钟萼木当年生生长性状与不同生长类型适应性探讨

应用大样本调查方法和正态分布标准差分类法对钟萼木的当年生苗木高与地径生长量的不同生长类型进行分类,结果表明苗木群体高与地径生长划分为8个不同生长类型,群体表现明显的早期生长分化,群体平均值与相邻两区间生长类型个体权重占整体的85%以上,生长较好与较差的生长类型两极分化所占比例较小;不同生长类型分类较好地表明群体生长性状多样性组成和物种潜在生长优势,可为优良生长类型筛选提供依据.对不同生长类型个体适应性研究表明,该树种生长类型差的个体高生长期较短,优良生长类型个体有更长的高生长期,但地径生长期基本是一致的,主要受高生长期与光合作用率影响,说明遗传品质对苗高与地径生长影响显著.     

深度学习在引力波数据处理中的应用初探

截至2018-01-16,LIGO已成功探测引力波事件6次.可以预期,引力波探测事件会越来越多,引力波天文学会很快进入到大数据阶段.深度学习在大数据处理方面近年来得到迅速发展.它在数据处理速度,准确度等方面都表现出极大的优势.深度学习在引力波数据处理中的应用讨论还不多.本文引入此问题,并对其进行初步研究.引力波数据最大的特点是强噪声、弱信号.现行的数据处理方法是利用匹配滤波的方式把引力波信号从强噪声中挖掘出来.同时,匹配滤波方法还可以确定引力波源的性质,定量确定其参数.匹配滤波方法的弱点是计算量巨大.这导致数据处理速度很慢.对于将来的大数据引力波天文学,这更将是一个巨大的隐患.匹配滤波方法的另一个潜在问题是,完备准确的理论波形模板是其工作的前提条件.这个潜在问题的后果是很难找到理论预期之外的引力波信号.深度学习的数据处理方法有可能在这些问题上提供出路.同时,深度学习也会遇到其自身的若干困难和问题.本文将从网络结构、训练数据制备、训练优化、对信号识别的泛化能力、对数据的特征图表示以及对特征数据遮挡的响应等方面来展开讨论.     

微地震监测技术综述

微地震监测技术作为一种先进的地球物理方法, 广泛应用于地热勘探、 油气田开发等多个领域, 具有广 阔的发展前景。 首先介绍了微地震形成机理及其特征和微地震监测技术的基本概念, 进而简述了微地震监测 方法的基本原理以及数据采集、 数据处理等主要技术。 去噪为数据处理的首要任务, 因而论述了一些基本的降 噪方法, 提出深度学习在微地震监测技术中的可行性以及优越性。 最后, 对监测技术的扩展应用以及发展前景 进行了总结。     

动态的 SDN 网络流量模式增量学习算法

针对基于人工神经网络的流量统计特征学习算法在动态适应性和可扩展性等方面尚显不足.提出了一种基于增长型自组织映射(GSOM)的增量学习算法,对软件定义网络(SDN)数据平面交换机的流表统计信息进行持续学习,动态获取网络流量的GSOM神经网络模型.基于DARPA99数据集的实验结果表明:所提出的算法能够通过学习确认安全的SDN流量,获得稳定、可塑的流量模式,对异常流量也有较高的敏感度.     

基于伪数据的机器翻译质量估计模型的训练

为向基于深度学习的机器翻译质量估计模型提供高效的训练数据, 提出面向目标数据集的伪数据构造方法, 采用基于伪数据预训练与模型精调相结合的两阶段模型训练方法对模型进行训练, 并针对不同伪数据规模设计实验。结果表明, 在构造得到的伪数据下, 利用两阶段训练方法训练得到的机器翻译质量估计模型给出的得分与人工评分的相关性有显著的提升。     

跳跃自激发与非对称交叉回馈机制下的期权定价研究

跳跃集聚和波动率非对称回馈是股票价格运动过程中不可忽视的重要特征.基于动态跳-扩散半鞅随机过程,本文提出了具有时变跳跃到达率和波动率的双因子交叉回馈机制的期权定价模型,推导了跳-扩散交叉回馈模型的一般化风险中性变换关系;同时借助序贯贝叶斯方法对模型和跳跃风险溢价进行校准,并对道琼斯工业平均指数(DJX)、标普500指数(SPX)、苹果(APL)、IBM、JP摩根(JPM)股票进行实证研究,研究发现,它们的跳跃达到率和波动率都呈现集聚性和非对称回馈效应,且跳跃到达率具有更强的持续性和更大的杠杆系数;跳跃风险溢价在定价中占主要地位.期权定价的实证研究还表明,双因子交叉回馈模型具有最小的期权定价误差,定价能力明显优于单向回馈的跳-扩散模型.     

基于多目标萤火虫膜算法的学习效应生产调度问题北大核心CSCDCSSCI

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。     

基于知识聚合的智慧学习模型及其知识增值分析

智慧学习已经成为全球教育未来发展的重要趋势,成为各国战略发展的重要组成部分。在此背景下,基于知识聚合理论,针对智慧学习中的知识增值问题进行了研究。在梳理相关文献的基础上,分析了智慧学习的流程及其知识聚合的本质,探讨了其非线性化学习过程的特点,构建了智慧学习的框架模式,给出了其知识聚合的3种具体体现;建立了智慧学习中个人学习主体知识获取模型以及知识萃取整合模型,得到了个人学习主体经过一段时间学习后的知识增值描述;以可汗学院为例,对知识增值模型的实现过程进行了阐述。     

线上线下交互融合式教学模式的构建与实施

为实现互联网技术与高校教育教学模式的深度融合,提出线上与线下交互融合式教学模式的构建宗旨和具体实施环节。利用智慧云端作为线上线下学习的连接通道,实现学习与交互平台的有效结合。在有效激发教师主观能动性的同时,还能突出学生的主体性。教师通过课程宣传、资源投放、答疑指导、监督考核等环节实现既定教学目标;学生通过自主选课、自主学习、合作学习等环节,在全面掌握所学知识点的同时,加强了自主解决问题能力、知识推理能力和实践能力。为未来有效利用互联网技术来提高高校教育教学质量提供参考。     

中心损失与Softmax损失联合监督下的人脸识别

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力。在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离。其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率。最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31%的人脸识别精度。