基于压缩激励网络的注意力因子分解机的点击率预测模型

在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction,SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network,DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。

时空压缩激励残差乘法网络的视频动作识别

针对双流网络结构中浅层网络和一般深度模型学习空间信息和时间信息的不足,提出将压缩激励残差网络用于空间流和时间流的动作识别,同时将恒等映射核作为时间滤波器注入网络中捕获长期时间依赖性。为了进一步加强压缩激励残差网络的空间信息和时间信息之间的交互,采用时空特征相乘融合,并研究空间流和时间流乘法融合方式、次数以及位置对识别性能的影响。鉴于单个模型获得性能的局限性,提出了3种不同的策略生成多个模型,并使用直接平均与加权平均集成以得到最终识别结果。HMDB51和UCF101数据集上的实验结果表明,所提时空压缩激励残差乘法网络能够有效提升动作识别性能。

基于挤压和激励残差网络的歌声检测

本文提出一种基于挤压和激励残差网络的歌声检测算法,运用该算法,不需要对音乐信号进行复杂的特征工程处理,仅需对网络输入简单朴素的声学特征,便能通过多层次卷积以及挤压和激励操作,学习到更多的有效特征,从而达到比当前流行的检测算法更强的性能.算法中,残差结构使得网络可以轻松扩展深度,挤压和激励模块能对深度残差网络中学习到的多个特征进行自动融合,进而使得学习到的歌声特征整体更有效.为了验证算法的可行性和有效性,本文选择了2个公开的数据集进行实验,并以目前性能最好的歌声检测框架之一作为基线系统,实验结果证明了本算法的性能领先于基线系统.

改进型生物激励神经网络的路径规划方法

针对生物激励神经网络在一些情况下存在的路径非最优问题，通过分析其产生机理，做出了相应的改进：对边界附近和障碍物之间的路径点引入了假想的非障碍物相邻点，增大了激励输入，使得这些路径点的活性值增大，解决了路径错判问题；同时，在下一个位置的决策中加入了转角最小因素，减少了路径的转折次数。仿真结果表明，改进后的生物激励神经网络方法适用于实时动态环境下的移动机器人路径规划，且全面地提升了路径质量。

生物激励神经网络路径规划仿真研究与改进

生物激励神经网络移动机器人路径规划方法是一种新颖的方法,可用于在动态不确定环境下生成实时的避障轨迹.本文的仿真结果表明当该方法被应用于点对点路径规划时,生成路径可能不满足路径长度要尽可能短的约束条件;当该方法被应用于全覆盖路径规划时,生成路径可能不满足覆盖过程应有规律和重复覆盖应尽可能少的约束条件.本文对上述出现的不合理现象进行了理论分析并分别提出了在点对点路径规划中引进目标制导和在全覆盖路径规划中引进规则制导的改进方法.仿真结果表明改进方法是有效的.

基于生物激励神经网络的清洁机器人遍历路径规划算法的改进

针对基于生物激励神经网络的清洁机器人遍历路径规划算法的遍历面积重复率和遍历路径总长度均较大的问题,对该算法进行了改进:在脱困算法中,采用实时监测机器人邻域神经元状态的方法,使机器人脱困路径缩短;引入邻域神经元状态准则,使机器人在遇到孤岛障碍物避障时,先沿障碍物边沿遍历.仿真结果表明,改进算法可以有效降低遍历面积重复率、遍历路径总长度和转弯次数.

基于多粒度时间卷积网络的超短期风功率预测

针对传统风功率预测方法通常基于固定时间粒进行研究,但该类方法往往忽略了其他时间粒度对风功率的影响的问题,提出一种基于多粒度时间卷积网络(MGTCN)的超短期风功率预测方法,使用时间卷积网络来挖掘多粒度视角下的风力机数据特征,并设计多粒度特征融合模块来增强模型的鲁棒性,提高风功率预测精度。首先,利用随机森林算法(RF)得到与输出功率相关性较强的部分特征数据;然后,对筛选后的特征数据进行多粒度划分,通过时间卷积网络(TCN)提取各个粒度的独立特征。最后,使用挤压激励网络(SENet)对不同粒度特征进行自适应加权融合,得到最终预测值。采用中国某风场数据进行算例分析,结果表明相较于其他方法,所提方法在24步预测任务和6步预测任务上取得了最佳的预测性能,具有较高的准确性和稳定性。在24步预测任务上归一化均方根误差、归一化平均绝对值误差和决定系数指标分别为0.152、0.108和0.7214,在6步预测任务上各指标分别为0.1027,0.0683和0.8717。

