简介：随着“互联网＋”概念的普及,网络上的资源随之成倍增长.面对庞大的数据资源,传统的搜索引擎Baidu、Google等已经不能满足人们对于特定信息的获取需求.作为搜索引擎抓取数据的重要组成部分,网络爬虫的作用非常重要.本文主要介绍了网络爬虫的概念、组成模块以及工作流程,在通用爬虫的基础上提出一种聚焦型网络爬虫系统,以python和相应的第三方库为主要工具,通过定义采集函数和给定豆瓣网最新上映电影的网址,快速搜索该网址某电影的影评信息,对页面内链接和外链接进行有效爬取.然后,再对获取到的数据进行分词处理,根据关键词的出现频率生成词云.实验结果表明,该聚焦型爬虫系统能够将所有影评信息以JSON格式存储到本地,并通过词云直观的展示出来.

简介：绘画作品的数字化对有效使用绘画资源具有重要意义，传统图像分类方法并未考虑绘画作品主观特性，且大部分特征需要人工提取，存在细节特征丢失等问题．在此提出基于卷积神经网络的绘画图像分类方法，分析了卷积核大小、卷积神经网络结构宽度、训练样本数量对分类结果的影响，以优化网络结构和参数．实验结果表明，该方法对绘画图像分类的有效性，在不同绘画图像数据集的分类实验上也得到了较好的分类结果．

简介：深度学习是人工智能领域发展的一个不可或缺的部分,并且广泛应用于图像识别方面.为了进一步降低宫颈癌细胞图像的识别错误率,本文提出了一种基于卷积神经网络的改进算法.该算法通过搭建卷积神经网络框架,对下采样过程中特征提取阶段的池化模型进行改进,在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图.实验结果表明,我们所提出的基于卷积神经网络的改进算法降低了对宫颈癌细胞图像的识别错误率.

简介：行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用.传统的行人检测方法大多使用滑动窗口遍历图片的方式,导致计算量大,检测速度受到限制.目前基于深度学习的行人检测方法进入了一个快速的发展阶段,但是还存在例如小尺寸行人漏检等很多问题.现提出基于卷积神经网络的多尺度行人检测方法,分析了增加检测层、并联卷积层与改变卷积核尺寸对行人检测性能的影响.在KITTI数据集上的实验结果表明,该方法可以实现较好的行人检测效果.

简介：软件定义网络（SDN）将数据层与控制层相分离，是一种新型网络体系架构．针对目前SDN网络还不能提供路由服务问题，设计了一种基于OpenFlow技术，使得SDN网络拥有路由转发功能的方案．依托RouteFlow平台，以内核虚拟化技术为基础，以Quagga软件为路由引擎，通过OpenFlow控制器为数据平面提供路由逻辑控制策略．实验结果表明，该方案不仅让SDN网络具有了路由转发功能，还能使系统保持较好的稳定性．

简介：针对在不同的摄像头场景下,光线、摄像头参数的差异较大使得行人重识别困难的问题,提出一种基于距离度量学习的方法进行行人重识别.该方法首先为每一对摄像头学习一个距离度量模型.其次,根据上述因素的影响强度为这些度量模型赋予相应的权值.最后,对度量模型与其相应权值的乘积进行累加与优化,得到最终的距离度量模型.经过在两个公共数据集中进行行人重识别实验,其结果显示所提出的方法能够提高行人重识别的正确率.

简介：行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD（DomainGuidedDropout）卷积神经网络（CNN）与样本相对距离结合的行人重识别算法：首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.

简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.

简介：人脸关键点定位是计算机视觉的一部分,在人脸识别、人脸表情识别、人脸动作捕捉等工作中有重要的作用.非约束条件下人脸关键点定位,其难点在于人脸关键点位置在复杂环境下呈现非线性变化,影响人脸关键点定位的精准性.现提出基于级联卷积神经网络的人脸关键点定位方法,分析了级联深度模型全局回归阶段多尺度特征融合对人脸关键点定位的影响;同时提出了一种具有可学习参数的人脸关键点定位损失函数.经过大量实验表明,这里提出的人脸关键点定位算法能够有效的提高针对非约束条件下人脸关键点定位精确度.

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：针对深度信念网络无法科学有效地确定网络模型深度和隐层神经元数目等问题，根据贪心算法思想，提出了一种动态构建深度信念网络模型的新方法.即从底层逐层构建深度信念网络的过程中，根据验证集错误分类率调整当前层神经元数目，使当前模型达到最优后，固定当前层神经数目，网络深度增加一层；继续调整下一层神经元数目，直至整个模型构建完成.最后，根据重构误差微调各层神经元数目.结果表明，与依据重构误差构建的深度信念模型相比，利用此方法构建的深度信念网络模型的分类准确率更高.

简介：传统的深度信念网络模型缺乏并行有效的算法来确定网络层数以及隐藏层神经元的数目,实验时大多依据经验来选取,这样做不仅使得模型训练困难,且范化能力差,影响实验结果.针对此问题,通过比较重构误差和验证集错误分类率的乘积（加权误差）大小来选取网络层数,网络层数确定后,再根据重构误差使用渐增法或二分法来选择合适的隐层神经元数目,以使整个模型达到最优.实验结果表明,用上述方法确定模型网络层数及隐藏层神经元数目,能有效提高模型分类或预测的精度.

