基于改进鱼群算法的网络通信安全极限挖掘

为提高计算机网络通信安全极限特征挖掘能力,提出基于改进鱼群算法的网络通信安全极限挖掘技术。构建通信多径传输信道模型,均衡控制网络通信安全的自适应信道,采用多径滤波和自相关匹配检测方法进行码间干扰抑制,建立网络通信安全极限信道容量参数估计模型,结合改进的鱼群算法进行极限信息挖掘,并利用模糊信息聚类方法对挖掘结果进行自适应寻优。实验结果表明,所提方法准确性以及信道均衡性更优,提高了网络通信的安全性。     

基于特征关联和多损失融合的行人再识别方法

为增强遮挡场景下所提取行人特征的判别力,有效挖掘样本类别信息,提出了一种基于特征关联和多损失融合的行人再识别方法。首先利用姿态估计器生成的人体关键点作为辅助信息,引导模型关注行人图像未被遮挡区域,提取姿态引导的全局特征;其次引入全局对比池化模块,将平均池化和最大池化的特性进行融合,提取对背景噪声和遮挡抗干扰性更强的全局特征;然后引入One-vs-rest关系模块,挖掘局部分块特征的内在关系,提取能够反映图像整体信息的局部特征;最后将交叉熵损失、难样本采样三元组损失和中心损失这3种损失函数进行加权融合,监督模型学习类间距离大、类内距离小的行人特征。在Occluded-DukeMTMC数据集进行的评估结果表明,所提算法Rank-1和mAP分别达到54.9%和41.5%,充分体现了改进后方法在处理行人再识别遮挡问题时的有效性和先进性。     

分层特征组的行为识别（英文）

为提高视频人体行为识别的性能,提出了一种分层建模行为的方法.该分层模型根据人体运动的属性概述不同时空域的行为内容.首先,利用时间梯度并结合连贯的运动模式约束提取稳定、密集的运动特征作为点特征;然后,采用自适应尺度核的mean-shift聚类算法标定这些特征.具有同一标签的特征组通过最大池运算产生身体部分表示后,累积大尺度的视频体内视觉词响应作为视频对象的表示.在基准的KTH和UCF-sports行为数据库上,实验结果表明所提方法增强了行为特征的代表性和判别能力,同时提高了识别率.与其他相关文献相比,所提方法获得了优越的识别性能.     

用于跨库语音情感识别的时频原子听觉注意模型（英文）

为解决跨数据库语音情感识别领域中实验数据集特征不匹配的问题,提出一种基于时频原子的听觉注意特征提取模型.首先,为了提取频谱特征,引入听觉注意模型对多类情感特征进行有效的探测.然后,利用选择注意机制改进了提取的语谱图特征,其中包含的显著性信息与跨库识别性能有紧密联系.再引入Chirplet时频原子,通过形成的过完备原子库提高语谱图特征的信息量.来自多个数据库的样本具有多成分分布的特征,据此所提模型中的Chirplet扩大了特征向量在时频域上的尺度.实验结果显示,相比传统特征模型,所提方法性能有显著提升.此外,该方法在训练集和测试集来源不一致情况下具有更好的鲁棒性.     

基于CNN和XLNet的音乐多模态情感分析方法

在情感分析领域,仅依靠文本等单一模态进行情感分析,限制了从多模态数据中提取多样化特征的能力,限制了情感分析结果的准确度和鲁棒性。为此,提出了融合音频分析网络和文本分析网络的多模态情感分析方法。其中,利用预训练卷积神经网络(CNN)和迁移学习技术进行基于Mel频谱图的音频情感分类,通过改进的XLNet模型执行歌词文本的特征提取和情感分类任务。CNN和XLNet输出包含概率权重和不同情感值的情感预测矩阵,最后使用堆叠集成方法合并不同模态的输出结果,完成多模态情感分类。在自建民族音乐数据集的消融实验证明,多模态方法具有良好的互补性,在情感识别任务中的性能显著优于单模态方法。公开数据集结果表明,所提方法的分类准确度达到83.75%,优于其他先进方法。     

