泛中亚干旱区植物比叶面积观测数据集

泛中亚干旱区的气候复杂多变,植被具有较高的生态敏感性。比叶面积(Specific leaf area,SLA)是反映植物获取资源和适应环境能力的关键叶功能性状,已被广泛应用于植被响应环境变化研究。本数据集收集了2000–2023年泛中亚干旱区公开发表的植物比叶面积的文献资料,构建了泛中亚干旱区植物比叶面积观测数据集。本数据集包含362个物种共835条比叶面积的观测记录,涵盖落叶阔叶乔木、落叶针叶乔木、常绿阔叶乔木、常绿针叶乔木、落叶阔叶灌木、常绿阔叶灌木和草本植物7种植物功能类型。此外,还包含了采样点经纬度、海拔、地理区域等辅助信息。建立和共享本数据集有助于深入研究干旱区植物对气候变化的响应与适应,理解植物在资源限制性环境中的生存策略,并为生态系统模型优化提供可靠的数据支持。

改进移动加密流量分类的方法——数据质量分数

移动互联网的飞速发展使得针对移动加密流量的分类需求激增。深度学习分类方法依赖数据特征,但不同数据的特征量存在差异,均匀分配权重易降低性能。为此,提出一种称为数据质量分数(DQS)的方法来区分数据,并在损失函数中使用不同权重来减少低质量数据对模型参数的干扰,同时提升高质量数据的作用。通过Mirage-2019数据集上的实验验证该方法的有效性,首先对该数据集进行统计分析,确定特征选择;然后构建包含不同神经网络结构的分类模型进行实验,并加入DQS方法进行前后性能对比。5折交叉验证的结果表明,加入DQS方法后,不同网络模型的分类性能均有提升,且训练时间没有明显增加。

基于改进YOLOv4的苹果采摘机器人树枝障碍物深度识别

为识别特征不明显的树枝,尤其是机械手进行苹果采摘时遮挡住苹果位置的树枝,提出了一种结合语义分割和YOLOv4来获取树枝语义骨架,以及识别出树枝位置框的方法。采用语义分割划分树枝矩形包络的方法,剔除影响树枝识别效果的小树枝和分支,再用labelImg和labelme工具对数据集进行标注;对训练的网络模型添加了3层最大池化层,并在回归损失方面对YOLOv4的CIOU回归损失函数进行了改进,提出了针对复杂特征、适范围提高预测准确率的置信度相关函数BIOU。结果表明,改进的YOLOv4网络模型训练遮挡苹果位置树枝的F1和AP分别比原始网络训练全部树枝高出20.00个百分点和23.36个百分点,获得训练效果更好的数据集和树枝识别网络。

基于深度学习的奶牛乳头检测方法研究

为提高奶牛乳头目标检测的精度和速度,在YOLOv5算法中引入卷积注意力机制(Convolutional Block Attention Module,CBAM)和轻量级卷积模块(Ghost module),提出一种改进的CG-YOLOv5目标识别算法。改进的方法:首先,引入CBAM注意力机制,用于学习和提取奶牛乳头目标图像相关特征;其次,通过Ghost模块轻量化C3骨干网络,减少参数和计算量;最后,采用EIoU(Efficient iou)损失函数替换CIoU(Complete iou)的方法,以提高模型的回归精度和收敛速度。试验结果表明:改进的CG-YOLOv5目标识别算法在奶牛乳头数据集上表现出色,平均检测精度达到92%,检查帧率达到33.6,相较于原YOLOv5算法分别提高4%和16%。该算法在检测精度和速度上均优于原YOLOv5算法,验证了提出的CG-YOLOv5算法在奶牛乳头实时检测等场景的适用性。