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型。以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法。计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力。

幂激励前向神经网络改进下的瓦斯涌出量预测

结合SPSS软件的最大方差旋转的因子分析法,设计出依据较少数据进行扩充丰富的随机调和算法,改进了双输入幂激励前向神经网络.该算法有效地解决了幂激励前向神经网络在采样数据较少情况下预测精度偏低的问题,改进的双输入幂激励前向神经网络需要利用权值直接确定法和最优结构法确定最优结构,然后利用随机调和算法在有限采样数据下生成大量训练数据,随之确定最终网络的最优权值,最后在给定次数的循环下确定验证数据的预测值.数值仿真结果表明该算法具有较高的预测精度.

基于威胁评估与生物激励神经网络的机器人路径规划研究

针对未知动态环境下移动机器人的路径规划问题,考虑传感器检测范围的有限性与动态障碍物运动的不确定性,提出一种基于动态威胁评估的改进生物激励神经网络算法。采用栅格法与基于虚拟目标点的滚动优化方式进行路径寻优。进一步地,提出一种基于直觉模糊集的动态属性决策方法,评估动态障碍物对机器人的威胁程度,并根据生物激励神经网络(BINN)的特点,在动态威胁模型中引入导向传递方式建立子激励模型,引入神经元“亲近值”改进神经元动态变化方程。最后,通过仿真实验验证了该改进算法的有效性。

从“植物大战僵尸”游戏看网络教育激励机制的建设

在当前的网络教育中,出现了"只见资源,不见人"这种现象,网络课程的学习只是把学习者当成了游客,最后网络课程网则成为了课程资源的囤积库。最主要的原因在于网络教育没有建构一个良好的激励机制。本文主要通过对植物大战僵尸这个游戏来分析网络教育中的激励机制。通过建设优秀的网络教育激励机制,创设各种激发学习者学习动机的条件,调动学习者的积极性,最终实现既定的网络教育目标的过程。

基于心脏磁共振电影图像的压缩激励残差U形网络左心肌分割

左心肌分割对心脏疾病诊疗具有重要意义.但左心肌内部毗邻乳头肌、小梁,外部与周围组织灰度相近,是分割难点.本文首先对心脏磁共振电影图像数据进行感兴趣区域提取等预处理;其次,搭建融合了压缩激励模块和残差模块的U形网络(SERU-net)分割左心肌;最后,利用75例数据训练SERU-net网络,对18例数据进行预测.基于本文方法的分割结果相对于金标准的Dice系数与豪斯多夫距离均值分别是0.902、2.697 mm;利用本文方法分割得到的舒张末期、收缩末期左心室心肌质量与金标准的相关系数和偏差均值分别是0.995、0.993和3.784 g、2.338 g.结果表明,本文方法与金标准匹配程度较高,有望辅助诊断心脏疾病.

基于改进的生物激励神经网络机器人路径规划算法

针对传统生物激励神经网络(BINN)在点对点全局路径规划中存在的路径偏离和路径非最优问题,提出了基于路径修正和无障碍理想路径制导的生物激励神经网络算法;路径规划的初始阶段,通过判断起始单元外部激励输入和起始单元活性值大小决定是否触发路径生成策略,从而实现初始路径修正;在生成下一位置单元的算法中结合无障碍理想路径的导向,引入实际路径单元与无障碍理想路径单元间的理想路径接近率,使路径神经元活性值增大,从而实现路径优化;在静态复杂环境下,分别以3种算法进行了对比实验;实验结果表明,改进后的路径规划算法相比传统生物激励神经网络算法和基于目标制导的生物激励算法,不仅解决了路径规划初始阶段的路径偏离问题,而且使路径长度和路径转折次数更低,效率更高。

