基于深度学习的低信息量图片物体检测算法研究

本文探讨了物体检测模型在一些领域的应用困难,比如基于热像图的物体检测,基于x射线图的物体检测,由于这类图像信息量低,传统物体检测模型难以应用。本文提出了一种统一化的解决方案,利用pix2pix模型将信息含量较低的图片转化为常规图片,再利用SSD模型侦测图像中的物体。通过实验,验证了算法的可行性。     

基于改进SSD的液晶玻璃基板缺陷检测

在液晶玻璃基板生产过程中容易产生夹杂、气泡、锡点、节瘤、裂痕等多种缺陷，这些缺陷严重降低了液晶玻璃的性能，本文提出了一种基于深度学习的液晶玻璃基板缺陷检测，在SSD目标检测网络的基础之上，引入了ResNet中的残差模块用于主干网络的特征提取，同时对提取到的特征进行了跨通道多尺度的融合，经实验表明该方法可以有效地改善SSD网络对缺陷检测的精度，特别是提高了对小目标的检测的检测精度。     

基于多信息融合的火灾识别技术研究

为了解决传统火灾探测器采用单一火灾特征参量进行火灾识别不准确、不及时的问题,提出了多信息融合的火灾识别技术;并使用多参量火灾数据采集装置配接四种火灾探测器实时采集被保护区域的烟雾浓度、温度、火焰红紫外辐射量,使用网络摄像机同步采集火灾视频,形成火灾样本库;采用深度学习的方法对预处理后的样本集输入火灾监测与识别网络进行特征提取,之后通过注意力理机制模块为其分配不同权重并进行融合,得到完整的特征图进行火灾预测;可应用于基于边缘计算的火灾探测报警系统,便于集中管控,主动运维;多信息融合的火灾识别技术能够更加全面获取火灾发生时的多参量信息,可以同时监测火焰和烟雾信号,可以避免使用单一探测手段所存在的不足,提高火灾监测的可靠性。     

基于人工神经网络的计算机网络攻击预测模型

为提高计算机网络攻击预测结果的精准度,文章开展基于人工神经网络的计算机网络攻击预测模型构建方法的研究,根据计算机网络传输信息的正向传输方向,提取计算机网络节点信息,并对其进行预处理,在此基础上设计基于网络节点的计算机网络攻击预测模型架构,引进人工神经网络训练模型,计算模型预测结果损失值,进行模型中神经元反向传输预测结果...     

门限分位数自回归模型的预测方法及应用

金融经济系统预测是宏观经济管理的重要问题,系统中大多数变量具有非线性与异质性等特征,门限分位数自回归（TQAR）模型能够较好地揭示这一特征。本文研究TQAR模型的预测技术,给出其条件分位数预测和条件密度预测方法。数值模拟结果表明,与传统的门限均值自回归模型（TAR）和分位数自回归（QAR）模型相比,TQAR模型在预测的精度和准度方面更具优势。文章使用TQAR模型研究中国通货膨胀的非线性动态特征,并在此基础上预测通货膨胀的波动趋势。实证结果表明,TQAR模型不仅能够揭示通货膨胀的门限效应和异质效应,提供比TAR和QAR模型更高的预测精准度,而且能够通过条件密度预测曲线,细致刻画通货膨胀条件分布的位置、散布与形状等全景信息,从而为宏观经济政策的制定和调整提供科学合理的决策依据。     

融合注意力机制的YOLOv5交通标志目标检测算法

为了提高小目标检测的精度和减少漏检率,本文提出了一种基于YOLOv5改进的交通标志目标检测算法。通过融合注意力机制CBMA和加权特征融合网络BiFPN,同时采用SIoU损失函数以提高模型准确性。实验结果表明,本算法在CCTSDB数据集上实现了93.6%的m AP,相比于原始算法提高了6%。尤其在中远距离小目标检测任务下,该算法检测速度达到了63.13FPS,显著改进了原模型效果,满足了实时性要求。     

工业用电市场用电量组合预测方法研究

在总结现有用电量预测的主流方法基础上,对工业用电量数据特征进行分析,提出一种新的工业市场用电量预测方法。文章通过分析文献,总结了当前主流预测模型和方法的优势和劣势,从而提出灰色预测和梯度提升回归的组合模型。针对文章建立的模型,使用某地区四年实际用电量数据,与传统灰色预测模型、神经网络模型、单一梯度提升回归模型的预测结果进行对比,发现该组合模型在数据量较少或数据量比较充足的情况下,预测精度和稳定性很高,证明了所建立模型可靠性和有效性。     

基于机器学习的车辆价格预测研究

随着社会的进步与发展，我国机动车的保有量逐步上升，与此同时，车辆的交易市场也在逐步扩大。因此，合理对车辆价格进行评估成为车辆交易市场最值得关注的事情。文章通过对不同车型的几类特征使用热力图进行相关性分析并且删除冗余特征，最后用四种机器学习模型对数据进行预测，通过一系列量化指标得出预测效果最好的模型。实验结果表明，该模型具有较高的精确度，能够有效预测车辆价格，同时也能为二手车交易市场提供一定参考。     

基于LDA主题模型的上市公司违规识别——以中国A股上市银行为例

以我国2010—2019年的A股上市银行年报为样本,利用LDA主题模型深度挖掘年报语义信息并构建银行年报的主题指标,在多种机器学习模型上对比主题指标与常用的财务指标、文本特征指标及其与主题指标的合并指标在检测上市银行违规时的性能。研究发现：年报文本主题内容对上市银行的违规行为有一定的预测作用,且与单一传统指标相比,主题指标可以提升传统指标的违规识别性能。研究结果为使用年报文本主题信息和机器学习方法识别上市银行违规的有效性提供了直接的证据,为市场构建了一种有效的违规识别指标体系,为审计师找到了一种较为高效的违规识别方法,有助于进一步规避与防范审计风险。     

