基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

基于深度哈希算法的变电图纸文本标签跨模态检索方法

传统的信息检索方法主要依赖于单一模态的数据处理,难以有效应对这种多模态数据的复杂性和异构性,如何高效地实现变电图纸与文本标签之间的跨模态检索,因此,现提出基于深度哈希算法的变电图纸文本标签跨模态检索方法。通过提取变电站图纸的文本元素,反映出它们在变电站的图纸中的具体位置信息,为后续的变电站图纸文本标签的跨模态检索奠定了坚实的基础,采用图卷积网络技术对被检索标签进行行深度特征提取,生成富含语义相关性的标签嵌入向量,并与对应的变电站图纸的文本进行检索预测。

基于深度哈希算法的云计算虚拟机迁移模型

云计算中跨数据中心虚拟机迁移存在带宽小与无共享存储功能问题,导致迁移过程数据的安全性受到威胁。为降低带宽开销,提升抵御攻击能力,研究基于深度哈希算法的云计算虚拟机迁移模型。利用深度哈希算法获取需要迁移虚拟机基本镜像的类似程度,根据类似程度构建哈希图,依据哈希图构建云计算虚拟机迁移模型;通过上述模型中迁移代理主机实现虚拟机迁移时的信息传递;存储单元利用哈希图存储虚拟机基本镜像及镜像间的相似度;通过迁移单元迁移存储单元中需要迁移的基本镜像数据块,完成虚拟机迁移。实验证明,上述模型在不同负载时跨数据虚拟机迁移时间最短,带宽开销最低,并具备较优的抵御攻击能力,其SLA违反率既低又平稳。

基于Faster RCNNH的多任务分层图像检索技术

针对已有的以图搜图技术中自动化和智能化水平低、缺乏深度学习、难以获取精确的检索结果、检索技术存储空间消耗大、检索速度慢且难以满足大数据时代的图像检索需求等问题,提出了一种基于Faster RCNNH(Faster RCNN Hash)的多任务分层图像检索方法。首先利用选择性检索网络在特征图上进行逻辑回归,得到图像中各感兴趣区域的概率向量,在此基础上结合紧凑量化网络对其进行编码,得到图像紧凑量化哈希码;其次利用再次筛选网络获取各感兴趣区域中响应最大的区域感知语义特征;接着针对每个感兴趣区域,基于量化哈希h矩阵的精检索策略来对图像进行快速比对;最后选出与查询图像中的对应感兴趣区域最相似的图像。提出的多任务学习方法不仅能同时得到图像紧凑量化哈希码和区域感知语义特征,还能有效去除图像背景和其他对象信息的干扰。实验结果表明:所提方法能实现端到端的训练,自动选出更高质量的感兴趣区域特征,提高了大规模图像检索的自动化和智能化水平,其检索精度(0.9478)与检索速度(0.306s)均明显优于现有的大规模图像检索技术。

基于ARM+FPGA方案的便携式智能勘灾设备的设计

针对传统勘灾设备数据处理耗时时间长,图像信息采集模糊,设备体积较大的问题,该文设计出一种便携式智能勘灾设备。该智能勘灾设备将电子半导体微型处理器(ARM)和现场可编程门阵列(FPGA)相结合,能够完成灾区环境图形信息的采集。采用CMOS图像传感器完成灾区图像信息采集,利用深度非松弛哈希算法加快数据处理速度,利用求导公式更容易找出数据的规律,通过ARM和FPGA结合的方式完成整个设备的调控。对比验证分析三种不同勘灾设备的数据,该文设计的设备图像采集时间最短能达到0.2 s,图像质量更是达到3624像素,数据处理总耗时也只有73 ms,均验证了该文设备性能的优越性及设计方案的可行性。

基于分类识别的工程档案数据快速检索技术

传统的档案数据库检索方法数据处理时间长、效率低,而且使用关系型数据库等传统存储方式的成本高、鲁棒性差,文中以分布式存储数据库HBase为依托,提出了一种基于分类识别的工程档案数据快速检索模型。该模型主要由数据分类识别技术和数据快速检索技术模块组成。数据分类识别技术针对传统TF-IDF算法存在单词位置信息不敏感的缺点,使用类间和类内方法进行改进,并与朴素贝叶斯网络结合来提升分类识别准确率。数据快速检索技术模块则利用CNN和LSTM进行数据特征提取,采用哈希算法生成数据哈希码,提升了检索速度。在实验测试中,改进TF-IDF算法在不同数据集中准确率、召回率和F1值指标均为最优,检索时间缩短了10%以上且鲁棒性较强。实验结果表明所提方法超越了传统手段,兼具高效性与稳定性。

多任务分段紧凑特征的车辆检索方法

目的随着公共安全领域中大规模图像监控及视频数据的增长以及智能交通的发展,车辆检索有着极其重要的应用价值。针对已有车辆检索中自动化和智能化水平低、难以获取精确的检索结果等问题,提出一种多任务分段紧凑特征的车辆检索方法,有效利用车辆基本信息的多样性和关联性实现实时检索。方法首先,利用相关任务之间的联系提高检索精度和细化图像特征,因此构造了一种多任务深度卷积网络分段学习车辆不同属性的哈希码,将图像语义和图像表示相结合,并采用最小化图像编码使学习到的车辆的不同属性特征更具有鲁棒性;然后,选用特征金字塔网络提取车辆图像的实例特征并利用局部敏感哈希再排序方法对提取到的特征进行检索;最后,针对无法获取查询车辆目标图像的特殊情况,采用跨模态辅助检索方法进行检索。结果提出的检索方法在3个公开数据集上均优于目前主流的检索方法,其中在Comp Cars数据集上检索精度达到0. 966,在Vehicle ID数据集上检索精度提升至0. 862。结论本文提出的多任务分段紧凑特征的车辆检索方法既能得到最小化图像编码及图像实例特征,还可在无法获取目标检索图像信息时进行跨模态检索,通过实验对比验证了方法的有效性。