基于模型混合的智能交易行为异常检测

作为智能金融的重要体现之一,基于交易软件的智能化交易在国内金融市场方兴未艾,显著提升了金融交易效率。然而,智能交易软件类型丰富,其涉及的交易策略设计思路和算法复杂多样,造成交易存在异常、不合规风险。目前,对于智能交易行为的异常检测工作尚未充分展开。为此,针对交易数据类型的复杂性和专业性,提出了融合深度学习隐式表征学习和规则树模型显式规则学习的思路,对交易数据涉及的时序性和合规性分别进行建模。为验证所提模型的有效性,在股票、期货等多种类型数据上将其和一些代表性的基线模型进行了对比,实验结果表明该模型能够取得最佳性能。此外,对混合模型进行了进一步分析,测试了不同特征对于异常检测效果的影响。

深度可分离CNN在表情识别中的应用研究

目前,表情识别的研究主要集中在提高准确率、速率及鲁棒性上。对此,该方法提出一种新型网络结构,将传统卷积和深度可分离卷积相结合。在传统网络提取的二维特征基础上,对不同深度进行特征提取,实现二维特征向三维特征的转变,有效提高识别准确率和网络鲁棒性。同时,由于深度可分离卷积的特点,所提新型网络结构可大大减少网络参数,有效降低训练计算量并提高识别速率。实验结果表明,该模型在FER-2013数据集上拥有79.3%的准确率,在识别640*480的视频时,可达103帧/秒的识别速度。在现实场景的实时人脸表情识别中,也有较高的准确率和识别速率。