教育大数据智能分析平台研究与实践

中国教育资源虽丰富但数据分散、数据收集与分析手段落后,为此,研究了教育大数据智能分析平台及关键技术。提出多源异构教育大数据的集成和融合方案,搭建教育大数据智能分析平台以打破教育信息孤岛,实现信息共享。研究结果可为后续教育质量综合分析、教育质量预警和教育决策支持等提供参考,从而推进教育现代化发展。

不均衡数据对卷积神经网络的影响及改进算法

通过不同的数据分布、激活函数和网络结构对卷积神经网络(convolutional neural networks,CNN)的训练过程进行试验分析发现,数据不均衡会造成CNN训练过程收敛慢、泛化能力差的负面影响。针对这一问题,结合过抽样和欠抽样各自的优点,在随机梯度下降算法的基础上,提出均衡小批量随机梯度下降算法(equilibrium mini-batch stochastic gradient descent,EMSGD),保证小批量内的数据均衡,精确调整更新参数的梯度方向。试验结果表明,均衡小批量随机梯度下降算法可以在数据不均衡条件下提高CNN训练误差收敛速度,提高泛化性能。

基于YouTube视频分享系统的信息挖掘

研究YouTube的服务器数据和网络流量数据,挖掘发现其中的隐藏信息,对设计高效的视频内容分发网络具有积极意义。通过比较服务器获得的数据和网络中获取的视频流量,应用统计建模方法,对用户行为、视频传输的静态和动态特征进行挖掘分析以研究YouTube的视频传输机制。结果表明,视频服务器上的静态信息和网络中获得的动态信息存在显著的相异性,这种差异性有助于研究人员在设计服务器端的算法和视频传输网络的缓存算法时采用不同的优化策略。

基于卷积神经网络的污点攻击与防御

深度神经网络易受对抗样例的攻击,该攻击主要通过对图像做细微的修改而使卷积神经网络识别出错。因此,为了模拟实际生活中车牌上的污点攻击,只对车牌图像添加局部扰动。首先使用l 1范数作为优化算法得到车牌图像中易被字符分类器识别错误的位置,然后继续在该图像中产生特定的扰动,最后将扰动加入到易被攻击错误的位置中。试验结果表明该攻击方法具有90%的成功率,对车牌的字符识别造成了一定的影响。同时以对抗训练作为防御策略,取得了98%的成功率。