基于信息融合技术的结构损伤诊断方法

为提高结构损伤识别的准确率,将多源信息融合技术引入到结构损伤诊断中．在介绍多源信息融合技术的基本理论、功能模型、级别分类和数学方法的基础上,将2种或多种结构损伤识别方法提取的损伤特征向量进行特征级融合,建立了基于信息融合的结构损伤诊断方法．在钢筋混凝土板损伤试验中测试其模态信息,利用基于信息融合的结构损伤诊断方法进行裂缝位置识别,并与单独使用模态应变能法和柔度法进行损伤识别的结果进行对比．结果显示基于特征级信息融合的结构损伤诊断方法能够准确识别单一损伤识别方法无法识别的结构损伤,对于多位置损伤识别亦有效果．基于信息融合的结构损伤诊断方法具有良好的损伤敏感性．不同的信息融合算法有不同的适用范围,在实际结构健康监测中,要通过详细分析选择合适的多源信息融合算法．     

基于集成迁移学习的铝型材瑕疵识别研究

基于CNN的迁移模型用于铝型材表面瑕疵分类识别研究中，未考虑所提取的瑕疵特征图中冗余信息对分类性能的影响.针对该问题，提出了一种基于集成迁移学习的铝型材瑕疵分类方法，首先基于CNN的传统迁移模型自动获取铝型材瑕疵特征，再利用多尺度膨胀卷积对所提取的铝型材瑕疵特征进行稀疏采样，获取多组差异化的瑕疵特征，通过训练生成一组具有差异化的CNN分类器，并将其集成.实验结果证明，该方法相对于传统基于CNN的迁移模型，在铝型材瑕疵分类上，具有更高的分类准确率，性能更优.     

基于多头注意力长短期记忆模型的语音情感识别方法（英文）

针对语音情感识别中不同表征空间的信息利用不足问题,提出了一种多头注意力的双层长短时记忆模型,用于充分挖掘有效的情感信息.该模型以具有时序情感信息的帧级别特征作为输入值,利用长短时记忆模块学习时域特征,设计了特征注意力模块和时间多头注意力模块,对长短时记忆模块的逐层输出值、特征注意力模块输出值、时间多头注意力模块输出值进行融合.结果表明,相比传统的长短时记忆模型,所提方法在eENTERFACE和GEMEP两个数据集上的识别准确率分别提升了14.6%和10.5%,从而证明了其在语音情感识别任务中的有效性.     

基于多源异质特征的紧致二进制编码学习

为了提高图像检索系统的精度,提出了一种基于多种异质特征的新颖哈希函数学习方法．该方法首先利用特征空间中相似样本与非相似样本分布的不平衡性来提升每个弱分类器的性能,从而建立非对称的Boosting框架;然后将一种基于异质特征子空间学习的线性判别弱分类器融入该框架下,并利用每轮算法中的误判样本的信息来依次学习紧致且平衡的哈希编码．该方法能有效地融合具有互补功能的不同模态的信息,实现了检索系统的性能提升．在2个公开数据集上的实验结果表明该方法优于其他算法,由此看出增加多源异质特征和利用不平衡性学习紧致哈希编码都可以大大提高图像检索的精度．     

在线教育弹幕情感信息智能识别模型研究——融合变式情感词典与深度学习技术

在线教育师生情感缺失问题是当前教育研究亟待解决的难题之一。在线教育弹幕文本作为学习者对在线课程内容及自身学习状态的实时反馈，隐含了大量情感信息，对于上述问题的解决具有重要意义。然而，目前鲜有针对在线教育弹幕文本开展情感分析的研究。基于此，设计了一种融合变式情感词典与深度学习技术的在线教育弹幕情感智能识别模型。具体而言：通过构建弹幕种子情感词集，计算弹幕文本与情感种子短语间的相似度，实现极短弹幕文本情感识别；借助BERT动态表征弹幕文本，双向长短时记忆网络挖掘弹幕文本中的深层特征，实现常规弹幕文本情感识别；融合两类弹幕文本情感识别信息并更新后，完成在线教育弹幕文本情感信息的智能识别。研究通过模型对比实验检验模型性能有效性，并借助具体案例验证模型应用可行性。     