基于改进Inception-ResNet的加密流量分类方法

基于深度学习的加密流量分类方法中的分类模型大多是深层直筒型结构,存在梯度消失的问题,且网络层数的增加会使模型结构和计算的复杂度显著上升。为此,提出了一种基于改进Inception-ResNet的加密流量分类方法。该方法通过改进Inception模块,并将该模块作为残差块以残差结构连接的方式嵌入卷积神经网络来构建分类模型;此外,改进分类模型的损失函数,并使用VPN-nonVPN数据集来验证所提方法的有效性。实验结果表明,所提方法在2种场景的分类实验中的精确率、召回率、F1值分别达到了94.21%、92.53%和93.31%以上。在与其他方法的对比实验中,以分类难度最大的12分类实验为例,所提方法比C4.5决策树算法和1D-CNN(1 Dimensional-Convolutional Neural Network)在精确率上分别高出13.91和9.50个百分点,在召回率上分别高出14.87和1.59个百分点。与CAE(Convolutional Auto Encoding)和SAE (Stacked Auto Encoder)等方法相比,所提方法虽然在各项指标上没有明显提升,但在单次训练时长上却有明显缩短,充分表明了所提方法的先进性。

多景深图像聚焦信息的三维形貌重建:数据集与模型

受限于数据采集方式的多源异性与三维重建结果的昂贵标注,现有基于多景深图像聚焦信息的三维形貌重建方法通常需要根据具体应用场景设计,缺乏场景适应性.本文提出一种多景深图像数据集构建的理论与方法,并在此基础上设计具有良好鲁棒性的深度网络模型.构建的多景深图像数据集(MDFI Datasets)旨在剥离图像实际语义与深度信息的强关联性,通过联合输入图像序列的富纹理特性与三维形貌固有的同质与阶跃特性,提出形貌核函数非线性空间映射方法扩展数据集的多维性与多样性.设计的深度三维形貌重建网络模型(DSFF-Net)以U-Net为基础网络,添加可变形卷积模块(Deformable ConvNets v2)增强网络的特征提取能力,全新设计的局部-全局关系耦合模块(LGRCB)有助于提升模型全局聚焦信息的聚合能力.为验证MDFI Datasets的跨场景适用性和DSFF-Net模型的鲁棒性与泛化性,本文从四个不同方面进行实验对比分析.实验结果表明,相较于最先进的鲁棒聚焦体积正则化的聚焦形貌恢复算法(RFVR-SFF)和全聚焦深度网络(AiFDepth-Net),本文提出的DSFF-Net模型在RMSE指标上分别下降15%和29%;大景深场景实验表明,本文提出的数据集构建方法能够适应实际应用场景。

一种基于词频-逆文档频率和混合损失的表情识别算法

面部表情能自然高效地表达人类的心理活动和思想状态,影响着人们的沟通交流过程。在诸多智能化应用中,人脸表情识别是人类与机器间建立情感交互的重要基础。在细粒度人脸表情识别任务中,由于特征提取网络对表情产生区域的关键特征处理不足,从而引发细节特征信息丢失问题。提出一种词频-逆文档频率注意力机制TF-IDF SPA,通过该机制调整表情产生关键区域的注意力分布,强化网络对该区域关键细节特征的提取能力。同时,为了应对表情识别任务中普遍存在的类间差异小、类内差异大的问题,设计一种改进型混合加权损失函数,以增强表情类内聚拢性同时增大类间距离。依据数据集中样本的数量分布情况,动态调整损失函数的分类权重值,从而强化模型对小数据量样本的学习能力。在此基础上,将结构简单的TF-IDF SPA模块与卷积层共同堆叠以构建人脸表情识别网络。实验结果表明,该网络具有较好的人脸表情识别性能,在FER2013和CK+数据集上的分类准确率分别达到73.52%和98.27%。

基于MNIST数据集的激活函数比较研究

本文基于卷积神经网络(CNN),在经典手写数字识别MNIST数据集上对比了四种常用激活函数:Sigmoid、Tanh、ReLU和Re LU6。通过详细阐述激活函数的基本原理并进行实验分析,可以发现,ReLU6函数在现有神经网络算法中表现出较好的性能,具有较高的准确性和稳定性。然而,激活函数的选择应根据不同任务和数据集特点进行调整,并关注新型激活函数的研究和应用,以进一步提高神经网络的性能、泛化能力和计算效率。本文旨在为研究者和从业者提供关于激活函数选择的参考和启示。

