基于多维状态空间的电子商务信息透明评价

从信息透明的概念界定出发,构建B2C电子商务卖方信息透明度评价指标体系.该指标体系以信息透明的宽度、深度和准确度为核心,包括11个基本评价指标.采用层次分析法确定各层次评价因子权重,通过一致性检验确定其合理性,并利用多维状态空间分析法对不同待评主体进行分级评价.该研究可以为评价B2C卖家信息透明战略提供量化依据和基础.

预算约束下多任务联邦学习激励机制

联邦学习是一种实现数据隐私保护的分布式机器学习范式,性能取决于数据源的质量和数据规模。客户端是理性个体,参与联邦学习将耗费计算、通信和隐私等成本,需要通过激励提高客户端的参与意愿。因此联邦学习能成功应用的关键之一是尽可能多地激励高质量数据客户端参与训练。多任务联邦学习环境下客户端拥有面向不同任务且质量不同的数据,并具有执行能力的约束。为提高多个学习任务的整体性能,在预算受限的条件下设计一种面向任务的客户选择和报酬机制。通过分析影响模型精度的重要因素,提出一种基于客户端数据样本分布特征的质量评估标准,并结合客户端成本信息,设计一种逆向拍卖的激励机制(EMD-MQMFL),实现客户端的任务指派和支付策略。从理论上分析和证明了该机制具有诚实性、个人理性以及预算可行性,并通过大量实验验证了该方法在联邦学习性能上的有效性。在MNIST、Fashion-MNIST、Cifar-10数据集上的实验结果表明,EMD-MQMFL在数据不平衡的情况下,平均模型精度比已有的机制至少提高5.6个百分点。

基于机器学习的湖羊断奶体重预测研究

本研究以初生羔羊信息预测羔羊断奶体重,预测结果作为判断对初生羔羊是否需要进行早期饲喂、治疗等干预的依据。本研究收集了湖州某羊场8 836只羊的性别、血统号、出生日期、羔皮品质、初生体重、同胎羔数、断奶体重等信息,通过观察特征间关系,使用斯皮尔曼秩相关系数进行特征相关性检测,筛选出4个重要特征变量(性别、出生月份、初生体重、同胎羔数),基于这些重要特征变量运用线性回归、随机森林、XGBoost、支持向量机回归、深度神经网络模型(DNN)对羔羊断奶体重进行回归预测。结果显示:5种模型的预测值与真实值误差小于1.5 kg的正确率均在81%以上,其中构建的DNN模型正确率可达88.40%,均方误差(MSE)值为2.96,平均绝对误差(MAE)值为0.87,均为最优。对预测的羔羊体重进行排序,以二分类形式判断是否需要干预饲喂,得出混淆矩阵与受试者工作特征曲线(ROC)图,显示DNN模型效果最好。

基于定向采样和自适应选择的免疫算法

针对算法容易陷入局部最优以及无法很好保持多样性等不足,提出一种基于定向采样和自适应选择的免疫算法(DSASIA)。利用在线种群信息动态选择个体;采用自适应比例克隆方式平衡全局和局部搜索能力,确保收敛性;采取定向采样策略识别子代个体,保证多样性。在13个测试函数上与其它4种多目标优化算法进行对比,实验结果表明,DSASIA算法可以较快求出帕累托解集,且解具有更好的多样性和收敛性。

一种基于改进U-Net的苹果表皮缺陷无损检测方法探讨

针对目前苹果外观品质通过人工筛选成本高昂且效率低下,而传统机器视觉方法准确率较低、鲁棒性较差等问题,提出了一种运用语义分割技术自动识别苹果及其表皮缺陷的方法。该方法以U-Net网络为基础,首先在编码器的CNN分支使用resnet50作为网络backbone,同时加入Transformer分支,用于兼顾局部信息与全局信息的特征提取能力;使用PatchMerging模块替换原始网络中的最大池化下采样操作,避免空间信息丢失;在解码器部分,使用dualup-sample提升网络的分割精度。改进后的网络平均像素准确率(MPA)达到98.14%,相比于原网络提高了7.33%,平均交并比(MIoU)95.57%,提高了14.14%。与原网络相比,改进后的网络有更好的特征提取能力与分割精度,针对不规则的缺陷特征也有更好的分割效果。

