123,123

基于Flink框架的TopN堆排序优化算法[其他][其他]

为了解决大数据TopN排序问题，将传统的堆排序进行优化，阐述了优化后的HeapOptimize方法的处理过程。HeapOptimize方法基于Flink框架来完成TopN作业，可以实时地接收并处理大量的数据，根据单位时间需要处理的数据数量来调整算子的并行度，增加Flink框架的吞吐量，提高处理数据的速度。通过实验测量的数据结果佐证了HeapOptimize方法的优势。

發(fā)表于：2020/12/15 下午9:17:00

基于改进马尔科夫特征的图像拼接检测研究[通信与网络][信息安全]

针对传统马尔科夫特征拼接检测准确率不高的问题，提出了一种有效的马尔科夫特征提取方法。与传统马尔科夫特征的计算过程不同，只计算水平和垂直两个方向的转移概率矩阵，选择四个转移概率矩阵中对应位置求和后的值作为最终特征。求和操作不仅降低了特征维度，而且使真实图像与拼接图像之间的概率分布区分更加明显。所提出的算法的特征维度与数据集无关。该方法在哥伦比亚彩色拼接检测图库、CASIA V1.0和CASIA V2.0数据集上测试的准确率分别为94.38%、99.19%、96.02%。

發(fā)表于：2020/12/15 下午8:49:00

基于DAPA的卷积神经网络Web异常流量检测方法[测试测量][通信网络]

针对Web攻击流量检测问题，提出一种基于动态自适应池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷积神经网络模型。首先将数据集中每一条请求流量进行剪裁、对齐、补足等操作，生成一系列50×150的矩阵数据A作为输入，然后搭建基于动态自适应的卷积神经网络模型去进行异常流量检测，使之可以根据特征图的不同，动态地调整池化过程，在网络结构中添加Dropout层来解决流量特征提取过程中的过拟合问题。实验表明，该方法比未使用动态自适应池化的方式精确度提升了1.2%，损失值降低了2.6%，过拟合问题也得到了解决。

發(fā)表于：2020/12/15 下午8:32:00

基于KNN的剩余油形态识别[其他][其他]

对从实验中采集到的剩余油图像进行分析研究，可以为油藏后期开采提供理论依据。通过收集确定类型的剩余油特征数据作为样本集向量空间，对待分类剩余油特征数据进行归一化处理，之后求取欧氏距离。使用KNN（K近邻）分类方法近邻投票确定剩余油类别，可以较为快速准确地得到分类结果。

發(fā)表于：2020/12/15 下午5:23:00

基于方面情感的层次化双注意力网络[人工智能][信创产业]

基于深度学习的方面级情感分析，结合注意力机制的神经网络模型取得较好的分类效果，但常用方法仅考虑单一层面注意力机制，且无法获取句子间依赖关系。设计了一种层次化的双注意力神经网络模型用于方面级情感分析，针对特定方面引入方面目标的注意力机制以及文本上下文自注意力机制，获取方面特征信息和句子的全局依赖信息；设计层次化GRU网络，其中单词层嵌入特定方面信息，获取针对方面目标的句子内部特征信息，句子层网络通过双注意力机制和词语层的输入，获取句子间的特征依赖信息，从而实现深层次的方面情感分类。在SemEval 2014两个数据集和Twitter数据集上进行对比实验，验证了该方法的有效性，针对方面级情感，分类准确率均得到了有效提升。

發(fā)表于：2020/12/15 下午5:16:25

基于疲劳驾驶的人眼定位方法研究[人工智能][工业自动化]

人眼定位是疲劳驾驶的研究关键。由粗到精，先后进行了人脸检测、瞳孔定位。针对现有方向梯度直方图人脸检测算法泛化能力不佳的问题，提出了一种基于信息熵加权的HOG特征提取算法，该算法将待分类的人脸特征进行信息熵阈值加权，形成新的HOG特征，然后通过支持向量机进行分类；针对现有瞳孔定位算法准确率不高的问题，提出了多算法协同工作的瞳孔定位方法，以自商图为基准寻找二值分割点，实现了眼部区域光照不变性，以灰度积分投影为依据实现了瞳孔精确定位。实验结果表明，该文提出的人脸检测算法在CelebA验证数据集准确率可达到98.26%，较传统识别方法有更高的准确率；而瞳孔定位算法也可达到令人满意的精确度，提高了瞳孔定位的准确性。

