多模态特征融合的裁判文书推荐方法

为了解决传统办案方式可能引起的"类案不同判"等问题,以及满足当事人查找预览与自身情况相似裁判文书的需求,本文提出了一种基于多模态特征融合的裁判文书推荐方法,学习高层次的裁判文书多模态融合特征表示,进而实现相似裁判文书推荐.该方法主要包括预处理、特征提取、特征融合和文书推荐四个阶段.实验结果表明,与只利用单一模态特征以及简单串联多模态特征的方法相比,利用本文方法学习到的多模态融合特征进行裁判文书推荐,推荐结果的准确率、召回率和综合评价指标(F1值)均有显著提高.说明本文提出的多模态特征融合方法对于推荐任务更加有效,体现了算法的优越性.

线阵CIS图像采集系统自动增益调节设计

为实现图像采集的灰度均衡,提出了线阵接触式传感器图像灰度自动增益控制的新方法,在了解线阵CIS图像采集系统基本结构的基础上,利用AD9822芯片进行64级增益设置,并采用二分法进行闭环增益参数的调节。实验证明,新方法提高了采集的图像质量,可以取得良好的二值化图像分割效果,并且线阵CIS图像采集系统结构简洁、易实现,能够满足实时处理的要求。

融合GAN与深度神经网络的混合信用评估方法

随着信用卡和个人贷款业务在金融业的快速增长,如何在信息有限的情况下检测潜在违约或坏账业务已经变得极其重要。信用评分领域面临的主要困难是样本不平衡以及分类器性能不佳,为此本研究首先提出了一种基于表格数据的生成对抗网络Tab-GAN,从原始数据中生成足够的违约样本;随后设计了一种基于CNN-LSTM的混合深度学习模型用于特征提取,该模型包含卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)两个子模型,分别从用户数据中提取静态局部特征和动态时间特征,并加入时空注意力模块对模型的输出进行重要度计算,从而抽取更关键的信息;最后在分类器层面引入焦点损失函数改进轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)分类器,实现违约风险的概率输出。在两个真实世界数据集中验证风险预测模型,实验结果表明生成对抗网络可以有效解决样本不平衡问题,CNN-LSTM+LightGBM模型在各项分类评价指标上均优于信用评分领域的其他先进算法,证明了该模型在信用评分领域的有效性和可移植性。

基于案例推理的民间借贷案件适用法律推荐

跨域立案是最高人民法院推行的一项便民利民的立案措施,其中要求对当事人进行适当的法律释明,具体包含案件适用法律条文、适当引导当事人明确诉请、固定争点、有效举证等。为了探索智能化跨域立案,对案件进行适用法律条文自动推荐,基于民间借贷案件,提出了基于案例推理的推荐方法。将历史案例作为推理的源数据,设计案件指标体系对案例数值化表示,并分析指标的重要程度,通过相似度计算对最相似的案例进行查找,提出一种排序权重方法,对相似案例的适用法律条文进行加权,设置权重阈值作为推荐法律条文的判断标准,并给出适用法律推荐结果。通过收集的民间借贷案由数据实验,结果表明基于案例推理的法律条文推荐具有较好的准确率和召回率,所推荐的适用法律条文对于跨域立案中的法律释明业务具有参考价值。

基于特征融合与Transformer模型的声音事件定位与检测算法研究

针对多通道环境声音检测问题,提出了一种引入Transformer结构的特征融合网络模型TBCF-MTNN。该网络模型以对数梅尔谱和广义互相关谱作为输入,首先通过CNN和GRU获取谱的局部特征以及时间上下文关系特征,之后将2种特征图通过Cross-stitch模块进行融合,有效解决了传统网络中多特征信息无法共享的问题;然后,将融合后的特征图送入Transformer进行特征的再次采集;最终,通过全链接层输出分类和定位结果。在TAU-NIGENS 2020数据集上的实验结果表明,所提出的TBCF-MTNN网络在声音检测任务中的分类错误率能够减小至0.26;在声源定位任务中与Baseline相比较其定位误差减小至4.7°;通过和Baseline、FPN、EIN等模型相比较,结果表明所提网络具有更优的识别检测效果。