基于AlexNet模型的大闸蟹自动分级系统设计与实现

针对目前大闸蟹人工分级方法的局限性,设计基于Matlab图像处理的大闸蟹分级系统。首先,在湖州市太湖养殖基地采集不同等级大闸蟹背部和腹部图像,对采集的图像进行灰度化、阈值分割、形态学等预处理。然后利用卷积神经网络AlexNet模型提取大闸蟹公母特征,利用面积法计算其大小。通过选取的10只大闸蟹的重量和系统计算得到的像素转化为面积参数,分析得到大闸蟹背部图像像素占比与其重量成近似正比例关系,因此可根据背部图像的计算值得到其大小特征。根据大闸蟹公母、大小特征完成分级。实验结果表明,系统在大闸蟹公母识别方面平均准确率达到92.655%,大小分级方面平均准确率达到95%。

基于激光点云技术的机床夹具设计与改进

为了解决传统机床夹具通用性不高、多次对刀和装夹带来误差和效率较低的问题,提出了一种基于点云逆向建模技术的机床夹具改进方案。通过在夹具两侧加装激光扫描仪以获取工件和夹具的3维点云信息,分别采用曲率判别算法和基于粒子群搜索的迭代最近点算法对其进行去噪处理和坐标配准,建立工件与机床一体的3维空间坐标;最后根据参考点的点云坐标计算空间坐标系与机床坐标系的偏移量,将获得的偏移值录入数控系统进行加工。结果表明,改进后的夹具在加工工序较为复杂的零件时,可以有效减少对刀和装夹次数,总体工效提升约30%。该研究对于提升加工面较多、工序较为复杂零件的加工效率具有一定的参考价值。

基于最优化残差划分Markov修正的城市用电量预测模型

对湖州城市居民用电量进行预测过程中,历史用电量数据显示出较强的波动性与季节性,导致原始模型预测效果不理想,文章引入并改进Markov修正组合模型,将Markov修正残差划分部分改进为不同算子残差划分,并用来修正新陈代谢GM(1,1)、SARIMA、Holt-Winters、LSTM等原始模型。使用DC-Markov、MC-Markov、SC-Markov修正后的组合模型预测湖州市的未来月份城市居民用电数据。结果表明,文章提出的最优化残差划分Markov修正模型预测精度较原始模型有一定程度提高,DC-Markov-Holt-Winters模型在湖州市城市居民用电数据的预测上具有较高的精度。

基于ELMO-TextCNN-Reformer的bilibili评论情感分析

面向bilibili短视频评论数据的情感分析,旨在挖掘视频观看者对短视频的看法,使视频作者也可以快速得到自己想要的评价,进而对后续作品做出改进。针对短视频评论更新快、词汇新颖、评论过长、一词多义等因素造成的短视频评论情感分析准确率低的问题,文章构建了bilibili短视频评论数据集,并提出了ELMO(Embedding From Language Model)用以构建动态词向量解决一词多义及新词的问题,通过构建TextCNN和Reformer双通道神经网络结构来提取局部、全局特征。由于Reformer采用了局部敏感哈希的特殊注意力机制,更能联系全局特征,之后将两者得到的结果拼接送入分类器得出情感分析的结果,并将得出的结果与多个深度学习模型进行对比。

基于RoBERTa和BiGRU-AT的微博评论情感分类模型

针对传统静态词向量如glove无法表示多义词的缺陷,以及现有微博情感分类模型对于隐式评论文本特征提取能力不足等问题,提出了一种结合RoBERTa和BiGRU-AT的微博评论情感分类模型。用预训练模型RoBERTa得到融合句子语境的动态词向量;然后采用BiGRU-AT模块的双向门控循环单元提取文本序列特征、注意力机制捕获文本序列中的关键情感信息;最后利用归一化指数函数输出情感倾向结果。实验结果显示,该模型与现有常用经典模型相比,精确率和F1值均取得了较好的效果,具有较好的实用价值。

