基于Structure2vec算法的网络欺诈

现有特征选择算法往往只能处理简单的拓扑结构图形,对复杂的拓扑结构图形无能为力,为此选择Structure2vec算法对网络欺诈风险进行研究。在梳理相关文献基础上,对Structure2vec的数学原理进行分析,给出其对应的卷积神经网络模型;选择网络用户的信用历史、身份特质、行为偏好、履约能力和社会关系等5种类型特征数据,构建Stucture2vec关系图;利用Structure2vec算法编写Python程序,对样本数据进行训练,获得模型;利用测试数据对模型进行测试,获得特征向量和对应的风险评估值。结果表明,利用Structure2vec算法对网络欺诈风险进行特征选择和评估,效果优于一般卷积神经网络。     

一种注意力融合的多尺度点云分类网络

针对传统点云分类网络不能较好结合全局特征和局部特征信息、导致分类精度不够高的问题,提出一种包含注意力机制的特征融合模型。通过构建多尺度网络,增大网络感受野,从而获得不同程度特征。采用注意力机制进行特征融合,使得局部特征和全局特征相互补偿,增强特征描述符的语义丰富性,获得上下文有效信息,以此提高整体的分类精度。在公开数据集ModelNet 40上对该算法进行验证,取得92.85%的分类精度,验证该网络模型的可行性。     

基于深度学习的景点图像识别

景点图像识别是当前图像识别领域和智慧旅游领域的一项基本任务。景点图像识别属于大规模图像检索,哈希检索算法是检索中一种常用的方法。针对传统哈希算法以及深度哈希算法存在的问题,改进现有的特征提取策略,提出一种改进的深度学习哈希检索方法。使用特定的领域来划分景点图像,通过领域区分来提取具有更好表达能力的景点特征,利用深度学习训练哈希函数以进一步优化网络性能。实验结果表明,该方法能够有效识别景点图像,取得了查准率95.69%、查全率93.36%、F1测度值94.51%的良好效果。     

一种垂直分布环境下的特征选择及规则提取算法

特征选择及规则提取是数据挖掘过程中的重要环节.Rough集理论提供了一种新的属性约简即特征选择及规则提取工具,但目前Rough集理论研究主要针对单个决策表(或信息系统),分布式环境下的粗糙集理论研究还不多见.文章提出一种垂直分布环境下的特征选择及规则提取算法,算法分析结果表明,该种算法是有效可行的.     

Web网络信息挖掘系统的体系构建探究

针对Web网络通讯过程中存储的海量数据,运用新颖的数据挖掘技术或方法,发掘出数据中隐含的规律知识．为此提出关于web网络信息挖掘系统体系结构．阐述数据方块法、属性导向归纳法在数据预处理中的应用,深入探讨粗集属性约简算法、K—means聚类分析算法等在web网络信息挖掘系统体系的应用,提出的系统体系结构可为挖掘系统的实际研发提供有效指导．     

基于数据挖掘的三层入侵检测模型研究及应用

本文针对现有入侵检测系统的不足，根据入侵和正常访问模式各种不同的网络数据表现形式以及特定数据分组的出现规律。提出分层的网络检测模型，并在各个检测层建议运用不同的数据挖掘方法代替人工方法抽取入侵特征，以达到提高检测速度和克服人工抽取入侵特征的主观性目的。其中运用的数据挖掘算法主要有：关联挖掘、数据分类。     

延安地区大学生网络学习现状问题分析研究

随着网络技术的发展,网络学习已经成为大学生重要的学习方式,了解大学生网络学习现状,有利于分析当代大学生网络学习的特征和行为规律,从而改良现有网络学习环境,提升大学生网络学习效率。通过调查大学生网络学习生活的现状,对调查数据进一步分析发现,在学校和学生两方面都存在着诸多影响网络学习的问题,并且针对这些现实问题提出了相应的解决对策。     

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。     

基于深度表示模型的旅游路线推荐算法研究

针对现有旅游路线推荐算法在实际应用中景点标签缺失、依赖用户评分等缺陷,提出一种基于深度表示模型的旅游路线推荐算法。根据时空轨迹隐含的位置顺序和时间中的用户移动模式,建立深度表示模型对每个用户的时空间序列训练特征向量,并用Kmeans算法对训练结果进行聚类。为验证实验结果,将用户的移动模式应用到旅游路线推荐上,选择使用Gowalla上的签到数据集进行检测。实验结果表明,包含诸如“购物”,“夜生活”等标签的移动轨迹具备推荐价值。     

基于CNN的多尺度特征在手写数字识别中的应用

在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.     

融合注意力机制的深度交叉网络作物推荐模型

根据土壤数据进行作物推荐是农业大数据应用的重要内容之一.针对现有土壤数据推荐模型忽略土壤文本域信息、土壤数据交叉特征表达能力不足和无差别对待交叉特征问题,提出一种融合注意力机制的深度交叉网络作物推荐模型.首先,该模型对土壤文本数据通过向量化嵌入转化成低维稠密向量;然后通过注意力机制训练稠密向量交叉特征的权重;再连接数值...     

