Internet拓扑中连接率的研究

近年来，一些学者对互联网的拓扑结构进行了深入的研究，发现在互联网拓扑中存在幂律(Power-Law)，其相关系数最高可达到99％。本文在Internet的每个子图上引进连接率的概念以刻划该子图中结点相互连接的程度，然后对Internet中的结点按其连接边数的多少由多到少进行排序，通过逼近实验和理论推导两个方面的工作，发现在Internet前r个结点的诱导子图上的连接率作为子图上结点数r的函数满足幂律，其相关系数超过99．3％。这一结果是目前在Internet中所发现的吻合得相当好的幂律，期望它可推动Internet拓扑结构的整体性质的深入研究。     

基于隐马尔可夫模型的非接触手势识别方法

非接触手势识别是一种新兴的人机交互技术,在很多领域正发挥着巨大作用.基于商用的WiFi设备目前应用广泛,但很多因素会影响识别性能.本文探讨了隐马尔可夫模型理论,提出了一种基于WiFi物理层信息的手势识别系统(non contact ges,NCGes),使用菲涅尔区域模型来学习手势特征.首先收集信道状态信息(chann...     

优化初中数学课堂教学

立足于新课程改革,针对目前初中数学课堂教学中存在的目标单一、学习方式单一等问题,运用相关理论,探析优化课堂教学、提高教学实效的思路与方法,从而提高课堂效率．     

基于DPCA ALSSVR的燃气轮机负荷估算方法

燃机负荷的实时估计能够为燃机参与调峰创造重要的前提条件,针对燃机负荷的实时测算问题,提出了一种基于动态主元分析结合自适应支持向量机的燃机负荷回归估计方法.首先应用动态主元分析方法挖掘出与燃机负荷相关的主要参数,获得代表相关性程度的量化指标关联度.在此基础上,利用自适应支持向量机建立燃机负荷的回归估计模型,并通过交叉验证...     

浅谈EAST装置性能提升项目进度管理

针对国家大科学装置工程的特点,本文以EAST装置性能提升项目为研究对象,以进度管理理论和研究成果为基础,借助项目管理软件,将理论、软件工具使用和项目特点相结合,从进度管理中的进度计划编制、进度计划的优化和动态控制三方面展开分析和探究,以期对大科学装置工程进度管理方面的工作进行有益探索。     

基于XLNet的中文文本情感分析

针对Word2vec等静态词向量模型不能解决一词多义、传统情感分析模型不能同时提取文本的全局和局部信息问题,本文提出了结合广义自回归预训练语言模型(XLNet)的文本情感分析模型。首先利用XLNet表示文本特征,然后利用卷积神经网络提取文本向量的局部特征,再利用双向门控循环单元提取文本的更深层次上下文信息,最后引入注意力机制,根据特征的重要性赋予特征不同的权重,并进行文本情感极性分析。仿真实验中将本文模型与5种常用的情感分析模型进行对比,验证了模型的准确率和优越性。     

基于汽车系统动力学的虚拟驾驶仿真模型研究

基于汽车系统动力学建立了一种包括发动机模型、传动系模型、离合器模型、制动系模型、汽车行驶速度模型、转向系模型的仿真模型.基于以上模型开发的汽车虚拟驾驶仿真系统可以准确地模拟汽车在起步、加速、转向以及制动等各种行驶工况的状态以及汽车的各种动力学响应.以上模型为汽车虚拟驾驶仿真系统提供了完整的汽车系统动力学模型,同时,该模型也可进一步应用于汽车的数字化设计,检验汽车的动力学性能.     

模拟细菌菌落进化过程的群体智能算法

针对常规群体智能算法缺乏进化能力,存在易于陷入早熟收敛的不足,将问题的解空间视为细菌培养液,在其中放置单个或少量细菌个体,模拟细菌菌落的生长进化过程,提出一种新的群体智能算法.该算法本身具有进化机制,并且能够自然结束,从而为优化算法提出了一种新的结束准则.通过仿真实验验证了算法的有效性,同时仿真实验结果还表明通过简单改进,算法可以达到全局最优.     

基于自适应进化粒子群算法的多目标优化方法

提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化 PSO算法的性能.AEPSO算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO算法中,来提高算法的全局搜索能力和粒子的多样性.与常用的整体加权方法来处理多目标优化问题不同,AEPSO算法采用非劣解排序来引导粒子的飞行,以改进算法的收敛性,同时采用特殊的变异操作防止早熟收敛并增加优化解的多样性.所提算法的有效性经过四种代表性benchmark函数进行验证,并与几种典型同类型算法进行比较.该算法已成功地用于合金材料的多目标优化设计.实验结果表明AEPSO算法能够较好地兼顾收敛精度与优化解的多样性,满足多目标优化设计的要求.     

一种基于词嵌入模型和卷积神经网络的简化文本分类方法

自然语言处理（Natural Language Processing,NLP）可分为自然语言理解（Natural Language Understanding,NLU）和自然语言生成（Natural Language Generation,NLG）两大类子任务。预训练语言模型和神经语言模型在自然语言理解的整个流程中占据重要地位。本文梳理了文本预训练语言模型的发展流程,并分析当下主流的预训练语言模型以及深度学习模型的不足,基于经典预训练语言模型（Word2Vec）和卷积神经网络分类模型（CNN）,提出一种简化的文本分类模型（Simplified CNN）,在多个情感分析（Sentiment Analysis,SA）基准数据集上进行实验测试,实验结果表明,在文本分类任务上,简单网络可以得到与复杂网络相媲美的分类效果并且运行时间优于复杂网络,与传统的分类模型相比较,在分类效果上表现出了优势。