基于深度学习的学生教学评价情感分析

随着教育信息化建设的深入推进,教学系统中积累了海量的学生教学评价数据,这些数据蕴含了丰富的信息,亟待挖掘利用。为了挖掘学生教学评价中的情感倾向,为提高教学质量提供科学依据,文章提出了一种基于双通道深度记忆网络的深度学习模型,用于学生教学评价的方面级情感分析。在该模型中,设计了双通道策略以充分提取评语中隐含的局部特征和上下文依赖信息,并使用循环注意力机制提取与特定教学方面相关的情感信息以实现细粒度的方面级情感分析。通过在真实的教学评价数据集上进行实验,结果表明,所提出的方法能有效挖掘学生评价中关于不同教学方面的情感倾向,为教师和教学管理者了解并改进教学提供依据。     

基于多尺度特征先验的图像拼接篡改检测

针对现有图像拼接篡改算法存在识别准确度不高的问题,提出了一种基于多尺度特征先验的图像拼接篡改检测框架。首先,训练一个环状残差网络对数据集的深度特征进行学习,将训练得到的模型作为后续网络学习的先验知识。然后,开发一个由多个外部注意力块和环状残差块组合的分支网络,该分支网络有效地利用环状残差网络训练模型中的多尺度特征先验知识,进一步学习到精确的拼接篡改图像区域信息。为了进一步解决数据不均衡问题,结合二值交叉熵损失和Dice损失来设计模型训练目标函数,最终较为精确地检测出篡改区域图。大量实验对比数据表明,所提方法可以有效检测出不同场景下的拼接篡改图像,与对比方法相比有更高的检测准确率。为了进一步检验模型的鲁棒性,对压缩和噪声图像进行了实验测试,结果表明所提方法在鲁棒性方面也能取得较好的结果。     

基于贝叶斯与生成式对抗网络的手写字文本识别算法

为了提高机器学习算法对手写字文本识别能力,克服个体手写字风格多变的干扰,设计了一种基于贝叶斯与生成式对抗网络的手写字文本识别算法。首先,建立10000个汉字的手写字数组头,每个汉字数组头后面依附100种手写体,构建起1000000帧汉字文本图像帧,作为后续学习训练的训练集数据输入。然后,利用贝叶斯线性模型,结合线性回归和先验分布,基于手写字图像样本数据库,进行有监督的机器学习训练,得到机器学习算子,完成针对手写字的粗识别。随后,根据生成式对抗网络原理,创建生成模型和判别模型,设计自适应潜在损失函数和迭代终止函数,解决深度学习普遍存在的过拟合问题,完成生成式对抗网络算子,完成针对手写字的深度识别。最后基于QTcreator开发的集成平台来实现所提算法的功能,其中,机器学习算子由OpenCV视觉函数实现,深度学习算子由TensorFlow框架实现。实验数据显示,相较于传统手写字识别算法而言,所提算法具有更高的手写字识别能力。     

基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法

以改善聚类分析质量,更好地挖掘大学生体育锻炼行为特征为目的,研究基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法。通过背景减除的方式确定体育锻炼视频图像中的大学生身体,获取其二值图像,通过图像矩判断体育锻炼中大学生身体的质心,结合局部二值模式直方图特征与质心速度特征获取体育锻炼行为特征向量。构建基于蚁群算法的聚类模型,根据体育锻炼行为特征向量间的一致度实现体育锻炼行为特征聚类。同时针对蚁群算法收敛效率差,且有较大概率产生停滞问题的缺陷,通过优化信息素更新方式与蚂蚁选择路径方式优化蚁群算法。实验结果显示该方法能够准确提取体育锻炼行为特征,获取高质量的体育锻炼行为特征聚类结果。     