發(fā)表于：2020/12/15 下午5:08:50

基于频域注意力时空卷积网络的步态识别方法[模拟设计][信创产业]

为了解决步态信息冗余多、特征重要性分布不均匀以及步态的时空特征难以学习的问题，提出了基于频域注意力的时空卷积网络进行步态识别。该方法改进了三维卷积网络(C3D)学习时空特征，同时提出了一种频域注意力卷积操作，既减少了冗余计算，注意力的调整又提高了学习效果。网络首先将步态信息划分为五组，然后通过改进的卷积进行时空特征抽取，最后通过Softmax层进行分类。在中科大数据集CASIA dataset B中进行测试，在Bag状态与Coat状态下准确率分别为88.5%、92.8%，分别较传统深度卷积网络(Deep CNN)提升3%左右，同时注意力在网络学习中重新分布，各个角度下的准确率也平均提升2%左右。

發(fā)表于：2020/12/15 下午4:58:35

基于双流卷积神经网络和生成式对抗网络的行人重识别算法[人工智能][信创产业]

近年来，针对行人重识别问题的深度学习技术研究取得了很大的进展。然而，在解决实际数据的特征样本不平衡问题时，效果仍然不理想。为了解决这一问题，设计了一个更有效的模型，该模型很好地解决了目标的不同姿态的干扰以及数据集中的图片数量不足的问题。首先，通过迁移姿态生成对抗网络生成行人不同姿势的图片，解决姿态干扰及图片数量不足的问题。然后利用两种不同的独立卷积神经网络提取图像特征，并将其结合得到综合特征。最后，利用提取的特征完成行人重识别。采用姿势转换方法对数据集进行扩展，有效地克服了由目标不同姿势引起的识别误差，识别错误率降低了6%。实验结果表明，该模型在Market-1501和DukeMTMC-Reid上达到了更好的识别准确度。在DukeMTMC-Reid数据集上测试时，Rank-1准确度增加到92.10%，mAP 达到84.60%。

發(fā)表于：2020/12/15 下午4:44:29

基于稀疏建模和SVM的管道缺陷分类方法研究[其他][其他]

埋地钢质管道缺陷识别及评估是管道检测领域中长期存在的难点之一，而实现对管道缺陷准确分类的前提是管道损伤信号的精准提取，针对埋地管道缺陷信号特征提出一种基于稀疏建模和支持向量机(SVM)的管道缺陷信号提取与识别方法。通过从原始信号中学习获得字典，将该字典采用正则化正交匹配追踪算法构建缺陷信号稀疏模型，并根据压缩感知理论获得信号的特征向量。进一步，采用多分类SVM将缺陷信号的特征向量与管道实际缺陷类型建立映射关系，并通过遗传粒子群优化算法指导SVM参数选取。结果表明：提出的分类方法可实现对管道缺陷损伤程度的准确划分，该方法已经成功通过实验室验证，并成功应用于华北某油田的工程领域检测。

發(fā)表于：2020/12/15 下午4:36:09

干线动态协调控制的深度Q网络方法[人工智能][工业自动化]

为有效降低城市交通干线的车均延误与停车次数，将深度Q网络引入干线协调控制，给出了一种干线动态协调控制的DDDQN(Dueling Double Deep Q Network)方法。该方法结合双重深度Q网络与基于竞争架构深度Q网络，并将干线作为整体处理，通过深度神经网络挖掘干线各交叉口协调控制的相关性，基于Q学习进行交通信号控制决策。通过仿真实验，在近饱和流量和干线存在初始排队的情况下，将DDDQN方法与现有绿波方法，以及经典深度Q网络、双重深度Q网络、基于竞争架构深度Q网络的干线协调控制算法进行对比，实验结果表明基于DDDQN的干线动态协调控制算法性能优于其他四种方法。

發(fā)表于：2020/12/15 下午4:30:49