对人脸识别特征数据降维算法的优化

在模式识别领域,人脸特征数据相对庞大,为了提取人脸主要的特征数据,提高识别系统的运行效率,对特征数据的降维是必须的操作。针对现有降维算法对识别率有较大影响的问题,本文总结了各类降维算法,提出了一种优化的降维算法。     

实验数据的处理方法例析

通过对实验数据的分析处理,找出规律和结论,是科学研究的重要一环.只有采用正确的处理方法,找出数据间隐含的规律,才能正确解答.分析寻找实验数据之间隐含关系时,一般采用两种方法:一是找出数据之间存在的函数关系式;二是借助坐标图象,确定物理量间的数值关系.一、数据之间存在确定的函数关系实验中测量的两个物理量数据间若存在某种函     

基于多区域中心加权卷积特征的图像检索

针对图像特征局部信息描述不足问题,提出一种基于多区域中心加权深度卷积特征提取方法。首先通过卷积神经网络提取输入图像的卷积层激活特征图,然后通过计算不同通道特征图的差异,选择具有区分性的区域特征图,最后通过多区域权重进行加权聚合,生成用于检索图像特征向量。在不同的建筑物数据集进行实验,结果表明检索精度分别提升了1.2%、0.9%。     

基于ResNet-50与Bi-LSTM的驾驶员疲劳检测算法研究

疲劳驾驶是车祸的主要原因之一。针对现有面部疲劳检测模型存在对车内光照与面部遮挡敏感,系统疲劳检测准确低、泛化力弱,提出一种驾驶员疲劳检测算法,旨在对驾驶员面部多特征进行疲劳检测,提升网络泛化性与准确度。通过MTCNN定位人脸和人脸关键点,剪裁具有面部疲劳特征的图像,输入ResNet-50网络进行空间特征提取人脸局部疲劳水平,将疲劳水平串联输入Bi-LSTM网络进行时间特征提取,通过自适应特征融合算法对时间特征进行特征融合,通过分类器对整个视频进行疲劳分类。结果表明,该算法在YawDD疲劳检测准确率91.38%,在NTHU-DDD准确率达到89.36%;与主流的疲劳检测算法相比较,该方法准确度更高泛化能力更强。     

异构无线传感器网络负载均衡路由协议的研究

针对网络节点路由策略的不合理而引起的"热点"问题,提出一种基于D EEC协议的负载均衡路由算法E ADEEC.该算法采用簇间多跳、多路径的路由策略来构建均衡路由树,并对节点多的子路由树进行局部调整以进一步优化处理,避免热点因负荷太大而提早死亡,从而延长网络生存时间.仿真结果表明,相对于L EACH和DEEC,EADEEC的负载均衡性以及生存时间有明显改善.     

基于级联特征分类器的行人检测算法

为进一步提升方向梯度直方图-局部二值模式(HOG-LBP)特征融合的行人算法在检测精度以及加快融合后的算法检测速度,提出了一种基于级联特征分类器的行人检测算法。计算样本集的方向梯度共生直方图(CoHOG)特征和鲁棒局部二值模式(RLBP)特征,使用这两种特征训练两种特征弱分类器,并将两种特征融合训练CoHOG-RLBP特征弱分类器。针对算法中存在的特征维数过高导致算法检测速度慢的问题,将各特征分类器以不同数量进行级联,构建一个6级特征弱分类器组成的级联特征分类器实现对行人目标的检测,同时使用soft-NMS算法对输出的检测窗口进行融合。在INRIA行人数据集上进行实验,实验结果表明本文算法有效提高了检测的精度与速度。     

基于深度强化学习算法的高能效数据负载均衡方法

网络用户大幅度增加为网络发展带来机遇的同时也带来了挑战,当前使用的数据负载均衡方法节点数据分发能力较差导致网络节点吞吐量较低。因此,设计了基于深度强化学习算法的高能效数据负载均衡方法。选择隐式并行程序设计方法,设计网络数据并行程序。根据存储节点个数,设计数据分配与迁移方法。根据存储节点数据量与特征,选择深度强化学习算法,实现高能效数据负载均衡。构建仿真分析环节,经多次测试证实,深度强化学习负载均衡方法具有调节网络节点平均吞吐量的能力,且此方法的使用效果优于当前所使用的其他方法。     

融合颜色与LBP纹理特征的布料色卡图像检索

针对在采购与销售布料中存在人工配色不准确、查找分类难等问题,基于图像检索相关技术,通过融合布料色卡图像的颜色特征和纹理特征进行图像检索应用研究。设计了布料色卡图像颜色特征提取算法和基于LBP的纹理特征提取算法,并提出融合颜色特征和纹理特征的布料色卡检索算法。对提出的融合颜色和纹理特征的布料色卡图像检索算法在3个标准图像纹理库和实际布料色卡图像数据集进行了详细的对比测试。通过对测试结果的分析,得出在融合颜色和LBP纹理特征的布料色卡图像检索方法中采用先颜色后纹理的策略进行布料色卡图像检索是最有效的检索方案。     

利用复杂网络分析方法研究基因本体隐藏结构信息（英文）

为解决大规模本体理解问题,提出了一个从复杂网络分析的角度研究大规模本体结构信息和重要概念挖掘的方法.通过将基因本体的各种视图转换为网络进行全面分析,证明了整个基因本体具有明显的复杂网络特征,尤其是＂小世界特性＂和＂无标度特性＂;但其子本体的复杂网络特性没有这么明显,往往只具有＂无标度特性＂而没有＂小世界特性＂.同时,利用网络分析中常用的节点重要性度量算法对本体中的重要概念进行挖掘.在此基础上,提出了基于MEDLINE信息检索结果的概念重要性评价算法,评估几种节点重要性算法用于本体重要概念挖掘任务的正确性.实验结果表明介数中心性算法在各种节点重要性度量算法中最适合于本体重要概念挖掘.