一种基于改进YOLOv7的落水人员检测方法

溺水事故一旦发生,对溺水对象的及时发现并采取积极的相应措施,在减小伤亡后果方面有着至关重要的作用,因此对落水人员的自动监测变得尤为重要。在对野外落水人员目标进行模拟检测的过程中发现,自然水域场景复杂,具有检测目标小、环境干扰大等问题,现有的基准模型YOLOv7的目标漏检率较高。通过在YOLOv7模型的骨干组件中加入ResNet-ACmix,以及在Head部分增加ACmix,从而保留了Backbone采集到的特征,有效提取了复杂场景下的落水人员小目标的特征信息,并增强了模型对落水人员小目标的特征感知和位置信息,降低了水域复杂环境对特征提取的干扰,改进SPPCSPC中的池化部分,保证了落水人员小目标在大场景复杂水域的定位,进一步降低环境干扰,并提升检测速度。在构建的落水人员数据集上进行的各种实验表明,与基线网络的YOLOv7算法相比,改进的YOLOv7平均精度达到80.7%,比原始网络提高了7%。消融实验表明,所设计的模块可以提高检测精度,并能直观地显示不同场景下的检测效果。实验验证了改进YOLOv7在落水人员目标检测中的适用性。

一种基于生成对抗网络的人脸运动模糊去除方法

拍摄人像时,由于摄影器材震动或人物移动等原因,图像会出现运动模糊情况,严重影响了画面品质。而在影像跟踪或门禁识别等场景中,若画面出现运动模糊,可能导致目标无法识别,使得定位、辨认、追踪等任务失败。因此,去除运动模糊对于人脸识别应用有着至关重要的作用。文章针对人脸图像的运动模糊问题,提出一种基于生成对抗网络的人脸运动模糊去除方法,在编解码结构中引入多个跳跃连接,将卷积过程中提取的特征引入反卷积过程,同时通过全局跳跃连接,提高对特征信息的复用,并降低学习复杂度,最后调整损失函数权重,得到模糊图像到修复图像的端到端网络。实验结果表明,该方法在消除人脸运动模糊方面有较好的效果,对人脸的轮廓等细节的恢复也有很好的改善作用。

新工科建设背景下地方应用型高校工程实践与创新能力培养体系探索

在新工科建设背景下,地方应用型高校工科人才培养迎来了新的挑战和机遇。文章基于岗位胜任力理论,结合新工科建设理念,深入探讨地方应用型高校“一三五”工程实践与创新能力培养体系的构建,以提升工科学生的岗位胜任力。通过构建以岗位胜任力为核心的培养方案,涵盖三阶段递进的技能培养和五维度教学实践环节,有效提升工科学生的工程实践与创新能力,增强学生的就业竞争力和创新创业能力,以期为地方应用型高校工科人才培养提供可借鉴的新思路和方法。

融合自注意力机制的垃圾弹幕识别方法研究

网络直播的兴起,带来了各种类型的垃圾弹幕。传统的垃圾弹幕识别方法识别率低,无法满足目前直播平台垃圾弹幕识别需求。本文分析了垃圾弹幕文本特点,引入自注意力机制,结合ERNIE和TextCNN模型,设计了一种提高垃圾弹幕识别率的算法。通过对比实验,证明了此种方法的合理性和可行性,为今后相关领域的研究提供了一定的参考。

