基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

论P2P技术使用与著作权问题关系

在网络迅速发展的今天,网络促进了信息流通的同时,也对传统的知识产权保护框架提出挑战。P2P技术的出现在传播网络信息过程中发挥了重要作用,但同时也损害了著作权人的利益。     

基于实例置信度推断的半监督小样本植物病害图像识别

植物病害影响农业生产的产量和质量。针对现有小样本植物病害识别方法大多数都是基于监督式学习模型以及少数半监督学习方法未判别伪标注样本的可信度的问题,提出一种基于实例置信度推断的半监督学习小样本植物病害图像识别方法。首先构建ResNet-12网络提取有标注样本和无标注样本的特征;其次利用极少数有标签的植物病害样本训练SVM分类器,用分类器推断无标注样本的类别并赋予伪标签;然后采用实例置信度推断(ICI)算法获取伪标注样本的置信度,迭代选择可信的伪标签样本加入训练拓展支持集;最后应用训练后的网络模型对植物病害图像进行识别。该方法能够反映无标注病害样本的真实分布,迭代选择最可信的伪标注样本进行模型训练,从而提高模型的识别性能。试验采用Plant Village公开数据集进行10-way-5-shot试验。结果显示：在unlabel=50的情况下识别准确率为89.34%,病害的各项评价指标均随着无标注样本数量的增加而增加。结果表明本研究提出的方法从无标注样本中获取到的信息是鲁棒的,且识别准确率优于传统迁移学习,能有效提升小样本条件下植物病害图像的识别效果。     

P2P网络借贷风险传导机理探析

进入21世纪以来,我国互联网的发展速度得到了较大的提升,其中"云技术"、"大数据"的技术也得到了较大的提高,消费者的消费观念也在逐渐的改变,一些以互联网技术为基础的"互联网金融"已经形成,其中P2P网络借贷平台是一种快捷、方便、灵活的新型金融模式,已经逐渐被广大消费者认可,成为了互联网金融中一个发展较快的金融模式。然而在P2P网络借贷平台快速发展的同时,其中的风险也逐渐的暴露出来,因此对P2P网络借贷风险传导机理的研究是十分必要的。本文从P2P网络借贷的基本理论出发,对P2P网络借贷风险传导机理进行了研究,并分析了形成P2P网络借贷风险的动因,提出了几点P2P网络借贷风险防范的建议,目的在于规避P2P网络的借贷风险,保证P2P网络借贷平台的顺利运营。     

P2P应用网络流量特性研究

通过研究P2P网络流量数据,证实了在Maze应用中少量的流和主机产生了大部分的网络流量,但同时也发现同WWW应用和整个链路流量的情况相比较这一现象并不突出.针对流的自相似性分析表明,Maze应用的流到达间隔时间和流到达速率具有明显的自相似特征,但是自相似系数并没有达到很高程度.     

P2P在教育资源建设中的应用研究

P2P技术是目前新一代网络研究的活跃领域,它引导网络计算机从集中式向分布式偏移,网络应用的核心从中央服务器向网络边缘的终端设备扩散,将P2P引入到网络教育资源建设领域,尝试解决资源共享、资源建设、信息服务的智能化等其发展中遇到的问题。     

我国P2P网络借贷信用风险影响因素研究——基于排序选择模型的实证分析

P2P（peer-to-peer）网络借贷是一种借助网络平台,由个人与个人间互为借贷双方的小额借贷交易。它作为互联网与民间借贷相结合的新兴金融模式,具有较高的信用风险。采用排序选择模型,基于excelVBA数据挖掘技术截取多个P2P网站数据,对平台信用风险的影响因素进行实证分析,结果表明：个人特征、信用变量、历史表现、借款信息分别对网络借贷信用风险存在正向影响,由此发现网站提供的信息对投资者避免信用风险没有起到实质作用。     