基于深度学习的水面无人清理船目标检测综述

水面目标识别对水资源环境具有重要意义。综合当前基于深度学习的目标检测方法的发展历程以及在水面中的应用情况,对水面目标检测数据集及检测方法进行了研究。首先介绍了目标检测网络的发展历程。接着,对当前常用目标检测方法进行总结,阐述水面常用的公开数据集及水面目标检测算法的实际应用。最后,对基于深度学习的水面目标检测提出今后的研究方向。     

基于深度残差网络的刀具磨损量预测方法研究

数控机床刀具磨损将直接影响着加工产品的精度,导致产品质量下降。在自动化程度越来越高的数控加工中,监测刀具状态变得更加困难。为了保证产品质量,快速、精确的预测刀具磨损量,本文提出基于深度残差神经网络的多传感器刀具磨损量预测方法,首先,该方法提取振动、切削力和声发射传感器信号的时域特征,然后,利用深度残差网络对时域特征进行监督学习训练,最后,把训练好的模型对测试数据进行测试。本文提出的模型通过试验验证其有效性,模型评价指标绝对均值(MAE)约为1.51×10-3mm,具有较高的预测精度。     

深度生存分析在电信客户流失预测中的应用

目前电信行业市场已逐渐趋于饱满,增加新客户极其不易,控制客户流失成为了目前三大运营商最需要解决的问题之一.文章主要基于生存分析与深度学习理论,证明深度学习在生存分析中的应用在预测风险方面表现优于或优于其他生存方法.通过Deep Surv模型,使该模型与基本Cox回归模型在预测后的C指数值进行比较,结果表明加入了深度学习的生存分析相比传统的生存分析模型对电信领域的预测效果更好.     

深度生存分析在电信客户流失预测中的应用

目前电信行业市场已逐渐趋于饱满,增加新客户极其不易,控制客户流失成为了目前三大运营商最需要解决的问题之一.文章主要基于生存分析与深度学习理论,证明深度学习在生存分析中的应用在预测风险方面表现优于或优于其他生存方法.通过Deep Surv模型,使该模型与基本Cox回归模型在预测后的C指数值进行比较,结果表明加入了深度学习的生存分析相比传统的生存分析模型对电信领域的预测效果更好.     

深度生存分析在电信客户流失预测中的应用

目前电信行业市场已逐渐趋于饱满,增加新客户极其不易,控制客户流失成为了目前三大运营商最需要解决的问题之一.文章主要基于生存分析与深度学习理论,证明深度学习在生存分析中的应用在预测风险方面表现优于或优于其他生存方法.通过Deep Surv模型,使该模型与基本Cox回归模型在预测后的C指数值进行比较,结果表明加入了深度学习的生存分析相比传统的生存分析模型对电信领域的预测效果更好.     

论网络对信息来源社会化的影响

网络增强了社会互动,社会互动促进了信息互动。网络使个体图书馆的文献信息资源具备了广泛的社会性特征。网络控制着信息的集散,也控制着人们信息消费的广度与深度。     

基于小世界网络的服务供应链研究

大量的统计数据表明,社会网络模型应该是小世界网络。由社会人作为其行为主体的服务供应链具有社会网络的共性特征。通过对服务供应链的分析表明,其具有典型的小世界网络特征。通过运用小世界网络的断键重连等理论分析,提出重视服务供应链核心企业的建设、打破区域限制在全球寻求最佳合作伙伴、增强信息传播速度和可靠性等加强服务供应链建设的方法。     

改进YOLOv5的车辆目标检测研究

车辆目标检测的实时性和精度是判断检测算法是否满足检测需求的两个重要指标，也是当前提高车辆目标检测算法的难点。本文从深度学习入手，改进YOLOv5算法，在网络模型中通过引入注意力机制、改进损失函数、引入SAConv模块，达到提高车辆目标检测实时性和精度的目的。最后，在真实交通环境中进行实验，结果证明改进后网络的整体性能得到了提升，训练速度提升20%，模型精度提升2.2%。     

论数据挖掘技术在网络信息安全管理中的应用

在本文中主要阐述了数据挖掘技术在网络信息安全管理中的应用背景、目标、应用模型和算法(以Apriori算法为例)等。通过在网络信息安全管理系统中应用了数据挖掘技术,从而实现对各类网络信息安全事件信息的整理、分类和深度关联分析,从而为网络信息安全管理工作提供有效的政策支撑和安全态势描述,为有效提升网络信息安全的主动防御能力提供了技术支撑。     

基于操作码N-Gram的Windows恶意软件检测

由于传统的检测方法必须获得恶意软件的签名之后才能对这类恶意软件进行检测,不能检测新型的恶意软件。本文用软件逆向分析技术反汇编软件样本,使用N-Gram算法提取操作码特征,再用信息增益算法选取操作码特征,最后利用数据挖掘和机器学习技术建立检测模型。根据建立的检测模型可以对未知的软件进行检测,避免了传统检测方法的弊端。     

基于图神经网络的交通流量预测方法研究

文章提出了一种新型的交通运输流预测方法。首先,提出了一个基于时间空间特征的交通流预测模型,其中道路交通流的空间特性的提取是使用图形卷积网络（GCN）进行的。其次,通过一个简单而强大的可变触发周期单元GRU来实现一种随时序改变的道路网络;在此基础上,利用sequence-to-sequence模型对道路各个阶段的时间序列进行了评估,并利用该模式来获取最终的预测结果。最后,以sequence-to-sequence模型为基础,采用了自动编码机制对模型进行了结构优化,使预报准确率有了很大提高。