基于元度量学习的小样本输电线路图像部件缺陷分类方法

对巡检图像缺陷准确分类是输电线路自动巡检领域中的关键技术之一。针对因缺陷类别图片数量少而导致传统深度学习方法容易出现过拟合与精度低的问题,提出了一种基于元度量学习的小样本输电线路图像部件缺陷分类方法。首先,搭建了基于小样本学习的图像分类网络,采用基于深度残差结构的卷积层来增强网络特征表达能力。然后,在度量模块中引入基于皮尔森相似度的k-近邻算法与局部特征描述符重加权机制,以提高网络分类能力。最后,为验证所提方法的有效性,利用巡检图像构成的数据集对本文方法和其他基于元度量学习的小样本分类方法进行实验对比分析。结果表明:该文提出的方法在分类性能上有明显优势。同时,本文算法的平均准确率在每类缺陷的测试样本仅有15张图片的情况下达到80.24%。

基于隐含狄利克雷分配模型的消费者在线评论复杂网络构建及其应用

为研究消费者在线评论的相互关系及整体演化发展,以隐含狄利克雷分配模型对消费者在线评论进行话题挖掘为基础,通过Pearson相似度确定评论间话题关系,构建了以评论为节点的复杂网络模型.以京东等平台上的手机评论语料库为例,对相应复杂网络的拓扑特性进行分析.研究表明,相同产品相同规模的评论网络统计特性相近;而相同平台上同一产品不同规模的评论网络性质差异明显,即小规模评论(产品销售初期)构成的网络是一个无标度网络,大规模评论(产品销售中后期)构成的网络演化为一个度分布为钟形分布的小世界网络.揭示了消费者发表在线评论行为之间相互作用,会影响整体评论网络的拓扑性质和演化规律,并为市场营销和管理实践提出了指导性建议.

基于用户评分和共同评分项的协同过滤算法研究

针对协同过滤算法存在的问题进行改进,以提高评分预测和推荐结果的准确性。传统的相似度度量方法只考虑用户评分,过于简单,在皮尔森相似度的基础上引入用户评分时间和商品流行度对用户评分进行加权处理,并与基于共同评分项规模的相似度计算进行加权组合,使得计算结果更加准确,也更符合现实意义。实验结果表明,新算法评分预测的平均绝对误差明显低于皮尔森相似度,将MAE降低了10%以上,并提高了推荐的召回率和覆盖率。该算法只在电影评分数据集上进行实验验证有一定的局限,但能够提高协同过滤算法的准确性,具有一定的现实意义。

基于实例推理的复杂产品设计协同研究

高效、高质量确定复杂产品初步设计模型是缩短产品研发周期的关键,本文提出了一种基于改进皮尔森相似度实例推理的复杂产品设计协同方法。基于复杂产品多学科知识及产品单体库,构建了复杂产品多领域模型。根据复杂产品需求模型的性能指标,采用基于改进皮尔森相似度的实例推理,从多领域模型实例库中筛选复杂产品初步设计模型。为减少产品试样的“盲目性”,引入仿真推演与协同评价以获得初步设计决策。以平尾控制模拟系统为例,验证了所提方法的有效性,有助于缩短复杂产品研发周期。

基于协同推荐的英语教学资源管理系统设计

针对当前英语教学资源“迷航”和“浪费”问题,为进一步加大对不同英语教学资源的利用价值,提出一种基于改进协同推荐算法资源管理系统。为实现该系统,首先对系统的用例进行分析,在用例分析的基础上,分别对系统的功能和整体架构进行设计,并重点就协同推荐模块进行设计。为提高推荐的准确率,对结合老用户的专业属性和其他属性,采用混合推荐算法完成对学习资源的推荐,最后给出部分实现的界面。

克服小样本学习中灾难性遗忘方法研究

针对小样本学习在识别新类别时会出现灾难性遗忘的问题,提出一种小样本学习中克服灾难性遗忘的方法。结合卷积神经网络识别模型提取图片特征,引用注意力机制设计分类权重生成器,使新类权重的生成基于基类权重。通过基于皮尔森相似度的识别模型计算新类特征与基类图片分类权重之间的相似度,判断新类图像的类别。在三种数据集进行实验,结果表明:该方法使小样本图像分类的精度得到了一定程度的提升,同时不会牺牲基类的识别准确度,克服了灾难性遗忘。

基于特征集构建的计算机取证模型研究

计算机取证模型大致可以分为静态取证模型和动态取证模型两类。动态取证模型主要结合入侵检测技术,检测异常事件的发生,从而采集动态数据,对采集来的数据进行整理、归纳后并入证据库。静态取证技术是在事后取证,对涉事计算机设备进行分析处理,提取磁盘和移动存储设备的内容,对其进行分析归类,最后形成证据。该文主要结合事后静态取证技术提出一种基于证据文件特征集构建的取证模型,阐述了模型提出的目的和意义,分析了取证模型各模块的功能和实现方法,叙述了基于特征集构建的取证模型的取证步骤,最后介绍了皮尔森相似度算法在构建特征集模型中的应用。

基于用户的协同过滤算法对产品评分进行预测研究

如今是一个飞速发展的时代,数据每时每刻都在呈现一个爆炸式的增长,而如何利用好这么多数据,而且高效快速的提炼出数据背后的有用信息做出一个相关的预测,实际上是一个新难点,传统的预测方式可能根据大多数用户对电影的总体评价去进行相关评分的预测,但随着现代消费者越来越追求在小众群体中的融入性。基于用户的协同过滤算法,通过对以前的评分行为进行分析找出和他爱好相似的群体,通过皮尔森相似度在结合与他相似的用户进行分析。最终对该消费者还没有看过的电影评分进行预测,并且找到预测评分较高的电影进行推荐。