基于时空视频块的背景建模

提出了一种基于时空视频块的背景建模方法,时空视频块同时包含空间表观信息和时间运动信息.一个给定的背景位置在所有可能光照条件下的时空视频块集中位于一个低维的背景子空间中,而运动前景的时空视频块散布在背景子空间外的整个高维视频块空间中,采用一种高效的在线子空间学习算法实时更新背景子空间的主成分,根据时空视频块到背景子空间的距离来区分背景时空视频块和前景时空视频块.实验结果显示,本文中提出的方法能够在光照剧烈变化、前景与背景对比度较低的情况下准确地检测出前景目标.     

研究性学习在人文地理类课程教学中的应用初探

研究性学习是近年来教育界广泛关注和重视的一种新型学习模式．该文以人文地理学科课程教学方式探索为依托,提出专业学科教学与研究性学习模式的有效结合方式,以达到更好地研究性学习的目的,并进一步探索基于研究性学习的人文地理类课程教学模式．     

论对外太极拳教学

土在武术的对外传播过程中,太极拳的对外传播占据了很大一部分,太极拳在文化、健身、表演、技击等各个方面的价值越来越受到世界人民的关注．太极拳对外教学工作是太极拳对外传播的核心工作,做好这方面的工作对太极拳乃至整个武术的对外传播都有重要的意义．因此,太极拳对外教学的原则、手段、方法以及在教学过程中所要注意的问题也就显得尤为重要,本文就这几个方面问题进行讨论,为太极拳对外教学工作提供一定的理论参考．     

迁移理论与三段式教学法在工业催化原理教学中的应用

将迁移理论与三段教学法相结合,深入探讨学习迁移理论所涉及的各种因素对工业催化原理课教学效果的影响,归纳总结迁移理论在三段式教学实践中的应用策略,为大学理论课教学提供参考依据.     

移动式学习平台的构建方案

移动计算模式改变了人们的学习和生活方式,高校的教育教学过程也可以引入移动式学习,让学习环境、学习资源随时随地,无处不在.针对高校传统教育方式存在的问题,提出应用移动计算进行辅助的教育教学模式.给出移动式学习平台系统结构和功能模块的设计方案,并简述了应用开发使用的工具.     

基于新型空间注意力机制和迁移学习的垃圾图像分类算法

随着我国各级政府大力推动垃圾强制分类,分类回收各环节中实现标准化、自动化的垃圾分类识别需要适合云端部署的高准确率、低延时要求的细粒度图像分类模型.本文发挥深度迁移学习的优势建立了一套端到端的迁移学习网络架构GANet (garbage neural network);针对垃圾分类中类别易混淆、背景干扰等挑战,提出一种新型的像素级空间注意力机制PSATT (pixel-level spatial attention).为克服类别多和样本不平衡挑战,提出使用标签平滑正则化损失函数;为改善收敛速度以及模型稳定性与泛化性,提出了阶梯形OneCycle学习率控制方法,并给出了结合Rectified Adam (RAdam)优化方法和权重平滑处理技术的组合使用策略.实验使用了"华为云人工智能大赛.垃圾分类挑战杯"提供的按照深圳市垃圾分类标准标注的训练数据,验证了GANet在垃圾分类问题中的显著效果,获得了全国二等奖(第2名);同时,提出的PSATT机制优于对比方法,且在不同主干网络架构上均得到了提升,具有良好的通用性.本文提出的GANet架构、PSATT机制和训练策略不仅具有重要的工程参考价值,也具有较好的学术价值.     

知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知,基于遗传模糊系统的关键点推理,基于层次任务网的任务规划、计划修复与重规划,基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明,所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

Incorporating textual and management factors into financial distress prediction: A comparative study of machine learning methods

Financial distress prediction (FDP) has been widely considered as a promising approach to reducing financial losses. While financial information comprises the traditional factors involved in FDP, nonfinancial factors have also been examined in recent studies. In light of this, the purpose of this study is to explore the integrated factors and multiple models that can improve the predictive performance of FDP models. This study proposes an FDP framework to reveal the financial distress features of listed Chinese companies, incorporating financial, management, and textual factors, and evaluating the prediction performance of multiple models in different time spans. To develop this framework, this study employs the wrapper-based feature selection method to extract valuable features, and then constructs multiple single classifiers, ensemble classifiers, and deep learning models in order to predict financial distress. The experiment results indicate that management and textual factors can supplement traditional financial factors in FDP, especially textual ones. This study also discovers that integrated factors collected 4 years prior to the predicted benchmark year enable a more accurate prediction, and the ensemble classifiers and deep learning models developed can achieve satisfactory FDP performance. This study makes a novel contribution as it expands the predictive factors of financial distress and provides new findings that can have important implications for providing early warning signals of financial risk.     

基于主动学习的资源优化分配方案研究

从实际应用的角度阐述分析了主动学习算法在资源优化分配中的应用问题,首先分析了主动学习的发展问题,并给出了主动学习的数学描述,在此基础上,重点以学生分班为例阐述了主动学习算法的应用问题。     

An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.