基于深度学习的智能学习资源推荐算法

为了提高资源推荐性能,采用广义回归神经网络完成资源推荐。首先,提取推荐系统的用户和资源特征,选择两者的特征差异值之和作为推荐系统目标函数,然后构建广义回归神经网络(Generalized regression neural network, GRNN)资源推荐模型。考虑到GRNN训练效果对平滑因子和核函数中心的依赖性强的特点,引入差分进化(Differential evolution, DE)算法对GRNN的平滑因子和核函数中心偏移因子进行优化求解：选择最小特征差异值求解函数作为DE算法适应度函数,通过DE算法的多次交叉、变异和选择操作,获得最优平滑因子和偏移因子。最后采用优化后的平滑因子和偏移因子进行GRNN资源推荐,生成特征差异较小的候选资源序列作为资源推荐序列。试验证明,选择合理的DE算法交叉速率和差分缩放因子,能够获得较好的平滑因子和偏移因子,GRNN也能够获得更好的推荐效果。和常用资源推荐算法比较,对于3种不同的训练样本,该文算法能够获得更优的资源推荐准确率,且RMSE值较低。     

云计算环境中面向大数据的改进密度峰值聚类算法

对密度峰值聚类算法进行有效改进,计算各样本点之间的距离和各样本点局部密度,选择两者中较大的样本点作为聚类中心点,根据其余样本点与各中心点的距离设定样本点所属类别;引入K近邻算法对密度峰值聚类算法进行优化,求解各样本点的距离时只需要考虑其周围由邻近值决定的若干样本点,实现距离阈值的自动选取;根据距离矩阵计算样本点的密度,绘制决策图并选择簇内中心点,将剩余点根据密度值分配给离中心点距离最近的类;最后将K近邻-密度峰值聚类算法部署至Hadoop云计算平台,用于解决大规模数据聚类的问题。仿真结果表明,通过合理设置K近邻算法的近邻值k,K近邻-密度峰值聚类算法具有较好的大数据样本聚类性能,与常用聚类算法相比,该算法具有更高的聚类准确率和聚类效率,适用于大数据样本聚类。     

基于循环生成对抗网络的机器翻译方法研究

近几年来,智能语言处理在语言学习方面已经得到了广泛的应用,但是由于在处理语言中往往会存在网络模型优化困难、强制对其的标记数据会出现精度偏差,与以往大多数使用判别模型结合HMM混合模型进行声学模型训练的系统相比,本文提出了一种基于循环生成对抗网络的机器翻译方法,该方法主要结合生成对抗网络来训练机器翻译模型.首先,将一段语...     

腺病毒反向重复序列ITRs的人工合成与克隆

为获得高GC含量(72%)的腺伴随病毒AAV反向末端重复序列ITRs(178 bp),以自行设计的4段寡核苷酸引物(约59 bp)为模板,采用融合PCR方法将其人工合成.回收目的片段后,通过TA克隆、PCR和酶切鉴定获得8个阳性转化子.经测序鉴定,得到了5个序列完全正确的克隆.本实验为研究含有ITRs的重组杆状病毒介导外源基因在哺乳动物细胞中表达持续时间的影响奠定了基础.     

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony, QABC)算法用于K均值(K-means)聚类的类别中心点选择，优化K均值聚类算法，可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数，并随机设置若干类别中心，采用人工蜂群(Artificial bee colony, ABC)算法优化类别中心点，根据待聚类样本点构建蜜蜂种群，并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度，并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索，不断搜寻适应度较高个体，并且更新蜜源，直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明，通过合理设置ABC搜索边界，并引入蜂群位置的量子表示，可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法，QABC+K均值算法的聚类性能更优。