简介：线性差动变压器(LinearVariableDifferentialTransformer,LVDT)采用初级线圈激励电压作为相位参考来计算输出,会产生信号抗干扰能力弱、数据失真、软件补偿繁琐、工作量大等问题.本研究设计了一种基于LVDT传感器的在线测量系统,以输出的次级信号差值与和值的比例,作为工作原理的在线测量电路,不仅解决了上述所产生的缺陷,使得数据测量更准确;还开发了WiFi串口代替引线传输数据,为产品测量建立了网络数据库,以方便溯源.实验结果表明该系统不仅稳定,而且相对误差减小了9.7%,能满足在实际使用中的设计要求,验证了该方法的有效性.

简介：本文对现有标准、规范中钼锑抗分光光度法测定水中黄磷的不足之处进行了分析。并通过实验进行了方法优化。优化后的方法操作简单，线性区间内线性相关性好，精密度和准确度均较高适用于地表水、地下水及部分废水中黄磷的分析。

简介：为了提高内衬套的检测速度和精度,保证内衬套的使用寿命,提出结合图像处理技术实现内衬套表面缺陷的自动检测.通过采用CMOS相机在近红外背光源暗域照明环境中获取图像并进行处理,实现对内衬套的毛刺及擦痕的自动检测.本检测系统主要通过图像形态学滤波和GrabGut图像分割算法分别实现对内衬套表面毛刺和擦痕的检测,通过轮廓拟合提取检测毛刺和擦痕的图像,从而实现对内衬套的表面缺陷检测.实验表明,所提出的内衬套表面缺陷的自动检测方法具有高效、准确的优点,且该系统运行稳定,因而具有推广价值.

简介：在室内定位中,针对移动标签的精确定位过程中所存在的定位精度低、非视距（non-line-of-sight,NLOS）现象与多径传播等问题,提出一种基于超宽带（Ultra-wideband,UWB）的线段近似双曲线定位算法,将二次双曲线方程转换为线性方程,结合到达时间差（Timedifferenceofarrival,TDOA）定位算法与三角形质心定位算法原理,可以实现高精度定位.经MATLAB仿真验证,该算法中的三线段近似双曲线的近似定位算法的平均距离误差是60.74cm,三加四线段近似双曲线的近似定位算法的平均距离误差是31.34cm,五线段近似双曲线的近似定位算法的平均距离误差是14.08cm.与迄今为止公布的文献相比,证明了该算法定位精度较高,在保证定位精度的同时,Chan算法运行一个周期所用时间为13.580s,线段近似双曲线算法运行一个周期所用时间最大为8.985s,算法复杂度大大的下降.

简介：为有效降低宫颈癌细胞图像在图像识别中的假阴性率,在此提出一种改进的残差网络算法.该改进算法通过对交叉熵代价函数增加权重实现,根据不同病变程度的宫颈细胞建立权重矩阵,有针对地对假阴性类别的输出进行加权处理,优化分类输出、减少假阴性误判.实验结果表明,对于不同的宫颈细胞图像数据集,本改进算法输出分类效果稳定;与传统图像分类算法相比,改进后的交叉熵代价函数算法在识别分类宫颈细胞图像时,能有效降低宫颈癌细胞图像的假阴性率.

简介：随着大量需要被挖掘的数据变得越来越复杂,多维关联规则已经成为关联规则挖掘中最实用的内容之一.本文主要介绍了在多维关联规则挖掘过程中,针对同一种属性数据出现重复连接的情况,由此而提出的一种解决方案.通过对多值属性信息进行比较,去除重复连接的属性信息,保留有效信息,减少对数据库的扫描.由此对Apriori算法中连接步进行改进,最后通过布尔型关联规则挖掘数据信息并得到结果.相较于Apriori算法,改进算法能更加快速准确地发现知识,缩短挖掘所用的时间.

简介：基于VirtualLabFusion构建了时域光学相干层析技术（timedomainopticalcoherencetomography,TDOCT）光路系统,导入不同颗数发光二极管（lightemittingdiode,LED）的合成光谱,从参考镜的位置变化中获得干涉信号,以此分析出合成光源的半高宽和相干度,以及对应TDOCT的纵向分辨率.结果表明,合成光源的最大强度值随着LED颗数从1到10的增加先增加后趋向不变;而半高宽随之不断增加;TDOCT系统的纵向分辨率随之不断提高.当LED增加至3颗的时候,合成光源已经可以使TDOCT系统纵向分辨率提高至9.8μm,这与一颗超辐射发光二极管（superluminescentlight-emittingdiode,SLD）给出的分辨率级别相当.

简介：微分进化算法主要有三个随机参数：种群大小（NP）,缩放因子（F）,交叉因数（CR）.这些参数的取值对EIT图像重建效果的好坏起着重要的作用.但当前微分进化算法参数选择具有随机性,大多数的参数研究是通过标准测试函数进行,没有具体到特定的领域.针对这些问题,文章以头部EIT图像重建为例,在给定目标函数和终止条件的基础上,通过大量的仿真实验,分析了各个参数对图像重构结果的影响,并给出了这些参数的合理选取区间,从而为微分进化算法在EIT图像重建中的应用提供了有效的依据.