欧美又黄又粗又大AV毛,久久一区二区不卡,综合色在线

基于雙向GRU模型的網(wǎng)絡(luò)流量預(yù)測(cè)的研究[其他][其他]

當(dāng)前使用門控循環(huán)單元(Gated Recurrent Units，GRU)神經(jīng)網(wǎng)絡(luò)進(jìn)行流量預(yù)測(cè)時(shí)，普遍存在滯后性以及預(yù)測(cè)準(zhǔn)確性不高的問(wèn)題，因此提出一種改進(jìn)的GRU模型進(jìn)行流量預(yù)測(cè)的方法。首先基于GRU神經(jīng)網(wǎng)絡(luò)提出一種雙向GRU神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)堆疊的網(wǎng)絡(luò)模型，適用于流量特征、時(shí)間特征、事件特征等多維向量的輸入；同時(shí)為解決部分時(shí)間段準(zhǔn)確度不高的問(wèn)題，將訓(xùn)練樣本進(jìn)行日期分類，針對(duì)每一類日期生成單獨(dú)的網(wǎng)絡(luò)模型，能大幅提升預(yù)測(cè)的準(zhǔn)確度以及改善預(yù)測(cè)的滯后性。最后，為了提升流量峰值的預(yù)測(cè)準(zhǔn)確度，采用樣本的再平衡手段以及自定義損失函數(shù)，實(shí)驗(yàn)結(jié)果表明，能較好地達(dá)成預(yù)期目標(biāo)。

發(fā)表于：2/10/2022 9:06:00 AM

基于深度殘差神經(jīng)網(wǎng)絡(luò)的博彩網(wǎng)頁(yè)識(shí)別算法設(shè)計(jì)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

互聯(lián)網(wǎng)對(duì)人民群眾的生活和工作產(chǎn)生了重要影響，然而網(wǎng)絡(luò)空間中隱藏著大量有害的博彩網(wǎng)站或賭博網(wǎng)站，很容易給網(wǎng)民造成損失和困擾，甚至可能擾亂社會(huì)秩序，因而研究對(duì)此類網(wǎng)站進(jìn)行高效識(shí)別的方法具有重要意義。提出利用深度殘差神經(jīng)網(wǎng)絡(luò)解決博彩類網(wǎng)頁(yè)識(shí)別問(wèn)題，基于深度殘差網(wǎng)絡(luò)的原理設(shè)計(jì)了算法GamblingRec。經(jīng)驗(yàn)證，算法準(zhǔn)確率達(dá)到了95.16%,正樣本召回率為93.21%，表明基于深度殘差神經(jīng)網(wǎng)絡(luò)的方法能夠用于博彩類網(wǎng)頁(yè)識(shí)別，并能達(dá)到較高的識(shí)別性能。

發(fā)表于：2/10/2022 9:01:00 AM

數(shù)字化轉(zhuǎn)型下的企業(yè)人力資源信息系統(tǒng)研究[其他][其他]

介紹了企業(yè)人力資源信息系統(tǒng)的發(fā)展現(xiàn)狀，指出了數(shù)字化轉(zhuǎn)型下人力資源信息系統(tǒng)現(xiàn)階段存在的不足和未來(lái)發(fā)展趨勢(shì)，并結(jié)合當(dāng)下企業(yè)數(shù)字化轉(zhuǎn)型需求，提出了一套數(shù)據(jù)驅(qū)動(dòng)的人力資源信息系統(tǒng)架構(gòu)，并具體闡明了架構(gòu)中每一層的技術(shù)實(shí)現(xiàn)方式，為企業(yè)數(shù)字化轉(zhuǎn)型過(guò)程中人力資源信息系統(tǒng)建設(shè)提供了可靠的系統(tǒng)架構(gòu)基礎(chǔ)。

發(fā)表于：2/9/2022 5:24:00 PM

基于移動(dòng)充電設(shè)備的無(wú)線傳感網(wǎng)絡(luò)充電策略研究綜述[電源技術(shù)][汽車電子]

近年來(lái)，利用移動(dòng)充電設(shè)備為傳感器節(jié)點(diǎn)補(bǔ)充能量，消除電池供電方式導(dǎo)致的網(wǎng)絡(luò)生存期限制，成為傳感器網(wǎng)絡(luò)的研究熱點(diǎn)。從多個(gè)角度介紹基于移動(dòng)充電設(shè)備的無(wú)線傳感器網(wǎng)絡(luò)充電策略的研究現(xiàn)狀，總結(jié)了基于移動(dòng)充電車或無(wú)人機(jī)的充電策略，在充電方式選擇、路徑優(yōu)化、充電設(shè)備數(shù)量?jī)?yōu)化等方面的研究成果，并討論充電策略研究所面臨的挑戰(zhàn)以及未來(lái)可能的研究方向。

發(fā)表于：2/9/2022 5:20:00 PM

關(guān)于工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)安全解決思路的探討[通信與網(wǎng)絡(luò)][信息安全]

介紹了我國(guó)工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)安全所面臨的發(fā)展現(xiàn)狀，從國(guó)際和國(guó)內(nèi)兩個(gè)方面分析了工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)安全所面臨的問(wèn)題，并從貫徹落實(shí)數(shù)據(jù)安全法律法規(guī)、建立健全數(shù)據(jù)安全組織體系以及建立自主可控的先進(jìn)技術(shù)體系初步提出了工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)安全解決思路，為進(jìn)一步提升我國(guó)工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)安全工作水平提供了參考。

