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。     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

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.     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

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。     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

基于文本分类的农业种植信息集成推荐方法研究

目前网络上存在着海量的农业信息,但是对于广大农民来说信息得不到有效的利用,迫切需要对信息进行集成推荐.针对网络上的农业种植方面的文本信息进行了深入研究,该系统首先利用爬虫技术自动地爬取海量农业种植信息,经清洗整理后构建数据集语料库.其次利用机器学习中KNN方法找到每个样本的k近邻对文章进行聚类,通过TF-IDF方法提取出关键词并构造词频矩阵,然后从文本中构建特征向量,进而对相似文档进行分类,最后将加权值经排序后的结果推荐给用户.该系统实现了对农业文本进行准确的自动分类以及自动提取出文章摘要,并对相似文章进行推荐展示的效果.     

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。