D^(∗)Lite算法在商场机器人导航中的应用

机器人室内导航在医院、场馆、商场等大型室内环境中有着重要的作用,正确的路径规划是机器人室内导航有效的重要保证,指的是从起点位置开始,根据某种策略,寻找一条满足条件的到达终点位置的最优路径。D^(∗)Lite算法是路径搜索算法中的一种重要算法,可在信息不全情况下求解路径,适合应用于商场及其他复杂环境。对D^(∗)Lite算法在商场机器人导航中的应用进行了分析研究。仿真模拟实验中通过对三维商场场景进行栅格化,将三维场景渲染到二维平面,再通过对二维平面中的场景随机变化障碍点来检验D^(∗)Lite算法对变化场景的适应度。实验结果表明,D^(∗)Lite算法能快速求解最优路径,并在阻碍点变化时做出快速响应。

基于改进YOLOv5的鱼群计数方法

针对目前难以在复杂场景下实现鱼群计数的问题,提出一种基于改进YOLOv5的鱼群计数方法.该算法是在YOLOv5s的基础上,采用k-means++优化聚类先验框替代原算法中的先验框,以提高对小目标鱼群的识别能力,并引入Soft-NMS策略选取最终预测框,对鱼群目标进行更加有效的检测.实验结果表明,经自制的鱼群检测数据集验证,改进后的算法平均精度均值可达96.29%.

基于YOLOv3的黄桃病害检测技术研究

随着黄桃种植面积增多,黄桃病害的发生已成为制约桃品质和产量的重要因素。早期快速准确地检测病害,并及时进行防治是一项非常重要的工作。传统农业病害的识别处理方法主要依靠机械的人工进行识别,需要积累一定的农技专家经验,具有操作主观性比较强、识别技术准确率相对低等缺点。因此需要将人工智能、图像识别处理等人工智能技术综合运用到黄桃病害图像检测研究中。对图像信息进行数据的增强预处理以达到扩充数据集,送入YOLOv3网络模型中以进行更进一步的综合分析预测与加工处理,以显著提高农业病害的检测预报准确率,减少农业病害传播对当地农业生产安全的危害。

基于LERT-RCNN的中文弹幕文本情感多分类研究

为提高弹幕文本情感分类准确率,提出基于LERT-RCNN的弹幕文本情感多分类模型。首先使用LERT预训练语言模型获取文本动态特征表示,减少弹幕文本中一词多义对情感分类准确率带来的影响;其次使用BiLSTM和CNN提取更深层次语义特征;最后经全连接层后送入softmax函数得到情感分类结果。实验结果表明,基于LERT-RCNN的弹幕文本情感分类模型的准确率、精确率、召回率及F1值分别为96.17%、94.54%、92.56%及93.51%,与传统文本情感分析模型及单一预训练语言模型LERT相比有明显提升。

新工科环境下计算机网络实验教研平台设计

新工科环境下的计算机网络实验教学改革致力于培养学生的实践能力,促进学生创新思维发展,为他们未来的职业发展奠定坚实的基础等方面发挥着重要作用。基于此,应当立足新工科环境,加大计算机网络实验教学改革力度,以此丰富改革成果。本文主要对新工科环境下计算机网络实验教学改革的必要性进行了分析,提出了新工科环境下计算机网络实验教学改革建议,研究了改革的注意事项,旨在为计算机网络实验教学改革工作的高效开展提供科学指导。

基于注意力机制改进CNN的肺炎图像识别研究

肺炎X射线图像相似度较高、对比度低、且各种脏器重叠,导致病变区域并不突出。针对以上问题,对一种基于注意力机制改进卷积神经网络的肺炎图像识别方法进行研究。首先使用限制对比直方图均衡化(CLAHE)方法增强肺炎图像对比度,使得肺部更加突出。然后在卷积神经网络中加入注意力机制模块提高模型对肺炎区域特征提取的权重,抑制无关特征。实验在Chest X-Ray Images胸部X光影像数据集上进行,不仅实现了对数据集有无肺炎的识别,还实现了对肺炎类型的识别,判断是细菌性肺炎还是病毒性肺炎。识别准确率为90.57%,比未加入注意力机制的模型高出了8.20个百分点。实验表明加入注意力机制模块的卷积神经网络能够提高肺炎图像识别模型的性能。