李村煤矿选煤厂栈桥新型铺底材料应用分析

结合具体工程,对所用材料从工程造价、材料性能等方面进行了详细分析,对使用功效进行了实地研究,经过认真分析比较,对新材料的进一步推广应用提出意见和建议。     

交换结构到达分组可选输出端口个数的研究*

针对目前单一路径路由交换机制的问题,引出多下一跳路由交换机制,并在路由交换协同设计的基础上分析讨论了到达分组可选输出端口个数k的取值,基本思路是路由层面分析路由表转发表对k,取值要求特点,交换层面基于Mp-iSLIP匹配算法对比不同k取值下时延丢包率的仿真结果,综合两方面结果得出当k=3时,路由实现难度与交换性能提高得到较好的折中。     

GCN-PU:基于图卷积网络的PU文本分类算法

针对PU（Positive and Unlabeled）文本分类问题,提出了一种基于图卷积网络的PU文本分类算法（GCN-PU）,基本思想是给未标注样本加以不同的损失权重。将未标注样本全部视为负类样本,用以训练基于卷积神经网络的文本分类器;取卷积神经网络的倒数第二层的向量为文本的特征向量,以及对应的类别概率,作为图卷积网络的输入;利用图卷积网络得出的类别概率计算每个未标注样本的损失权重,重新训练文本分类器。不断重复上述三个步骤,直到算法参数稳定。在公开数据集20newsgroup上的实验结果表明,GCN-PU算法优于现有的方法,尤其在正类样本较少的情况下。     

牛顿迭代公式在定点数开立方中的运用

分析了牛顿迭代算法直接用于开立方的缺点,针对常见的32 bit定点数,提出一种变形的牛顿迭代法与查表法相结合的开立方算法,并进行了相应的软硬件仿真。结果表明,该算法误差精确到整数位,满足定点数开立方要求,占用资源合理,时延性能优于常见的逐位循环算法,是一种可行的快速开立方算法。     

基于Hough变换的NAT规模被动估计新方法

针对网络安全领域中网络地址转换器（NAT）规模被动估计这一问题,提出了一种新的NAT规模被动估计方法。在被动接收条件下,通过利用TCP数据包时间戳值与接收时间之间表现出的线性关系,将NAT规模估计转换为坐标图上的直线数目检测问题。然后基于Hough变换递归放大坐标图像来检测直线数目,从而估计出NAT规模大小。与已有算法相比,该方法不仅可以解决初始类别的选择问题,还能提高时间戳序列发生交叉或距离较近时的判断精度。实验测试结果表明,该方法可以准确地检测出线性关系的数目,进而估计出NAT规模大小,并且性能优于已有算法。     

基于会面合并事件的社会关系强度度量模型

针对时空数据条件下的网络用户社会关系挖掘,该文提出了一种社会关系强度度量模型—EPTDD（熵-个人-时间-时长-直径）模型,在会面合并事件基础上,从位置、时间、用户等多方面综合考虑会面事件对社会关系强度的贡献。首先,对用户之间会面事件进行检测,并将发生时间相近的会面事件进行合并处理,得到更加接近现实情况的会面合并事件;之后,以位置熵、位置个人背景、时间、时长和直径5种要素对会面合并事件的权重进行刻画;最后综合上述要素,分别实现社会关系强度度量的无监督和有监督方法。在3个真实数据集上的实验结果表明,该文提出的EPTDD模型能够有效度量用户之间的社会关系强度,且优于现有方法。     

一种基于PCA的段级特征

提出了一种基于PCA的段级特征(PCAULF)。该特征以现有的帧级语音特征为基础,通过计算段级特征引入了语音的长时特性。对段级特征使用PCA降维,一方面去除由于引入段级特征带来的冗余,实现数据降维,提高识别速度;另一方面抑制了噪声对识别系统的影响,提高了段级特征的鲁棒性。在训练阶段,计算所有语音的段级特征,使用PCA方法得到变换矩阵;在测试阶段,先使用变换矩阵对段级特征进行降维,再进行判别。实验结果表明,采用该特征有效地提高了识别精度和速度,更加适用于实时说话人识别系统。     

WPLoss:面向类别不平衡数据的加权成对损失

类别不平衡数据是指不同类别的样本数目差异很大,AUC(area under the ROC curve)是衡量不平衡数据分类器性能的一个重要指标,由于AUC不可微,研究者提出了众多替代成对损失函数优化AUC。成对损失的样本对数目为正负样本数目的乘积,大量成对损失较小的正负样本对影响了分类器的性能。针对这一问题,提出了一种加权的成对损失函数WPLoss,通过赋予成对损失较大的正负样本对更高的损失权重,减少大量成对损失较小的正负样本对的影响,进而提升分类器的性能。在20newsgroup和Reuters-21578数据集上的实验结果验证了WPLoss的有效性,表明WPLoss能够提升面向不平衡数据的分类器性能。     

基于深度神经网络的Morse码自动译码算法

在军用和民用领域,Morse电报一直是一种重要的短波通信手段,但目前的自动译码算法仍然存在准确率低、无法适应低信噪比和不稳定的信号等问题。该文引入深度学习方法构建了一个Morse码自动识别系统,神经网络模型由卷积神经网络、双向长短时记忆网络和连接时序分类层组成,结构简单,且能够实现端到端的训练。相关实验表明,该译码系统在不同信噪比、不同码速、信号出现频率漂移以及不同发报手法引起的码长偏差等情况下,均能取得较好的识别效果,性能优于传统的自动识别算法。