基于眼动追踪的食物消费行为分析数据集——以功能性食品为例

随着眼动追踪技术深入发展,以及在行为经济领域的结合应用,目前在消费行为研究中结合眼动追踪技术进行探索分析已逐步成为主流。近年来,在食物消费行为领域结合眼动分析的研究迅速增长。其中功能性食品备受消费者关注,本数据集对消费者选购功能性食品过程中的眼动数据进行记录和保存,为研究消费者对功能性食品的消费偏好和购买行为提供数据支撑。本数据集利用眼动追踪技术开展选择实验,收集了151名消费者选购功能性纯牛奶过程中视觉注意力数据,涵盖总注视时长、平均注视时长、首次注视时长、注视频次、瞳孔直径5个维度指标以及最终购买决策,共755条数据,所得结果均经过人工质量检验,数据处理按照规范化步骤完成。本数据集为广大学者从行为经济学视角分析功能性食品消费的影响因素提供数据支持,并为利用眼动追踪技术开展功能性食品视觉营销提供了基础数据和实验范式。

基于手写体数字识别的激活函数对比研究

针对手写体数据集在卷积神经网络训练时分别使用sigmoid、tanh、relu与mish激活函数进行实验,对这四种激活函数下训练集误差值收敛曲线以及测试集精度曲线进行算法结果分析,实验结果表明,mish激活函数在手写体数据集上进行卷积神经网络训练时效果更佳,而同样得出不同的训练数据集、激活函数的选择会影响算法对数据的拟合度和神经网络的收敛性。

基于双排队系统的软件可靠性增长模型

针对基于有限排队系统的软件可靠性增长模型(SRGM)忽略软件交付与检测之间的时间延迟问题,提出双排队系统建模技术,构建一个引入故障检测等待延迟和排错等待延迟的SRGM。建模中考虑测试工作量函数(TEF)参与构成的复合型故障检测率(FDR)和不完美排错现象,在4个公开发表的失效数据集上与5个经典SRGM进行比较与分析,验证建立模型的拟合能力和预测能力。实验结果表明,建立的模型在软件可靠性评估和预测方面具有良好性能。

针对非平衡数据分类的新型模糊SVM模型

提出了一种新的模糊支持向量机模型——非平衡数据分类的支持向量机模型,通过改进惩罚函数,降低模型对于含有噪声点的非平衡样本数据的敏感性,并采用网格搜索算法来确定各个支持向量机模型中参数的优化取值.研究结果表明,非平衡数据分类的支持向量机模型对非平衡样本数据进行分类的效果优于其他方法,不仅总体判别精度较高,也提高了少数类样本的判别精度,取得了较好的改进效果.

基于核函数距离测度的LLE降维及其在离群聚类中的应用

局部线性嵌入算法(locally linear embedding,LLE)是一种流形降维方法,在高维稀疏数据空间中,针对LLE不适合稀疏采样和欧氏距离公式的缺陷,研究该算法的扩展,引入核函数,并将样本映射到高维特征空间,核映射改善了样本的空间分布,改进的LLE方法在适当选取近邻点个数情况下,可得到良好的效果。对从高维采样数据中恢复得到低维数据集,通过本文提出的离群数据假设,并结合本文给出的离群聚类方法对所得低维数据是否是离群数据进行判别。仿真文验的结果表明了该方法能够有效地发现高维数据集中的离群点,与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一条新的途径。

基于人工智能技术的图书馆书目协同推荐系统

针对传统的图书馆书目协同推荐系统随着用户数量的增加,返回推荐结果所需时间较多,为此,设计基于人工智能技术的图书馆书目协同推荐系统。选用16位宽的处理器处理多种数据,在其内部安装微型存储器,方便数据的输入和输出。引用人工智能技术训练书目数据集,利用迭代函数通过多次迭代获得最优推荐集合,利用程序代码将结果发布在系统的表现层中实现书目协同推荐。结合硬件设计和软件设计完成图书馆书目推荐系统设计。测试结果表明,在相同的测试环境下,与传统的两种推荐系统相比,人工智能技术的图书馆书目协同推荐系统返回推荐结果所需时间得到了缩减,说明该系统更适合应用在图书馆书目协同推荐中。