基于集成学习算法的高职生心理健康预测方法

针对高职院校学生存在的心理健康问题现状,提出一种利用集成学习算法——Adaboost进行心理健康预测的方法。该方法首先抽取心理健康测试数据特征,经过数据清洗和规范化处理后,以决策树为分类器对数据进行挖掘分析,运用Adaboost算法对决策树分类器进行多轮迭代训练以提高分类器的分类效能,建立起一种心理健康预测模型。利用该模型对某高校2015级2 780名学生的心理健康测试数据进行了分析。实验结果表明,该方法能够实现对敏感心理问题的有效识别,从而为高职院校心理健康教育提供规划和决策依据。     

基于自编码器的带隐变迁的迹变化挖掘

针对带有隐变迁的部分迹变化无法利用活动间的行为轮廓关系检测的问题,引入了一种基于自编码器的迹变化挖掘方法。业务系统参考模型未知,对原始日志中的迹执行变化操作时,添加隐变迁等操作会导致活动间的行为轮廓关系未改变、而实际迹执行存在变化。利用自编码器学习原始日志的分布特征,挖掘实际日志中的每条迹是否发生删除、插入和移动变化操作,从迹的角度出发实现活动变化挖掘。通过Pytorch仿真实验,本所提方法可以检测出实际日志中执行变化操作的迹,实验结果表明自编码器在迹变化挖掘中有效。     

基于神经网络算法的保险理赔应用研究

近些年,保险行业得到迅猛发展,同时,保险欺诈活动应运而生。面对保险欺诈,很多保险公司往往一筹莫展,导致骗赔猖獗。如何从以往的拒赔案件信息中,抽取有效识别欺诈案件的模式,促进保险业持续健康发展,成为保险行业研究的关键。数据挖掘在处理大批量数据,挖掘潜在关系方面具有无可比拟的优势。本文提出利用神经网络算法,从历史赔案信息中训练出识别欺诈案件的模型,并抽取赔案数据进行模型效果测试。实验证明,通过此模型筛选出的高理赔用户群具有较高准确率,此数据对保险工作人员具有一定的指导作用。     

基于3D卷积神经网络的人体行为识别方法

为了提高视频中人体行为识别的准确率,更好地利用视频中的原始信息,提取出更具有代表性的特征,提出一种基于3D卷积神经网络的人体行为识别方法。该方法构建了一个深层三维卷积神经网络模型,使用三维卷积核进行卷积操作,提取视频中人体行为的时域和空域特征,通过多层卷积操作对底层特征进行再组合,得到抽象的高维特征。在KTH数据集上的实验结果表明,该方法有较好的识别效果。     

基于四叉树和特征融合的图像特征提取的研究

图像特征提取作为图像处理中的一项基本技术,仅依靠单一的图像特征很难准确、可靠地描述图像信息.利用四叉树分裂合并和局部特征SIFT算法的特点,本文提出了一种基于四叉树和特征融合的图像特征提取方法,首先利用四叉树对图像进行区域分割,然后对分割图像提取颜色直方图信息,接着使用局部特征SIFT算法进行特征精提取,达到特征信息的融合,从而更好识别图像特征信息.最后对此方法进行实例仿真,所提特征能够较完整地表示图像的特征信息,冗余度比较小,具有良好的尺度不变性.     

基于多维互信息特征的跨模态行人重识别方法

针对如何缓解跨模态行人重识别任务中行人模态之间的差异性问题,提出一种随机通道邻近数据增强方法RCNA和一种结合多维互信息的U型网络UMME。RCNA通过选取同类别的可见光图像和红外图像进行数据增强生成新的行人图像,既满足了真实数据分布,又融合了可见光图像的形状和结构信息以及红外图像的语义信息,缓解了可见光图像与红外图像之间的模态差异性。UMME通过互信息提取模块UMI提取同类别行人之间的互信息特征,再经过特征整合模块MSIF将互信息特征嵌入语义特征,增强了同类别行人之间语义特征的一致性。所提出的方法在数据集SYSU-MM01和RegDB上的Rank-1和mAP分别达到70.48%、68.34%和91.70%、88.42%,与现有研究方法相比,取得了优异的识别效果。