改进RetinaFace的自然场景口罩佩戴检测算法

新型冠状病毒可以通过空气中的飞沫、气溶胶等载体进行传播，在公共场所下正确佩戴口罩可以有效地防止病毒的传播。提出了一种自然场景下人脸口罩佩戴检测方法，对RetinaFace算法进行了改进，增加了人脸口罩佩戴检测任务，优化了损失函数。在特征金字塔网络中引入了一种改进的自注意力机制，增强了特征图的表达能力。建立了包含3 000张图片的数据集，并进行手工标注，用于网络训练。实验结果表明该算法可以有效进行口罩佩戴检测，在自然场景视频中也取得了不错的检测效果。     

基于主动学习的离群点集成挖掘方法研究

离群点检测任务通常缺少可用的标注数据，且离群数据只占整个数据集的很小一部分，相较于其他的数据挖掘任务，离群点检测的难度较大，尚没有单一的算法适合于所有的场景。因此，结合多样性模型集成和主动学习思想，提出了一种基于主动学习的离群点集成检测方法OMAL（Outlier Mining based on Active Learning）。在主动学习框架指导下，根据各种基学习器的对比分析，选择了基于统计的、基于相似性的、基于子空间划分的三个无监督模型作为基学习器。将各基学习器评判的处于离群和正常边界的数据整合后呈现给人类专家进行标注，以最大化人类专家反馈的信息量；从标注的数据集和各基学习器投票产生的数据集中抽样，基于GBM（Gradient BoostingMachine）训练一个有监督二元分类模型，并将该模型应用于全数据集，得出最终的挖掘结果。实验表明，提出方法的AUC有了较为明显的提升，且具有良好的运行效率，具备较好的实用价值。     

机器人系统有限时间自适应迭代学习控制

研究任意初态下，机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念，构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统，采用Lyapunov-like方法，分别设计迭代学习控制器处理系统中不确定性。并且，采用未含/含限幅学习机制，保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。     

改进的多层感知机在客户流失预测中的应用

针对在传统的客户流失预测数据预处理中，使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题，提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进，通过将离散属性的高维编码数据向低维空间映射，有效地减少了one-hot编码产生的稀疏数据，增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明，改进后的模型既有效地提高了预测的准确度，又维持了传统多层感知机模型在并行化计算方面的优势。     

基于语言特征自动获取的反问句识别方法

反问句是以疑问的形式表达强烈情感的修辞方式,对其有效识别可为自然语言处理中的情感分析任务提供技术支持。该文提出了一种基于语言特征自动获取的反问句识别方法。首先,利用标签注意机制,建立了一个数据驱动的特征抽取模型,用于获取与任务相关的词汇、句法结构、符号标记和话题等语言特征。其次,利用Bi-LSTM模型分别对句子和语言特征进行表示,两者的交互注意被用于获取句子的各个词和符号的注意力权重向量。该权重向量作用于句子的表示,用于构建一个强化语言特征的反问句识别模型。在中文微博数据集上的实验结果表明,提出的方法与之前的工作相比,反问句识别性能有显著提升。     

基于大数据的五年制高职护生在线学习行为要素研究

在线学习已逐渐成为高职院校一种重要学习形式,该领域也成为当前研究热点之一。对在线学习进行介绍,同时对大数据技术在在线学习平台中的应用进行分析,重点对五年制高职护生在线学习行为要素进行研究分析,为更好地开展在线学习评价提供参考,促进高职院校更好地开展在线学习,提高在线学习质量。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

基于Q-learning模型的智能化放顶煤控制策略

传统的综放工作面放顶煤控制存在顶煤采出率低、出煤含矸率高等问题,而现有智能决策方法又存在建模困难、学习样本难以获取等障碍。针对上述问题,在液压支架放煤口动作决策过程中引入强化学习思想,提出一种基于Q-learning模型的智能化放顶煤控制策略。以最大化放煤效益为主要目标,结合顶煤放出体实时状态特征及顶煤动态赋存状态,采用基于Q-learning的放顶煤动态决策算法,在线生成多放煤口实时动作策略,优化多放煤口群组协同放煤过程,合理平衡顶煤采出率、出煤含矸率的关系。仿真和对比分析结果表明,该控制策略的顶煤平均采出率为91.24%,比传统"见矸关窗"的放煤方法提高约15.8%;平均全局奖赏值为685,比传统放煤方法提高约11.2%。该控制策略可显著减少混矸、夹矸等现象对放煤过程的影响,提高顶煤放出效益,减少煤炭资源浪费。     

基于深度学习技术的恶意APP软件动态检测技术

本文利用深度学习技术的方法提高检测恶意程序的能力,通过机器学习技术延伸出了机器学习技术,被广泛应用到图像处理、自然语言处理、计算机视觉与语言识别等领域中。深度学习中的卷积神经网络CNN具有良好的分类性能,还能够提高未知样本的预测能力。以此,本文就对将恶意学习技术作为基础的恶意APP软件动态检测技术进行分析。