基于YOLOX-s的农业害虫检测研究

针对现有目标检测算法难以应对现代农业环境下多种类害虫高精度检测的问题,提出了一种基于Swin-Transformer和YOLOX-s改进的ST-YOLOX-s目标检测模型,实现对30类常见害虫的有效目标检测工作。为解决YOLOX-s模型对小型目标害虫检测效果不佳的问题,在YOLOX-s模型基础上添加P2特征尺度,提升模型对小型目标害虫的检测能力;为弥补卷积神经网络对通道信息关注薄弱的问题,将高效通道注意力模块添加到YOLOX-s的CSPLayer,强化卷积神经网络的特征提取能力;为探索高效自注意力机制下的模型全局特征学习能力,将添加图属性的层次化Swin-Transformer结合到网络模型,弥补卷积神经网络忽视全局特征的问题;最后通过α-CIoU回归定位损失来实现高精度检测定位。实验表明,ST-YOLOX-s在多种类害虫检测上具有更好的检测性能,最终AP50以及AP50-95检测结果分别达到92.27%和67.32%,相比较YOLOX-s模型检测精度分别提高了2.01%和1.91%。同时ST-YOLOX-s检测模型与其他主流模型相比检测精度也有显著优势。

高校科研资源的个性化融合推荐

为满足高校师生对科研资源复杂的个性化服务需求,设计了高校科研资源个性化服务系统,简称个性化科研服务系统(PSRSS,personalized scientific research service system)。全面分析了高校科研用户的个性化科研资源服务需求,设计了基于数据层、融合多种推荐策略的推荐计算层、应用呈现层的多引擎融合推荐系统架构,基于不同推荐场景,比较了不同的推荐算法并对选择的算法进行了针对性优化,探讨了用户模型和科研资源模型的设计,实现了基于资源热度、项目内容相似度、相似用户协同过滤的Top-N推荐。系统提升了高校师生获取科研资源的体验,为高校科研资源个性化服务系统建设提供了新思路。

区间平均运算模型柔性化的研究

用泛逻辑学原理,把广义相关性引入到区间值逻辑,重新定义了柔性区间补、柔性区间与、柔性区间或、柔性区间平均等运算模型,且这些运算模型是连续可变的,还进一步证明了柔性区间平均的中介性、交换律、单调性和边界条件.以全新的观点给出柔性区间平均在h几个特殊点处的运算模型,并绘出其图形.

动态路径推荐算法在城市智慧交通技术中的应用

近年来,城市异常拥堵的交通已对人们的日常出行造成了很大困扰,这一现实情况为人工智能技术在智能交通领域当中的应用提供了良好的契机。主要探讨引入动态路径算法,对城市交通带来的影响,通过仿真实验得知,城市交通状况预测模型表现相对传统模型更加优秀,再利用动态路径推荐算法可以最大程度节约行驶时间,而且在20×20的栅格粒度情况下,节约率恒定,这样可以证实算法和模型的有效性。

基于注意力模型的多模态特征融合雷达知识推荐

为了能够在数量庞大的雷达技术资料中快速准确地找到科研人员感兴趣的雷达知识信息并进行推荐,提出了一种基于注意力模型的多模态特征融合雷达知识推荐方法,学习高层次的雷达知识的多模态融合特征表示,进而实现雷达知识推荐。该方法主要包括数据预处理、多模态特征提取、多模态特征融合和雷达知识推荐4个阶段。实验结果表明:与只利用单一模态特征以及简单串联多模态特征的方法相比,利用文中方法学习到的多模态融合特征进行雷达知识推荐,推荐结果的准确率、召回率和综合评价指标(F_(1)值)均有显著提高,表明提出的基于注意力模型的多模态特征融合方法对于知识推荐任务更加有效,体现了算法的优越性。

基于改进的AlexNet的乳腺肿瘤智能诊断方法

由于医学病理图像标注成本高、获取困难,采用数据增强方法对小样本数据集进行扩充。针对传统分类方法对特征工程过度依赖的问题,采用以AlexNet为架构的卷积网络对良性、恶性肿瘤进行全自动分类。为了解决AlexNet网络中间层改变原始数据分布的问题,引入批量归一化算法以减小网络中间层产生的偏移量,加速网络收敛,提高分类准确率。同时采用Dropout避免过拟合。实验结果表明,改进后的AlexNet网络分类准确率较原方法提高了6.09%,具有较好的鲁棒性和泛化性。

基于神经网络的英语口音识别

针对英语口音识别问题,首先基于梅尔频率倒谱系数(Mel-frequency cepstral coefficients,MFCCs),以卷积神经网络(convolutional neural network,CNN)-长短时记忆(long short-term memory,LSTM)网络为骨干网络,建立英语口音识别模型;然后对比研究了卷积神经网络-双向门限循环单元(CNN-bidirectional gated recurrent unit,CNN-BiGRU)模型和卷积神经网络-双向长短时记忆(CNN-bidirectional LSTM,CNN-BiLSTM)模型,并引入注意力机制,探索不同衍生模型在英语口音识别中的效果。实验结果表明,在小规模样本情况下,整体而言,CNN-BiLSTM模型对英语地域口音识别取得了较好效果,获得了74.0%的准确率。

