基于RF-LCE-BiLSTM-Attention-AMSSA模型的京剧二分类

为了提升大数据背景下的京剧分类精度,促进国粹传播,本文在RF-BiLSTM-Attention模型基础上利用偏差惩罚交叉熵(LCE)损失函数防止过拟合,并融合自适应麻雀优化算法(AMSSA)提出RF-LCE-BiLSTM-Attention-AMSSA模型对京剧与其他音乐进行二分类。模型首先将音频文件转化为由特征构成的向量,再结合L2正则化损失和交叉熵损失作为模型的偏差惩罚交叉熵损失函数,通过神经网络进行分类训练;然后利用AMSSA优化模型超参数,将最优超参数代入模型进行京剧二分类。以来自大众音乐平台和GTZAN数据集的1500首音乐进行京剧二分类实验,对比RF-LCE-BiLSTMAttention-AMSSA模型与RNN、LSTM、BiLSTM等10种模型的分类准确率,并对LCE损失函数与AMSSA进行消融实验。实验结果表明:RF-LCE-BiLSTM-Attention-AMSSA模型的分类准确率为89.95%,比RF-BiLSTM-Attention提高了0.95个百分点;比RF-LCE-BiLSTM-Attention提高了0.28个百分点。

自动化空中交通管制系统软件可靠性评估研究

文章提出了评估自动化空中交通管制系统(AATCS)软件可靠性的一种新方法—基于PCR的软件可靠性评估。经操作员和软件支持业务人员(SSF)现场测试,对发现、过滤的软件故障进行确认,生成S2级的软件系统问题变更报告(PCR)。采用CROW-AMSSA(NHPP)模型进行系统的可靠性增长计算,通过极大似然估计法确定模型的参数,经过计算得到AATCS的S2级失效强度和可靠性预测趋势。

时间截尾场合AMSAA-BISE模型的区间估计

在时间截尾场合，对AMSAA－BISE模型的系统MTBF的区间估计问题进行了讨论，给出了系统MTBF的随机化精确区间估计与无信息无验分布下Bayes区间估计的系数表，比较表明，Bayes区间估计更适于工程应用，并用数值例说明了这些方法。