基于挤压激励网络的恶意代码家族检测方法

恶意代码已经成为威胁网络安全的重要因素。基于机器学习的恶意代码检测方法已经取得较好的效果,但面对相似的恶意代码家族,往往效果不佳。对此,提出了一种基于挤压激励网络的检测算法,由卷积神经网络(Convolutional Neural Network,CNN)与挤压和激励(Squeeze-and-Excitation,SE)模块构成。CNN先快速提取恶意代码的图像特征,SE模块对多通道特征图进行全局平均池化,将全局信息压缩,然后通过全连接层自适应学习,并将每个通道特征图赋予不同的权重来表示不同的重要程度,指导激励或抑制特征信息。实验结果表明,该方法相对于传统机器学习方法有更好的检测效果,与深度学习算法相比检测效果也有一定的提升且参数量大大减少。

安全投资和保费分析下的网络保险激励策略

随着信息技术的大量应用,企业信息系统常常会面临不同种类的网络安全风险问题,对此,本文就巨型公司补贴供应商网络保费问题进行研究,并设计解决方案。通过构建安全投资激励下的供应商投资保险模型与保费激励下的巨型公司投资保险模型,本文考虑供应商脆弱性水平,公司受攻击性水平等因素对于期望效用的相关性影响,分析所需的最优保费补贴情况,并提出合理的网络保险激励策略,进而改善企业自身安全防御水平,提高公司效益。

浅论完善网络新闻激励机制的必要性

如今,网络已成为人们获取信息的主要渠道。网络原创新闻异军突起,越来越多的优秀作品涌现。但由于适用于网络新闻的官方激励机制并未得到完善,导致众多网络记者的作品没有资格参评。完善相应激励机制,对推动新媒体发展,做好网上舆论引导工作,有着不可小觑的重要意义。

基于网络的问卷调查回复率影响因素实证研究

本文从被调查者的角度,通过对692例被调查者的问卷调查,实证研究得出了影响被调查者参与网络调查的一些因素。对调查数据分析后发现,在网络调查中物质的激励在提高回复率方面并不具有国外相关研究中所起到的决定性作用,相反,被调查者参与网络调查最主要的原因在于其对所调查内容的感兴趣;导致目前网络调查过低的回复率原因在于其他的一些因素诸如:网络的安全性缺乏、调查问卷的设计不合理等等影响了被调查者参与网络调查的积极性。网络病毒成为和垃圾邮件一样阻碍网络调查健康发展的一个重要影响因素。另外,在文章的结尾提出了一些提高网络调查回复率的针对性的建议。

基于压缩激励残差神经网络的轴承损伤诊断

滚动轴承是旋转机械的重要零件之一,文中针对滚动轴承损伤类型有效识别问题,提出了一种基于压缩激励残差神经网络的滚动轴承损伤诊断方法。本方法对轴承原始振动信号使用连续小波变换提取特征,形成二维时频样本,再利用样本对压缩激励残差神经网络进行训练,最后在全连接层使用Softmax分类器实现对轴承损伤的分类。用QPZZ-Ⅱ旋转机械振动损伤实验平台数据验证模型性能。实验结果表明:该方法对不同负载下滚动轴承损伤识别的准确率达99.95%,具有良好的泛化性和鲁棒性。

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。

基于注意力机制和卷积神经网络的网络安全感知预测

为了提高网络安全防御效果,注意力机制和卷积神经网络成为研究的热点,但传统方案可能带来模型过拟合、计算和内存开销较大且缺乏空间上下文关系建模的问题。针对上述问题,研究基于注意力机制和卷积神经网络的网络安全感知预测方法,通过加深网络结构、添加dropout层、数据归一化、数据融合四个步骤的改进,最终得到改进挤压与激励网络方案。实验结果表明,该方案收敛速度较快,在65轮迭代后收敛,最终准确率收敛于97.3%。在融合五条数据的情况下,准确率达到最高为97.5%,说明研究建立的网络安全感知预测模型具有较高的准确率以及强大的泛化能力。