基于深度随机森林算法的短期用户负荷预测——以金华地区为例

通过网络爬虫获取天气数据,并结合金华市用户负荷数据,采用深度随机森林算法对用户负荷进行短期预测。借助4种评价指标,通过对比支持向量回归算法、K近邻算、贝叶斯岭回归算法、随机森林算法以及多个深度神经网络算法,发现深度随机森林算法预测效果最佳,支持向量回归算法次之,而深度神经网络算法在该数据集上表现一般。

非受限条件下多级残差网络人脸图像年龄估计

年龄是人的固有属性,在人的社会交往中起到了基础性作用,因此人脸图像的年龄估计是人工智能领域的重要问题之一.为了解决非受限条件下人脸图像年龄估计困难的问题,提出一种非受限条件下的多级残差网络人脸年龄估计方法.首先针对高分辨率图像数据集构建多级残差神经网络模型;然后采用Image Net数据集对多级残差网络进行预训练,以获得图像的基本特征表达;最后在非受限人脸年龄数据集上结合随机深度算法对网络模型进行微调.在非受限的Adience人脸年龄分类数据集上进行年龄分类对比实验的结果表明,该方法能够明显地提高非受限条件下人脸年龄估计的准确率,并在提高网络学习能力的同时有效地抑制小规模数据集带来的过拟合问题.

结合高效通道注意模块的残差网络骨龄评估

本文针对现有骨龄评估数据集数据规模小,样本分布不均匀以及现有方法评估准确度较低的问题,提出了一种新的结合高效通道注意模块的残差网络骨龄评估模型。通过结合深度残差网络和高效通道注意模块来提高卷积效率,并改进损失函数,缓解样本分布不均匀问题的影响;然后运用迁移学习的方法微调训练骨龄评估模型,提高模型训练效率;最后引入随机深度算法提高模型泛化能力。实验结果表明,该方法在RSNA数据集和DHA数据集上的平均绝对误差分别为4.69个月和5.98个月,当容忍度为12个月时,骨龄评估的准确率可以达到98.36%和94.88%,说明本文方法能够明显地提高骨龄评估的准确率,一定程度上缓解数据规模小和数据分布不均匀带来的影响。