基于AlphaZero的地铁列车大量速度曲线自动生成算法

在以往的地铁列车自动驾驶研究中,驾驶数据通常通过仿真生成单条运行曲线、对人工驾驶数据进行采样得到,不但实现方式比较复杂,而且效率较低、通用性不强。受AlphaZero系统启发,创新性地提出了人工生成虚拟地铁运行数据的思想。首先,根据一种五段式地铁列车速度曲线的运行方法,实现了虚拟数据的计算;然后,结合人类专家的经验设置牵引制动的区间分级、实际运行速度的分级、车站间距及变速距离分级等实际参数,缩小曲线数据范围,使其合理化;最后,通过Python编程得到大量数据,保存为数据集,绘制地铁列车运行时间频次分布图。通过观测发现,该虚拟数据覆盖各种运行时间,比传统数据更有利于地铁列车智能驾驶算法的研究。

基于深度学习的目标橘子识别方法研究

为了更好地解决自然条件下目标橘子的遮挡、重果问题,采用深度学习的方法对目标橘子进行识别,并用传统的目标识别算法与Faster-RCNN两种方法进行对比实验。根据大量的数据对比可知,传统的目标识别方法对自然光照敏感,对遮挡、重果的识别效果不佳,泛化能力及鲁棒性较差。而Faster-RCNN算法对光照及枝叶遮挡的识别更友好,更符合采橘机器人实际采摘的需要。深度学习方法有望在采橘机器人目标识别中得到更广泛的应用。

基于模糊神经网络的智能电气系统故障诊断方法研究

模糊神经网络既具有处理非线性问题的优势,同时又具备模糊的特性,使其在智能信息处理中具备强大的先天优势。本研究首先介绍了模糊控制基础理论,分析了基于RNN的控制技术和CNN的控制技术,然后结合基于深度学习提出LSTM长短期记忆单元的模糊控制技术,并与传统控制技术相比较,并经过仿真实验筛选出基于长短期记忆单元的控制决策技术,应用于电气系统故障诊断。

基于深度学习和超分辨率重构技术的图像缺陷诊断算法

虽然深度学习在图像检测领域取得了长足进步,但是由于变电站设备巡检图像背景复杂,导致了缺陷诊断面临一定的困难。本文提出了一种基于深度学习和超分辨技术的缺陷检测算法,一方面是锁定目标区域,聚焦检测设备,去除不相关的图像信息,大幅降低了图像有效信息的损失;另一方面是对检测设备进行超分辨率重建,提升分辨率,保证用于渗漏油缺陷检测的图像质量、像素信息的完整性。通过实验数据证明,该算法识别结果较其他算法有很大的提升,从而验证了该算法的优越性。

海天背景下的红外小目标检测与跟踪

为了提高海天背景下核主成分分析算法检测红外小目标的识别速度,提出一种卡尔曼滤波结合稀疏核主成分分析的红外小目标跟踪与检测的方法。首先,使用卡尔曼滤波器预测当前帧目标在下一帧中的估计位置,其次,根据预测误差协方差矩阵确定目标可能出现的范围;最后,在该范围内使用稀疏核主成分分析算法进行检测,得到目标位置。在海天背景下的红外图像序列上进行测试,实验结果表明,提出的方法与核主成分分析算法在60帧海天背景的红外图像上的平均检测时间分别是10.12s和310.51s。证明所提方法在保证检测精度的前提下提高了识别速度。

鱼苗分散通道的设计与工作参数

为了对鱼苗分选机分选后的鱼苗进行分散,从而方便计数,经多级挡板实现让鱼苗以排队分散状态通过鱼苗分散通道。经离散元仿真分析,研究鱼苗分散通道的装置倾角、挡板角度、进鱼量等等主要工作参数,通过设计正交试验得到工作参数的最优组合解,即当装置倾角为40°、挡板倾角为50°、进鱼量为2条/s时鱼苗分散系数能达到95%以上。以红鲫鱼为试验对象,试验验证了上述仿真结果。

社区人脸识别的技术途径综述

ID识别是21世纪以来的热门技术,常用的ID技术有指纹、人脸、瞳孔识别等。人脸识别技术是其中较为灵活的技术之一,基于深度学习的人脸识别技术能够克服传统识别对环境因素要求较高的场合,本文就社区人脸识别实现的技术途径进行探讨介绍。