手写数字深度特征学习与识别

深度学习中的网络结构设计、特征提取与融合是数据挖掘和模式识别理论和行业应用中的关键问题。文中以相关领域中的典型应用问题手写数字识别和权威数据库MNIST为实验平台(包含七万个手写数字图像),探索了深度学习网络结构的设计和特征融合问题,保证研究结果的实用性、代表性和可参考性。所给方案的步骤是:首先,设计非监督深度学习网络,进行非监督高层语义特征学习,提取深度特征(DF),探索特征的高层认知特点;其次,对手写数字数据库进行非监督多特征提取,包括HOG(梯度方向直方图)特征、PCA(主成分分析)特征、LDA(判别分析)特征、像素分布特征、穿越次数特征和投影特征,构建手写数字典型特征库(Library of Typical Features,LTF);最后,构建深度有监督学习网络,有监督地融合深度特征DF和典型特征库。实验结果表明,相比于文献中的典型特征,该方案能够将手写数字识别的错误率有效降低50%。

推进高校创新教学改革的若干建议

为了实现我国一流大学和一流学科建设的目标,高校需要不断进行创新教学改革,培养出社会所需要的复合型创新型人才。通过借鉴哈佛大学、麻省理工学院等世界一流高校的教学理念,以学生为主体,重视教学科研实践环节,发展BIM技术,推行创新教学,推动本科和研究生科研能力培养一体化,从而促进我国创新教学改革。

未知外部荷载下结构的在线损伤诊断

结构在线损伤诊断是目前土木工程界关注的热点问题之一.针对该问题进行研究,根据部分观测的结构加速度响应信号,基于扩展卡尔曼预测和优化函数对结构进行在线的物理参数识别及结构刚度突变的追踪,同时利用最小二乘识别未知外部荷载.数值算例表明,本文提出的算法能够较准确地识别系统参数和未知外部荷载,并且判断结构刚度损伤发生的时刻、位置和程度,且具有一定的抗噪性.