一种玉米雄穗图像识别算法研究

针对复杂的玉米田间图像,提出了一种玉米雄穗识别算法。该算法在HOG/SVM算法的基础上进行改进,为了弥补HOG特征只表现图像的轮廓特征这一缺点,分别提取待测图像块的颜色特征、轮廓特征和纹理特征,并送入提出的组合级联SVM分类器中进行判别。该SVM分类器是由2级SVM模型组合构成的,并使用大量经过人工标注的雄穗图像和背景图像为样本训练而成。综合考虑分割结果和性能评价,雄穗成功识别率为83%,该方法能很好地识别玉米雄穗,适用于复杂田间玉米雄穗图像的分割。     

基于孪生多尺度空洞胶囊网络的黄瓜叶部病害检测方法

在黄瓜叶部病害检测中,传统方法简单但检测正确率低,难以处理多种多样的病害叶片图像,深度卷积网络的检测正确率高,但依赖于大量训练样本,训练时间长。本研究提出一种基于孪生多尺度空洞胶囊网络(Siamese multi-scale dilated capsule network, SMSDCNet)的黄瓜叶部病害检测方法,该方法整合了孪生网络、空洞卷积网络和胶囊网络的优势,将多尺度空洞卷积模块Inception引入胶囊网络,作为孪生网络的子网络,构建孪生多尺度空洞胶囊网络模型,提取多尺度判别特征,再进行矢量化处理,最后经动态路由算法得到具有空间位置信息的胶囊向量,进行病害检测与识别。SMSDCNet克服了深度卷积网络需要大量训练样本、训练时间长以及对旋转和仿射变换敏感的问题,并且克服了多尺度卷积网络训练参数较多的问题。在一个较小的黄瓜病害叶片图像数据集上进行试验,病害检测精度达90%以上。结果表明,该方法能够实现小训练样本集的黄瓜叶部病害检测,为训练样本有限情况下的作物病害检测提供了一种新方法。     

P2P网络传输协议浅析

本文从C/S与P2P传输方式的区别入手,讨论了P2P的发展历程,分析P2P的基本工作原理与多点传输的信息共享方式的优势所在,每个用户既是客户机同时又是服务器,极大的提高网络下载速度,丰富了网络资源,并对当前的P2P技术在人们日常生活中的各方面应用作了简要介绍。     

基于迁移学习的竹片缺陷识别

使用竹片图像实现竹片缺陷自动识别，目前深度学习可以有效地解决该类问题，但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时，利用基于迁移学习的方法，把经过预训练的卷积神经网络模型进行迁移，即共享卷积层和池化层的权重参数，调整新网络模型的超参数，并建立一个包含4种共计6 360张竹片缺陷图像的数据库，把图片分成4种训练集测试集形式，即80%训练、20%测试；60%训练、40%测试；40%训练、60%测试；20%训练、80%测试，分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试，并将这3种方法作对比。最后，通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明，按照80%训练、20%测试的识别准确率最高，通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%，比普通深度学习提高了11.55% ，比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别，并且效果优于普通深度学习和 SVM 分类方法。     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于参数指数非线性残差神经网络的脐橙病变叶片识别

提出一种参数指数非线性(PENL)函数来改进残差网络,利用深度学习的新方法识别脐橙叶面病变,减少了整流线性损失,提升了训练效果。以脐橙叶面图像为样本,进行CNN训练,以区分出病变、缺素、正常及非此类物种4种类型,实现了对于脐橙疾病检测迅速且方便应用的分类模型,相比于传统植物病变识别方法具有极大的优势,最终识别准确率达到了97.18%~98.86%。     

基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

RBF神经网络在平顶山市地表水评价中的应用

为准确和客观地评价地表水环境质量状况,运用MATLAB软件中的神经网络工具箱,结合K均值聚类方法建立径向基函数网络,对平顶山市2004年市控5个地表水断面进行了环境质量评价。在评价前根据平顶山市的实际情况对训练样本范围进行更改,将训练和测试样本进行归一化处理,同时利用RAND函数对训练样本进行插值保证神经网络充分学习。结果发现,K均值聚类法能快速准确地确定网络中心,用建立的径向基函数网络进行地表水质量评价,其评价结果与单因子方法的评价结果一致,并且具有计算速度快、量化评价结果便于同类水质间互相比较的优点。