视频异常行为识别与分级预警系统

参考格灵深瞳分级评价体系并引入迟滞比较器相关思想,结合最近邻与SVM双层分类器学习,建立了针对目标入侵、目标高速运动、目标遗留物与人群聚集逃离、人群打架斗殴、人群骚乱六种常见目标异常行为的自动分类与分级预警系统。1提出并实现了一套较完备的异常行为分级预警系统;2在行为分析之前以人群密度与能量为特征引入最近邻分类器实现个体行为与群体行为的预分类;3通过引入迟滞比较器实现高速运动行为的稳定预警;且该方法具有一定普及意义。分别在标准库和自行拍摄的视频上进行实验验证。实验证明,该系统能够稳定实现对上述六种普遍异常行为的分类分级预警,实现了群体分析与个体分析、检测与识别、分类与预警的一体化。     

基于GWO-ELM算法模型的水体含沙量预测

泥沙含量的演变受多种因素的影响,为了快速、准确地对水中泥沙含量进行高精度预测,为泥沙治理以及合理利用水土资源提供理论依据,提出了一种基于GWO-ELM算法模型的水体含沙量预测方法.首先,将影响泥沙含量的8种原始影响因子赋予权重,利用主成分分析(principal component analysis,PCA)法提取出4...     

基于STACKING-BERT集成学习的中文短文本分类算法

由于word2vec、Glove等静态词向量表示方法存在无法完整表示文本语义等问题,且当前主流神经网络模型在做文本分类问题时,其预测效果往往依赖于具体问题,场景适应性差,泛化能力弱.针对上述问题,提出一种多基模型框架(Stacking-Bert)的中文短文本分类方法.模型采用BERT预训练语言模型进行文本字向量表示,输...     

基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这...     

基于强化学习的写字楼动态电力价格策略研究

针对城市商业区写字楼的微电网能源管理系统,如何有效的进行能量协同调度具有重要的理论价值与应用价值。本文提出了基于强化学习的写字楼能量调度的需求侧动态价格响应算法。首先,将物业与写字楼之间的模型建立为一个马尔可夫决策过程（Markov Decision Process,MDP）,通过使用Q-Learning算法中的贪婪策略（ε - greedy）来探索写字楼中每个时间间隙的最佳电力零售价格。实验表明,通过需求侧动态价格能量调度策略不仅可以提高电网的可靠性和能源的有效利用率,实现电力分流、削峰和填谷,也可有效降低写字楼的能量消耗,同时降低用户的电力能耗使用成本,使得各方利益最大化,验证了本文所提算法的有效性和实用性。     

基于XGBoost与SVR变权组合模型致密油的采收率预测

致密油储层因具有渗透率与产能低下的特点,多采用大型水力压裂改造储层来提高采收率,根据不同的地质、压裂参数变化,预测改造后的采收率对于压裂施工改造有良好的指导作用。目前多因素影响的致密油压裂后采收率预测理论模型,难以实时准确地根据压裂方式及参数来预测压裂后油藏采收率变化。为进一步提升致密油的采收率预测精确度,本文引进机器学习进行预测,基于极限梯度爬升算法（XGBoost）和支持向量回归算法（SVR）进行了一定改进得到变权组合模型XGBoost-SVR,模型借鉴残差进化机制,实现加权融合系数的最优组合,该组合模型可对两种单模型进行优势互补,避免了因单一模型参数导致的范围性误差,增大模型预测容错率。本文首先对致密油的采收率影响因素进行收集整理,分析地质因素、储层因素和工程因素对采收率的影响,构造相关原始数据集;其次将预处理后数据集输入SVR单模型和XGBoost单模型分别进行训练,得出单模型预测值;最后采用基于残差的自适应的变权组合方法建立XGBoost-SVR组合模型,得到各模型最终预测结果,明确采收率影响因素及各影响因素权重比。模型预测结果表明：与SVR和XGBoost单模型相比,组合模型在预测精度达到94.63%,表现出更好的适应性。     

小脑经颅直流电刺激技术提升运动表现的应用

小脑是脑皮层下的一个重要运动调节中枢,它与大脑不同皮层区域在解剖和功能上紧密连接,配合大脑皮层完成机体的运动功能和运动学习。经颅直流电刺激(transcranial direct current stimulation, tDCS)是一种非侵入性的脑刺激技术,通过电极将微弱的电流作用于小脑能有效地提升皮层脊髓兴奋性和调控小脑与大脑皮层间的功能连接。本文系统梳理近20年国内外关于tDCS刺激小脑对提升人类运动表现影响的相关文献,研究结果表明tDCS刺激小脑可以改善人体的运动表现,如姿势控制、运动适应与运动学习、肌肉力量表现等。然而,tDCS刺激小脑的生理机制和刺激强度、刺激时间、刺激时间间隔等参数的选择有待进一步研究。未来的体育科学研究中,如何将tDCS刺激小脑的技术应用于运动训练,帮助运动员突破现有的运动能力仍有待深入探究。     

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。本文提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,该算法通过融合情感词典优化特征词的权重;其次,利用卷积神经网络(CNN)提取局部特征,利用双向长短时记忆网络(BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明,本文提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、LSTM、CNN和随机森林模型,本文方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明该方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。该方法具有一定的学术价值和应用前景。     

深度神经网络模型数字水印技术研究进展综述

近年来,深度神经网络模型在各种应用领域都取得了巨大的成功,训练先进的深度神经网络模型仍需要大规模的数据集、高昂的算力成本和优异的算法思想,生成的深度神经网络模型成为一种宝贵的资源,也是完成人工智能应用领域某项特定任务的核心算法。因此,深度神经网络模型的安全则变得极其重要,利用数字水印版权保护技术保障模型的安全已经成为人工智能安全领域一个重要的研究方向。为了综述深度神经网络模型数字水印版权保护技术的最新研究进展,首先介绍了深度神经网络模型数字水印技术分类;其次介绍了深度神经网络模型数字水印版权保护技术基础概况;再次归纳总结了深度神经网络模型数字水印版权保护技术的研究方法;最后总结并展望了深度神经网络模型数字水印版权保护领域的研究重点和发展方向。     

偏压条件下排桩加内支撑支护深基坑受力与变形分析

基坑开挖受周围环境制约较大,需根据具体条件采取不同的支护方式。尤其对于狭长基坑两侧存在偏压的情况,基坑变形以及支护结构受力会存在较大差异。本文以西安科技八路综合管廊深基坑支护工程为研究对象,采用数值模拟与现场监测相结合的方法,对偏压条件下基坑的变形以及支护结构受力变化规律进行了深入的研究分析。研究结果表明：随着基坑开挖,水平位移和竖向位移均呈逐渐增大趋势,锚杆和内支撑对水平位移控制效果明显。桩身内力在锚杆与内支撑位置突变明显,避免了桩身受力过大。由于受右侧已开挖基坑的影响,导致基坑两侧变形有所差异,但位移值相差不大。说明该深基坑支护方案设计合理,支护效果良好,满足偏压条件下对基坑变形控制的要求。研究结果可为类似基坑工程的支护与开挖提供一定的指导。