以灰度積分投影為依據實現了瞳孔精確定位。實驗結果表明，該文提出的人臉檢測算法在CelebA驗證數據集準確率可達到98.26%，較傳統識別方法有更高的準確率；而瞳孔定位算法也可達到令人滿意的精確度，提高了瞳孔定位的準確性。

發表于：12/15/2020 5:08:50 PM

基于頻域注意力時空卷積網絡的步態識別方法[模擬設計][信創產業]

為了解決步態信息冗余多、特征重要性分布不均勻以及步態的時空特征難以學習的問題，提出了基于頻域注意力的時空卷積網絡進行步態識別。該方法改進了三維卷積網絡(C3D)學習時空特征，同時提出了一種頻域注意力卷積操作，既減少了冗余計算，注意力的調整又提高了學習效果。網絡首先將步態信息劃分為五組，然后通過改進的卷積進行時空特征抽取，最后通過Softmax層進行分類。在中科大數據集CASIA dataset B中進行測試，在Bag狀態與Coat狀態下準確率分別為88.5%、92.8%，分別較傳統深度卷積網絡(Deep CNN)提升3%左右，同時注意力在網絡學習中重新分布，各個角度下的準確率也平均提升2%左右。

發表于：12/15/2020 4:58:35 PM

基于雙流卷積神經網絡和生成式對抗網絡的行人重識別算法[人工智能][信創產業]

近年來，針對行人重識別問題的深度學習技術研究取得了很大的進展。然而，在解決實際數據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，設計了一個更有效的模型，該模型很好地解決了目標的不同姿態的干擾以及數據集中的圖片數量不足的問題。首先，通過遷移姿態生成對抗網絡生成行人不同姿勢的圖片，解決姿態干擾及圖片數量不足的問題。然后利用兩種不同的獨立卷積神經網絡提取圖像特征，并將其結合得到綜合特征。最后，利用提取的特征完成行人重識別。采用姿勢轉換方法對數據集進行擴展，有效地克服了由目標不同姿勢引起的識別誤差，識別錯誤率降低了6%。實驗結果表明，該模型在Market-1501和DukeMTMC-Reid上達到了更好的識別準確度。在DukeMTMC-Reid數據集上測試時，Rank-1準確度增加到92.10%，mAP 達到84.60%。

發表于：12/15/2020 4:44:29 PM