基于深度学习的复杂气象条件下海上船舶识别

为提高复杂气象条件下海上船舶的识别效果,本文通过暗通道先验去雾算法减少云雾遮挡对目标识别的影响,使用基于深度学习的YOLO改进算法提高目标识别效果。结果表明：本文采用的算法在中国航天科工四院指挥自动化中心的模拟海事数据集上,4类船舶目标识别的mAP (Mean Average Precision)达到89.98%,超过了对比的其他目标识别算法;针对数据集中的云雾遮挡图像,暗通道去雾处理后,目标识别的mAP从53.25%提升到69.35%。可见本文提出的算法可以满足复杂气象条件下的海上船舶识别的需求。     

PSO与PCA融合优化核极限学习机说话人识别算法仿真

基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。     

基于机器学习的犯罪预测综述

随着犯罪数量不断增加,以及新型犯罪模式不断出现,准确预测未来的犯罪活动越来越重要。所以,基于机器学习的犯罪预测方法对于识别未来犯罪以及减少犯罪数量具有重要的意义。根据犯罪类型的不同,使用的犯罪预测方法也呈现多样化。为此,对国际上不同类型的犯罪预测方法进行了总结和分析,并在此基础上对如何提高犯罪预测的精度进行了讨论,希望对使用机器学习进行犯罪预测的相关工作有一定的参考意义。     

基于特征迁移的在线教育导师推荐方法

在推荐系统中,数据稀疏和数据冷启动问题一直是待解决的重要难题。针对推荐系统中用户数量过少、评价数据稀疏、模型启动困难等问题,以及针对在线教育领域存在特征关联的特性,提出了一种全新的基于特征迁移的导师推荐方法。为了迁移出更多有用的信息,该方法基于有限的领域特征,在目标领域和训练领域之间建立了一个基于特征相似度的桥梁。首先,获取训练领域和目标领域的推荐矩阵。然后,向量化用户和项目的特征空间,计算目标领域和训练领域之间特征的相似度。最后,构建特征迁移模型对目标领域进行迁移,得出目标推荐矩阵。研究结果表明,提出的方法能够很好地解决在线教育导师推荐领域中数据冷启动以及数据稀疏问题,与传统的推荐方法相比取得了很好的效果。     

试论李贽的学术背景

李贽的学术思想非常复杂,但仔细考察,就可以看出,他的全部理论都是针对所面临的实际问题作出思考后所得出的。所以考察他的学术背景对了解李贽的学术思想有重要意义。本文从王学和佛教思想两个方面采具体分析它的学术背景。     

论罗可可艺术的现实意义

罗可可艺术长久以来一直被称为“艳情艺术”,其实质却并非许多权威性论断所定义的这般低俗,它优美典雅的装饰性风格和辉煌的艺术成就有力地说明了罗可可艺术是人类文明发展到一定高度的象征,并具有不可否认的现实意义。     

基于多维学习的服务扩散模型构建与实证

基于主体认知渠道和多维消费者网络结构的线下线上异构性,构建多阶段时间序列学习（MSTSL）模型和多维网络学习（MNL）模型,探索多维网络融合的服务扩散规律;基于真实的扩散数据,改进消费者网络的服务扩散模型,并克服社会网络分析的仿真方法缺陷. 以图书服务数据样本进行实证研究发现,本文提出服务扩散模型能够较好地拟合现实数据;服务扩散中消费者的多维学习效应可以发挥重要作用;揭示消费者群体服务采纳服务产品的不同学习影响机制,研究结果有益于深入描述服务产品扩散的内在规律及制定恰当的服务策略.     

试谈高校办公室知识管理模式的构建

通过对目前高校办公室工作现状的分析,结合高校改革对行政管理工作的要求,探讨了在高校办公室工作中实行将信息转化为知识、知识共享和建立有效激励机制的知识管理模式.     

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

Method of Automatic Ontology Mapping through Machine Learning and Logic Mining

Ontology mapping is the bottleneck ot handhng confilicts among heterogeneous ontologies and of implementing reconfiguration or interoperability of legacy systems. We proposed an ontology mapping method by using machine learning, type constraints and logic mining techniques. This method is able to find concept correspondences through instances and the result is optimized by using an error function; it is able to find attribute correspondence between two equivalent concepts and the mapping accuracy is enhanced by combining together instances learning, type constraints and the logic relations that are imbedded in instances; moreover, it solves the most common kind of categorization conflicts. We thenproposed a merging algorithm to generate the shared ontology and proposed a reconfigurable architecture for interoperation based on multi agents. The legacy systems are encapsulated as information agents to participate in the integration system. Finally we give a simplified case study.