处理不平衡样本集的欠采样算法

支持向量机(SVM)在处理不平衡样本集时,对少类样本的分类效果很不理想。为提高支持向量机在处理不平衡问题上的分类效果,提出了一种核函数选取与欠采样相结合的算法,在提高少类样本准确率的前提下,将多类样本的分类准确率的损失降到最低。该方法首先基于特征空间的可分性选择最佳核函数,然后根据特征距离进行欠采样。基于UCI标准样本集的仿真实验结果表明了该算法是合理有效的。

基于改进激活函数的用于台风等级分类的深度学习模型

针对特定任务中深度学习模型的激活函数不易选取的问题,在分析传统激活函数和现阶段运用比较广泛的激活函数的优缺点的基础上,将Tanh激活函数与广泛使用的ReLU激活函数相结合,构造了一种能够弥补Tanh函数和ReLU函数缺点的激活函数T-ReLU。通过构建台风等级分类的深度学习模型Typ-CNNs,将日本气象厅发布的台风卫星云图作为自建样本数据集,采用几种不同的激活函数进行对比实验,结果显示使用T-ReLU函数得到的台风等级分类的测试精度比使用ReLU激活函数的测试精度高出1.124%,比使用Tanh函数的测试精度高出2.102%;为了进一步验证结果的可靠性,采用MNIST通用数据集进行激活函数的对比实验,最终使用T-ReLU函数得到99.855%的训练精度和98.620%的测试精度,其优于其他激活函数的效果。

数字图像识别的代价函数选择和性能评价

针对传统二次代价函数在卷积神经网络训练过程中图像识别准确率不高的问题,提出基于交叉熵代价函数的卷积神经网络算法。经数学推导,证明交叉熵代价函数较二次代价函数在图像识别中精度更高,并应用MNIST数据集和CIFAR-10数据集,使用AlexNet卷积神经网络,分别采用二次代价函数和交叉熵代价函数对图像识别模型进行训练,当数字图像识别精确率和损失值稳定后,使用测试数据对代价函数进行多次测试,对比识别准确率。仿真结果表明,此方法不仅能提高数字图像识别的准确率,而且相较于传统的代价函数,训练模型速度更快,明显缩减了训练深度神经网络模型的过程。

径向基函数神经网络快速算法及其应用

经典的径向基函数神经网络学习算法因其能逼近任意连续函数,因而应用广泛。但在实际应用中,当训练集有较大数据容量时,需要较高的计算代价,限制了其进一步应用。针对上述问题,文章通过引入ε不敏感损失函数和结构风险项,并借鉴核心集快速算法,探讨适合大样本快速训练的径向基函数神经网络学习算法。将该算法应用于人造数据集和UCI真实数据集,并与传统的径向基函数神经网络学习算法相比,发现所提算法在大规模数据集场景下,具有更好的适应性。

基于改进划分系数的模糊聚类有效性函数

针对典型模糊聚类算法难以准确获取最佳聚类数的问题,提出了一种基于改进划分系数的模糊聚类有效性函数.在划分系数方法基础上,将类与类之间的分离性和类内的紧致性相结合,引入指数函数有效抑制噪声和孤立点数据对聚类有效性的影响.仿真实验将所提及的聚类有效性函数应用于模糊C均值聚类中,分别对两组自定义数据集和IRIS数据集进行了有效性验证,实验结果表明,本文提出的模糊聚类有效性函数能够准确划分最佳聚类数.

面向大规模噪声数据的软性核凸包支持向量机

现有的面向大规模数据分类的支持向量机(support vector machine,SVM)对噪声样本敏感,针对这一问题,通过定义软性核凸包和引入pinball损失函数,提出了一种新的软性核凸包支持向量机(soft kernel convex hull support vector machine for large scale noisy datasets,SCH-SVM).SCH-SVM首先定义了软性核凸包的概念,然后选择出能代表样本在核空间几何轮廓的软性核凸包向量,再将其对应的原始空间样本作为训练样本并基于pinball损失函数来寻找两类软性核凸包之间的最大分位数距离.相关理论和实验结果亦证明了所提分类器在训练时间,抗噪能力和支持向量数上的有效性.