一种基于孪生网络的图片匹配算法

随着卷积神经网络（Convolutional Neural Networks,CNN）的不断改进，基于CNN的图片匹配成为图像处理的关键，然而，许多基于CNN的图像相似度检测算法对图像特征的表达能力较差，且曼哈顿距离或欧式距离的计算方式导致在计算损失函数时模型不一定能很好地收敛.针对此问题，提出一种基于孪生网络和注意力机制的方法（CSNET）来提升图像匹配的性能，主要步骤如下：使用将激活函数改进为Mish函数的VGG16网络作为主干网络提取图像的特征，在模型的卷积层加入注意力机制模块（Convolutional Block Attention Module,CBAM），这提高了模型的特征提取能力和鲁棒性，保证训练可以收敛.对模型输入图片对的特征向量的欧氏距离，再利用网络全连接层输出的相似度分数来度量被检图片是否相似.将提出的CSNET与其他图片匹配方法在Omniglot和SigComp2011等数据集上进行比较，实验结果表明，CSNET能有效提高图像相似度匹配的准确性.     

中职计算机基础教学中分组策略的运用体会

中等职业技术教育是当今教育中重要的职业教学形式之一。随着科学技术的不断发展，计算机的应用愈发广泛，信息技术成为中职学生必须掌握的一门技术。但是在中职学校的计算机基础教学中，班级里学生的文化基础与专业技能的参差不齐非常让人头疼。该文将对分组策略在中职计算机基础教学中的必要性和实际操作等问题进行探讨。     

团队合作在微格实训教学中的设计与运用

团队合作微格实训操作法是充分利用团队的优质资源，按照学科及社会现实要求联系工作实际，对实训学生进行团队意义讲解、团队组建、领任务、设计方案、实施、评估等步骤实施微格教学的实践操作训练，提高团队意识，把握合作方法，体会未来工作内容实施流程，增强个人实践能力和社会合作能力。     

一种使用log函数的新型修正激活单元LogReLU

提出一种新型校正激活函数的改进,该新型校正激活函数带有一个可变参数,使用对数函数对正区域的梯度进行矫正,解决了预测准确率较低的问题.改进的激活函数使用两个不同参数分别控制正区域和负区域的梯度.通过对两个不同数据集进行仿真实验的结果表明,新提出的两种方法效果均好于原始的修正线性单元,带有两个参数的改进使验证错误率分别降低了0.14%和5.33%.     

基于卷积神经网络的γ放射性核素识别方法

快速、准确的放射性核素识别可有效地对放射性危险源进行及时的监测预警，对保护人们远离放射源的威胁具有重要意义。该文基于卷积神经网络研究了放射性核素γ能谱的识别。通过溴化镧能谱仪采集16种放射性核素的γ能谱数据，并通过改变放射性核素γ能谱的计数和能谱漂移程度，创建生成大量单核素和双核素γ能谱训练数据，利用自搭建的卷积神经网络开展放射性核素识别模型训练。实验采集其中9种核素及其双核素的混合能谱对核素识别模型开展验证，结果表明：在剂量率约为0.5μSv/h、测量采集时间为60 s时，模型的识别准确率可达92.63%,满足在低剂量率下对放射性核素进行快速识别筛查的需求。     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题，提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先，将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征；随后，引入注意力机制动态调整属性的权值；然后，利用BiLSTM模型学习态势值的前后状况，以提取序列中更多的信息进行预测；利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优，提升预测能力。实验结果表明，所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。     

机载相控阵雷达灵巧干扰信号模型及抑制方法研究0

目前对灵巧干扰的研究主要集中在常规地面雷达,对于机载雷达下的干扰模型及其抑制方法的研究较少。针对此种情况,建立了机载雷达背景下噪声卷积干扰、随机移频干扰和延时转发干扰3种典型灵巧干扰的空时信号模型,并从杂波自由度、空时功率谱图和距离-多普勒谱图的角度分析了干扰分布特性以及影响空时自适应处理(space-time adaptive processing, STAP)性能的内在机理,在此基础上提出了一种基于单元平均选小检测的机载雷达杂波和干扰同时抑制方法。该方法从杂波空时功率谱角度准确估计干扰来向,并据此形成干扰辅助波束,最后通过STAP实现干扰和杂波的有效抑制。仿真结果表明,所提方法相对于传统级联抑制方法,对延时转发灵巧干扰的抑制性能改善5 dB以上,验证了所提方法的有效性。     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

求解偏微分方程的卷积迭代方法

偏微分方程的数值求解是数学中长期存在的挑战。本文基于偏微分方程的差分格式提出了一种卷积迭代求解方法。该方法以偏微分方程的差分格式为基础构造卷积迭代格式并提取卷积核，通过卷积核扫描数值解图像的方式逼近偏微分方程的解。本文方法直接在数值解图像上进行卷积迭代，从而替代了传统数值方法求解离散线性方程组的过程。针对定常以及非定常的偏微分方程的不同数值格式分别提出了卷积迭代求解算法。数值算例表明，卷积迭代方法在GPU上求解大规模问题的效率优于传统ADI算法等。本文方法实施简洁、能够求解高维及非线性的偏微分方程问题且保持差分格式的理论精度。