基于深度神经向量机自回归的协同过滤算法

为发掘卷积神经网络在协同过滤预测中的潜力,针对神经自回归模型方法和支持向量机在深度学习中的优势,提出基于深度神经向量机自回归的协同过滤方法。通过将神经网络最后一层的激发函数替换为线性支持向量回归函数的方式,学习基于最小边缘的对数损失。在多个公开数据集上的实验结果表明,该算法在深度神经自回归对协同过滤问题实现较好预测的基础上,线性向量回归函数的使用能更好地提升预测效果。

基于最小边际损失的人脸识别方法的研究

得益于近几年深度神经网络的快速发展,人脸识别技术取得了巨大的成功。在深度神经网络中使用不同的损失函数会产生不同的效果。现有的一些损失函数已经拥有了很好的性能,然而它们无法解决类别不平衡数据集中存在的边际偏差问题,即长尾分布问题。提出了一种新的损失函数,最小边际损失,旨在扩大那些过度封闭的类中心对的边界,以增强深度特征的判别能力。在Inception-ResNet-v1中加入了最小边际损失函数,并在多个人脸识别基准数据集上进行了大量实验。实验结果表明,最小边际损失函数提升了人脸识别的能力,减少了边际偏差的负面影响。

亚声叶型前缘形状对压气机气动性能的影响

数值研究了四种亚声叶型前缘(平钝前缘,尖锐前缘,偏压力面前缘和偏吸力面前缘)形状偏差对压气机气动性能的影响。结果表明:四种偏差叶型的最小损失系数与原型相近,平钝前缘在叶根处的低损失攻角范围最小(降低了21.02%);偏压力面和偏吸力面前缘的角度范围与原型接近,但偏压力面前缘的负攻角范围减小,偏吸力面前缘的正攻角范围减小;尖锐前缘低损失攻角范围与原型相近。前缘形状偏差影响堵塞流量,偏压力面前缘堵塞流量降低最多(降低了0.80%);尖锐前缘和偏压力面前缘喘点压比与原型相近,平钝前缘和偏吸力面前缘喘点压比略低,各方案最高效率值相近;平钝前缘偏差对前缘马赫数分布影响最大,前缘形状偏差对进、出口相对气流角和叶片D因子影响不大。试验中应避免使用平钝前缘偏差叶型,或同一排叶片安装偏压力面与偏吸力面前缘偏差叶片。