LSTM多特征模型在风速预测的应用

为了降低风灾对人们正常生活和生产的影响,有效预测风速并及时预警,显得尤为重要。在机器学习中,风速预测可以归结为一个基于时间序列的预测问题,根据前T个时刻的风速观测数据建模,通过训练好的模型来预测T+1时刻的时间序列的风速数据。传统风速时间序列预测方法都是使用单一序列,往往会忽视掉其他因素的影响,容易造成预测结果的不准确。基于此,本文提出了一种基于长短期记忆(long short-term memory,LSTM)的多特征预测算法,利用耶拿气象数据集(Jena climate dataset)进行模型训练,并通过训练损失曲线和预测拟合曲线,验证了该模型的准确性。

基于大数据技术的高水平专业群建设质量监控系统设计与实现

基于大数据技术的高水平专业群建设质量监控系统是在全国职业院校建设双高校的背景下提出来的。该系统结合大数据技术,搭建高校数据中台,提供实施数据分析、质量监控和问题反馈等功能。借助该系统,高职院校能及时了解高水平专业群各建设项目现状,及时发现问题、解决问题、调整决策,高效、高质量地完成高水平专业群的建设。

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。

雾霾频发劳动保护空白如何填补？

2015年12月7日，北京首次发布雾霾红色预警，随即，工业企业停限产，施工工地被彻底要求停止作业，机动车实施单双号限行，中小学“停课不停学”，部分企事业单位实施弹性工作时间。在北京，部分医院呼吸科的病人数量增加近1／6，使用滴滴打车赶往儿童医院的看病者一天多了4成：外卖量及快递配送量同步增长，环卫等工作压力加大。仍然有很多人在“十面霾伏”中坚守，甚至“逆行”，“就是正常工作，没有特殊的措施和补贴。”很多人这样说。