發(fā)表于：2/9/2022 5:15:00 PM

基于異構(gòu)信息網(wǎng)絡(luò)的學(xué)生成績(jī)預(yù)測(cè)與預(yù)警模型研究[其他][其他]

發(fā)表于：1/19/2022 4:45:15 PM

重載混合動(dòng)力車輛再生制動(dòng)策略設(shè)計(jì)與優(yōu)化[其他][其他]

為進(jìn)一步提高混合動(dòng)力應(yīng)急救援車輛的能源利用率，針對(duì)N3類重型車輛的特點(diǎn)設(shè)計(jì)了雙模糊邏輯控制策略，分別對(duì)前后軸之間的制動(dòng)力及前軸再生制動(dòng)與機(jī)械制動(dòng)的制動(dòng)力進(jìn)行了合理分配，同時(shí)兼顧了車輛的制動(dòng)穩(wěn)定性及再生制動(dòng)能量的回收效率。為了更好地發(fā)揮模糊邏輯控制器的性能，采用多目標(biāo)粒子群優(yōu)化算法，以車輛制動(dòng)穩(wěn)定性指標(biāo)及再生制動(dòng)能量回收量為優(yōu)化目標(biāo)，對(duì)雙模糊邏輯控制器的輸入/輸出隸屬度參數(shù)進(jìn)行了優(yōu)化。最后，通過(guò)Simulink離線仿真實(shí)驗(yàn)驗(yàn)證了所設(shè)計(jì)的雙模糊邏輯再生制動(dòng)策略及多目標(biāo)粒子群優(yōu)化算法的正確性、有效性及實(shí)用性。

發(fā)表于：1/19/2022 4:35:35 PM

基于光電檢測(cè)技術(shù)的電纜表面缺陷實(shí)時(shí)監(jiān)測(cè)系統(tǒng)研究[其他][其他]

基于光電檢測(cè)技術(shù)開(kāi)發(fā)了電纜表面缺陷實(shí)時(shí)監(jiān)測(cè)系統(tǒng)。在硬件結(jié)構(gòu)方面，系統(tǒng)采用半環(huán)形LED白光源照射電纜，利用線陣CCD相機(jī)采集電纜表面圖像。在軟件算法方面，提出一種改進(jìn)的ROI(Region of Interest)算法精確定位電纜區(qū)域，利用一種基于改進(jìn)雙邊濾波的圖像差分算法建立背景模型，改進(jìn)一種基于CV-Kmeans區(qū)域分類自適應(yīng)濾波窗口算法來(lái)凸顯電纜表面缺陷特征。研究結(jié)果表明，基于光電檢測(cè)技術(shù)研發(fā)的電纜表面缺陷實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的識(shí)別能力較高，整體監(jiān)測(cè)準(zhǔn)確率不低于97.0%。

發(fā)表于：1/19/2022 4:23:00 PM

面向CNN的類激活映射算法研究[其他][其他]

類激活映射(CAM)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)解釋中的一種直觀的方法，通常由CNN的最后一個(gè)卷積層生成，可以突出顯示輸入圖片中目標(biāo)類的不同區(qū)域。之前的CAM方法只依賴于最后的卷積層，生成的解釋圖只能顯示模糊的物體位置信息。提出了一種新的方法即分層加權(quán)類激活映射方案(SL-CAM)，通過(guò)加權(quán)合并CNN淺層到深層的信息來(lái)生成類激活圖。由淺層特征圖及其對(duì)應(yīng)的梯度生成的激活圖包含詳細(xì)、準(zhǔn)確但噪聲大的位置信息；而由深層特征圖生成的激活圖包含噪聲少但模糊的位置信息。在LSVRC2012 Val上的實(shí)驗(yàn)表明，SL-CAM多項(xiàng)指標(biāo)上均優(yōu)于Grad-CAM、Grad-CAM++和Score-CAM。

發(fā)表于：1/19/2022 4:08:00 PM

基于生成對(duì)抗網(wǎng)絡(luò)的無(wú)監(jiān)督圖像超分辨率算法[其他][其他]

目前，大多數(shù)基于學(xué)習(xí)的圖像超分辨率研究通常采用預(yù)定的降質(zhì)類型(比如雙三次下采樣)處理高分辨率圖像，來(lái)產(chǎn)生成對(duì)的訓(xùn)練集。然而，真實(shí)圖像往往存在未知的模糊和噪聲，導(dǎo)致這些算法無(wú)法有效應(yīng)用到真實(shí)場(chǎng)景中。為了實(shí)現(xiàn)真實(shí)圖像的超分辨率重建，提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的無(wú)監(jiān)督圖像超分辨率算法，所提出的算法分為域轉(zhuǎn)換子網(wǎng)絡(luò)和重建子網(wǎng)絡(luò)兩個(gè)部分。同時(shí)設(shè)計(jì)了深度特征提取模塊，通過(guò)融合不同感受野所提取的圖像特征來(lái)提升網(wǎng)絡(luò)的性能。實(shí)驗(yàn)結(jié)果證明，相比于目前多數(shù)的圖像超分辨率算法，本文算法能夠?qū)崿F(xiàn)真實(shí)降質(zhì)圖像(存在噪聲、模糊等)的圖像超分辨率，在主觀效果和客觀指標(biāo)上均能獲得更好的性能。

發(fā)表于：1/19/2022 3:56:38 PM