HLMGAN:分层学习的多奖励文本生成对抗网络

文本生成是自然语言处理的一项重要任务. 针对生成的文本大多缺乏多样性，且当生成文本过长时，文本生成的质量会有明显下降的问题，提出了一种采用Sentences and Words（SW）奖励机制的传递向量文本生成对抗网络. 首先，为生成器提出了层次结构设计，包括传递特征向量训练模块和生成向量训练模块，同时传递判别模型中真实文本特征向量给生成器的传递特征向量训练模块，由此来提高长文本生成的准确率，生成向量训练模块接收其生成词序列；然后，在训练过程中，使用关系存储核心代替传统的长短期记忆循环神经网络模型作为生成器，提高了模型的表达能力和捕获信息的能力；最后，采用SW奖励机制提高文本生成的多样性. 实验结果表明，分层学习的多奖励文本生成对抗网络（Generation Adversarial Network Based on Hierarchical Learning with Multi-reward Text，HLMGAN）模型在合成数据负对数似然度和双语互译质量评估辅助工具指标中均有所提升.     

基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上，提出了一种适用于图形处理器性能受限情况下，卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks，GAN)．利用视觉几何组（visual geometry group，VGG）网络提取图片先验信息，实现学习过程的加速；裁剪cartoonGAN模型，在保证效果的基础上，使得低性能计算条件下的网络收敛成为可能；设计合理的损失函数，保证整体风格化效果．基于tensorflow 2.0构建试验平台，通过对试验结果分析可发现，该方法的迁移效果好，稳定性强，且收敛时间短．对算法的参数和初始化方法给出了相关讨论，并提出了进一步的解决方案．      

提高统计专业学生统计调查分析能力的途径

通过对统计专业学生的问卷调查,搜集学生关于自身统计调查分析能力满意度数据和影响自身统计调查分析能力提高因素的数据,利用基本描述统计量分析工具和列联表分析模型、配对样本T检验,对调查数据进行了深入分析。分析结果表明:学生对自身统计调查分析能力的满意度不高;影响满意度提高的因素主要有自身对统计专业的兴趣和实习实训活动的多样化;具有不同学习成绩的学生所希望提高的统计专业技能不同;学生的统计调查分析过程的薄弱环节主要是问卷设计和数据分析,并希望改变薄弱环节的方式方法有所不同,等等。这些结论为提高统计专业学生统计调查分析能力的培养新模式提供了参考依据。     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

基于样本稀疏化高斯过程的发酵过程软测量建模方法

提出了一种基于样本稀疏化高斯过程(GP)的发酵过程软测量建模方法。该方法将聚类和灰色关联度分析相融合，综合考虑样本点间欧式距离和各个特征向量对样本点间相似度的影响，通过剔除相似度比较大的样本点，实现训练样本集的稀疏化，降低了模型的计算复杂度。利用基于样本稀疏化的高斯过程构建青霉素发酵过程的软测量模型，同时得到青霉素浓度的预估值和表征预估值的不确定度，实验结果表明，本文所提方法与标准GP方法相比，在保证模型预测精度的前提下，减少了模型的训练时间。     

SPSS项目分析在问卷设计中的应用

在调查研究中,调查研究工具的设计和选取非常重要,只有用高质量的问卷测试出来的数据才具有可靠性和价值性。本文通过实际例子的操作简要介绍统计软件SPSS项目分析在问卷设计过程中的应用。     

一种基于样本块的图像超分辨率方法研究

提出了一种在马尔科夫网络框架下基于样本块的图像超分辨率算法。算法根据相似性选取多个样本块作为图像重建的候选,在候选集中计算图像块先验概率和图像块之间的相容性,最后在马尔科夫框架下选取最优图像块,合成最终的高分辨率图像。实验证明本文提出的算法具有较好的超分辨率效果。     

小样本数据的Cu基非晶合金热力学性能软测量

针对Cu基非晶合金材料受时间、条件及制备成本的限制,导致获得的热力学性能数据较少,影响新材料的研发问题.提出一种在小样本数据情况下,仍然具有较好泛化能力的Cu基非晶合金热力学性能软测量方法,为新材料配方的优化提供模型参考.通过注入噪声,提出一种小样本数据的扩充方法,增加样本的多样性.考虑样本分布函数的未知,在准则函数中引入信息论的微分熵,建立最大熵准则的神经网络反向传播理论,获得具有较高泛化能力的数学模型.仿真分析表明:该方法可对三元Cu基非晶合金的小样本数据,建立其热稳定性及玻璃形成能力与材料配方之间的非线性关系,模型精度较高.