基于自编码神经网络的Single-Pass聚类事件识别算法

针对传统Single-Pass聚类算法存在的缺陷,提出了一种基于自编码神经网络的Single-Pass聚类算法。通过多个深层的隐藏层对原始数据进行降维,以更好地提取出原始数据的特征信息;并通过对边缘文本重计算来降低误检率,提高聚类精度。实验结果表明,该算法相比传统Single-Pass算法具有更高的聚类准确度,解决了聚类结果受数据顺序影响的问题。

“互联网+教学”模式应用于电气安装与维修实训教学的研究

随着我国教育制度的不断改进,中等职业教育的事业发展也迈入了一个崭新的阶段。为适应现代化发展的需求,我国更加看重技术型实用人才的培养,因此,中职院校中的实训教学工作的探索和革新势在必行。针对目前《电气安装与维修》实训教学课程中存在的现有问题,我校开展了互联网+教学模式的研究工作,希望能对中职院校实训课程的改革工作提供参考思路。

智能化对公信贷客户风险监测审计模型研究

近年来,对公信贷一直是银行资产投放的重要领域,规模和客户数量稳定增加。随着内外部经济、经营环境的日趋严峻,银行内部人员、信贷流程及内部控制等管理日趋复杂,审计部门利用传统抽样方法、规则模型监测方法等已不能满足风险前瞻预判和日常监督的要求。本文结合审计经验,从商业银行海量经营、管理等信息中选取风险因子,运用XGBoost等人工智能算法,辅助进行对公信贷客户风险监测,以提升审计效能。

基于LDA的中文词语相似度计算

针对基于语料库统计的词语相似度计算方法存在的一些缺陷,如:计算量大、向量的特征维度高、特征稀疏、忽略了词语的语义信息等,提出了一种基于latent Dirichlet allocation(LDA)的词语相似度计算方法,通过将词语的特征向量映射为词语的主题分布来计算词语间的相似度;通过与基于《知网》的词语相似度计算方法的对比,证明了该方法能有效降低特征维度,并具有较好的词语相似度计算效果。