基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先，采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后，对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。     

构建新包空间的多示例学习方法

针对已有神经网络方法采用示例决定标记从而导致多示例学习(MIL)中包结构信息丢失的问题,提出了一种新的RK_BP多示例学习方法.在示例空间,首先采用粗糙集对其进行属性约简;然后进行K均值聚类,利用聚类点构造新包空间;在新空间中,利用误差反向传播神经网络算法进行分类.在多个测试数据集上对算法进行测试,结果表明该算法可有效解决已有神经网络方法包结构信息丢失问题,明显提高分类性能.     

基于加权熵的重要性不对等样本学习的知识约简

由于学习样本的分布特性和所反映的主观特性的不同,每一个样本相对于学习算法的重要性程度往往是不对等的,为了能够在知识约简过程中考虑到学习样本的不对等性,提出了基于加权熵的知识约简方法。针对各类别样本分布不均匀的样本重要性不对等情况,为了加强小类样本所蕴含的知识在知识约简中的体现,提出一种逆类概率加权的不对等样本加权方法,实验表明该方法能够明显提高小类样本的分类正确率,也验证了基于加权熵的知识约简方法能够将样本的不对等性体现在知识约简结果中。     

基于BP网络的康复机器人的智能控制技术

建立了5自由度上肢康复机器人的BP神经网络控制模型。在此模型基础上，通过对正常人肌电信号的训练学习，修正了网络权值，得到了较为理想的控制模型。最后，通过病人的肌电信号，得到了良好的输出结果。仿真实例表明，BP神经网络方法比传统方法收敛快，学习精度高，且具有较好的网络泛化能力，可以用于5自由度上肢康复机器人的智能控制。     

Subsumption Checking between Concept Queries in Different Ontologies Based on Mutual Instances

This paper proposes a checking method based on mutual instances and discusses three key problems in the method： how to deal with mistakes in the mutual instances and how to deal with too many or too few mutual instances. It provides the checking based on the weighted mutual instances considering fault tolerance, gives a way to partition the large-scale mutual instances, and proposes a process greatly reducing the manual annotation work to get more mutual instances. Intension annotation that improves the checking method is also discussed. The method is practical and effective to check subsumption relations between concept queries in different ontologies based on mutual instances.     

"文革"期间中国对于自然科学的批判

中国20世纪50年代和"文革"期间开展过一系列批判自然科学的活动.文章探讨了"文革"期间科学批判活动的社会背景,讨论了物理、化学、生物等各个学科的主要批判内容,并对批判活动的起因、批判方法和特点作了初步分析.文章认为,"文革"所提出的政治批判任务和"四人帮"的故意操纵是这一时期开展科学批判活动的主要原因,所采用的批判方法主要是进行意识形态批判,这一时期参与批判活动的人员数量和类型以及所批判的学科领域之多都超过了20世纪50年代.     

让Delphi应用程序“唯一”运行

介绍在 Ｄｅｌｐｈｉ编程中怎样利用两种Ｗｉｎｄｏｗｓ ＡＰＩ函数实现应用程序“唯一”运行，禁止应用程序的多次加载运行。     

择校纠纷的制度经济学分析

“择校热”作为人们对高质量教育需求不满足的集中反映，既是对就近入学政策的严峻挑战，也是教育普及发展过程出现的必然趋势。随之而来的择校纠纷日益增多，迫切需要我们解决与择校有关的问题。本文从分析择校纠纷产生的原因即缺乏契约约束和教育制度非均衡的存在人手，进而寻求相关对策，一方面用契约约束择校行为，另一方面增加制度供给，即从法律上赋予择校费畲法地位，对择校退费问题作出规定，明确界定择校费性质及建立监督和公示制度来满足目前教育制度需求，实现教育制度均衡，最终妥善解决择校纠纷。     

A Synthesis Instance Pruning Approach Based on Virtual Non-uniform Replacements

The employment of non-uniform processes assists greatly in the corpus-based text-to-speech （TTS） system to synthesize natural speech. However, tailoring a TTS voice font, or pruning redundant synthesis instances, usually results in loss of non-uniform synthesis instances. In order to solve this problem, we propose the concept of virtual non-uniform instances. According to this concept and the synthesis frequency of each instance, the algorithm named StaRp-VPA is constructed to make up for the loss of nonuniform instances. In experimental testing, the naturalness scored by the mean opinion score （MOS） remains almost unchanged when less than 50% instances are pruned, and the MOS is only slightly degraded for reduction rates above 50%. The test results show that the algorithm StaRp-VPA is effective.