基于情感卷积与信息对称的突发公共事件谣言向度反转及弥合路径研究

[研究目的]为了探索突发公共事件谣言中信息对称、情感卷积与向度反转之间动态影响机制,以便有效地对突发公共事件谣言进行监控及治理。[研究方法]使用2015—2020年我国具有代表性的11起突发事件面板大数据,采用向量自回归、状态空间模型及线性规划对信息对称、情感卷积及向度反转之间关系及监管的弥合路径进行分析。[研究结论]研究发现：信息对称对向度反转产生负向脉冲扰动,情感卷积对向度反转产生正向脉冲扰动,信息对称及情感卷积的冲击效应均较大,且向度反转对两变量的脉冲响应均具有断尾效应;信息对称与情感卷积对向度反转的边际影响力均较大,且信息对称的边际影响大于情感卷积的边际影响;信息对称的弥合路径呈偏右的倒U型分布特征,情感卷积的弥合路径呈J型分布特征。根据研究结论,可制定有针对性的突发公共事件谣言信息对称、情感卷积及向度反转的监管措施及防控策略。     

百度推视觉搜索引擎 欲与谷歌一较高下

百度在2013年6月初揭晓其视觉搜索功能,预计成为中国首家视觉搜索引擎,用户凭借图片就能进行搜索。尽管谷歌早已提供视觉搜索服务,但百度大幅提高了在线搜索速度,显示出追赶谷歌的决心。据悉,百度视觉搜索基于一种被称为卷积神经网络的深度识别技术,与谷歌照片标签系统采用的技术相同。深度识别技术致力于模仿人脑运作,百度深度识别研究所已经研发出针对光学特点、人脸以及声音的深度     

S^（n）={Ki：1≤i≤n}—因子数的计数

本利用组合卷积分拆和公式推得A（Kn),最后得到两个图的S^(n)={Ki:≤i≤i}－因子数的计数公式。     

基于Matlab/Simulink的盲均衡算法仿真实验

结合科研成果进课堂活动,利用Matlab软件中的Simulink模块设计了基于神经网络的数字信道盲算法仿真均衡实验。该实验以信号与系统课程中反卷积教学内容为切入点,将盲均衡算法的科研成果引入课堂教学。该文对盲均衡算法的原理和其与反卷积的关系进行了介绍,推导了状态方程,并给出了基于Simulink的算法仿真验证模型,最后对仿真结果进行了分析。教学实践证明,该实验促进了学生对反卷积知识和通信理论的理解。     

泊车机器人障碍物视觉识别系统研究

针对智能停车库中的泊车机器人视觉系统研究需求,提出一种基于双目视觉的泊车机器人障碍物识别系统。通过双目摄像头进行图像采集,利用张正友棋盘标定法进行双目相机标定;采用Bouguet进行立体校正,将高斯滤波与拉普拉斯算子相结合进行图像预处理;采用YOLO卷积神经网络对目标障碍物进行快速识别;利用区域匹配算法进行立体匹配并生成目标障碍物视差图;通过成像点和目标障碍物的立体几何关系计算得到目标障碍物的深度信息。实验结果表明,该系统具有良好的实时性和较高精度,障碍物识别时间平均为0.0901s,在2 600mm具有最佳测距精度,可为泊车机器人自动泊车提供保障。     

基于2DPCA特征降维的CNN说话人识别

针对使用话语级特征参数矩阵作为卷积神经网络输入而导致收敛速度慢及识别率低的问题,提出一种基于二维主成分分析(2DPCA)特征降维的卷积神经网络(CNN)说话人识别方法.首先将每段语音分帧成多个帧级语音并提取同等大小的帧级特征组成特征矩阵,然后利用2DPCA对特征矩阵进行降维处理,再将得到的主成分特征向量组合成新的特征矩...     

基于卷积神经网络的心律失常识别

心电图是检测心律失常的重要工具.传统心电信号分类方法有着复杂的特征提取任务,无形中会增加计算量.为避免复杂的特征提取任务并且提高心律失常的识别率,提出一种由四层卷积层、三层池化层以及两层全连接层构成的卷积神经网络模型.经过训练和测试,基于卷积神经网络的心律失常识别的总识别率达到99.49％,正常搏动N、左束支传导阻滞L...     

基于时域卷积盲信号分离的雷达干扰抑制算法

把卷积盲分离算法应用于雷达系统抗干扰中,提出一种新的雷达系统干扰抑制算法. 该算法在时域中对四阶累积量进行联合块对角化,以实现雷达信号和干扰信号的盲分离. 计算机仿真结果表明,在无噪及含噪情况下,该算法均可把卷积混合的雷达回波信号及干扰信号分离开来,且有很好的分离性能.     

基于深网图像识别模型的语音认证模式

目前,互联网身份认证普遍采用单一的固定密码认证模式,认证安全性非常低,因此迫切需要一种安全系数高又能普及的身份认证方式。声纹作为一种高活性生物特征,用于身份认证具有十分广阔的应用前景。基于深度学习（DL）的语音认证系统包含两个模型：声纹辨别（VI）模型和声纹文本匹配（VTM）模型,都基于卷积神经网络（CNN）。其中,VI模型是一个二分类模型,主要用于确认当前说话人是否为恶意（录音）攻击者;VTM模型是一个多分类模型,主要用来匹配用户预先设定的身份认证信息。通过实验,两个模型在ASVD数据集的识别率分别达到100%和98.3%,相比caffe-net模型,VTM模型的识别率提高了10.8个百分点。     

基于卷积神经网络的人脸表情识别研究

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。