摘要：工程岩体质量分级评价对工程的安全、设计、经济效益等有重要影响。针对当前岩级划分方法中存在不确定性,人为因素干扰和忽视了传统定性分级中对岩体质量评价的重要性等问题,本文通过在工程实际中搜集样本建立数据库,从工程的实际需求出发,选择岩体完整性系数(K v)、结构面间距(D)、岩石质量指标(RQD)等合适的评价指标,通过引入LDA(Linear Discriminant Analysis)降维方法和K近邻分析(K-Nearest-Neighbor,KNN)相结合的多分类模型,实现了岩体的非线性分级预测。通过定性定量相结合实现了岩体多因素,多指标的综合分级,并解决了多指标判断时信息冗余,复杂程度高的问题。与其他判别方案相比较,模型得出的结果准确率高,符合工程实际,减少了人为因素的影响,体现出较强的预测判别能力。该研究为水电站大坝坝肩处的平硐岩体质量划分提出了一种可行的预测方案。

摘要：对抗样本生成通过在原文本中添加不易察觉的扰动使深度学习模型产生错误输出,常用于检测文本分类模型的鲁棒性。现有对抗样本生成方法多数采用黑盒或白盒攻击,在生成对抗样本的过程中需要和受害模型交互,且攻击效果依赖于受害模型的结构和性能,通用性较差。面向中文文本的对抗样本生成方法使用的变换策略过于单一,无法生成多样化的中文对抗样本。针对这些问题,提出一种基于原型网络的对抗样本生成(AEGP)方法。在全面分析汉字结构特点和人类阅读习惯的基础上,设计8种可保持语义一致的中文文本变换策略。将卷积神经网络作为编码器,构建原型网络,利用同一类别下的其他文本辅助发现所需变换的文本片段。针对选择的文本片段应用文本变换策略,生成对抗样本。实验结果表明,AEGP方法具有较好的通用性,能生成多样化的对抗样本,且相比于基线方法,分类模型在AEGP方法生成的对抗样本上的准确率下降了9.21~32.64个百分点。

摘要：提出了一种新型的强鲁棒黑盒指纹水印框架及方法。首先,提出了一种基于数字水印技术的高视觉质量的、具有一定安全性的毒化图像构造方法,将指示用户身份的信息嵌入到毒化图像,实现多用户场景下深度神经网络模型的可追溯性,并降低毒化图像被伪造的概率;其次,提出了毒化特征加强模块来优化模型训练;最后,设计了对抗训练策略,有效地学习到嵌入强度很小的指纹水印。大量的仿真实验表明,所构造的毒化图像中的指纹水印具有非常好的隐蔽性,大幅超越了WaNet等同类最优模型水印方法;以分类性能降低不超过2.4%的代价获得了超过99%的黑盒模型指纹水印验证率;且即便在指纹水印相差1位时亦能准确地进行模型水印版权验证。这些性能总体上优于同类最优的模型水印方法,表明了所提方法的可行性和有效性。

摘要：为提升烟草品牌识别的效率和准确性,本文设计了基于目标检测和多分类模块的烟草品牌识别方案。首先采用Faster-RCNN目标检测模型优化主干网络,然后使用ResNeXt多分类模型对烟盒进行具体品牌的分类识别。实验的结果表明,本方案在烟草品牌识别方面具有较高的准确率,可以为烟草品牌管理者提供良好的品牌识别服务。

摘要：[目的/意义]实现数据故事化中的反转点识别,有助于非专业人士理解分类型预测结果的产生原因,同时对于推动故事情节发展并使其快速到达故事高潮点具有促进作用。[方法/过程]提出故事点与反转点概念,基于LIME解释技术和反转点识别过程,设计了用于数据故事化中反转点识别的算法方案,并提出了面向分类模型的反转点识别流程。[结果/结论]将反转点识别算法应用到贷款数据集,证明此算法在数据故事化过程中寻找反转点的有效性,在获得用户期望的预测结果和快速识别反转点方面具有应用价值。

摘要：采用自然语言处理技术提取文档特征,运用规则知识库与神经网络模型,在对液氧煤油发动机技术原有文件资料人工知识分类标记的基础上,实现新增技术成果所属的专业分类、知识分类、专业技术分类、关键技术分类等维度的自动分类标记,形成智能化、常态化知识资源自动积累机制,能够保障液氧煤油发动机文件资料的分类积累,为设计创新提供借鉴和参考。

摘要：在使用土地覆盖类型分类模型分类高原土地覆盖类型的过程中,由于不同类别地物间光谱信息更相近,在没有多特征降噪的情况下,容易产生噪声偏差,导致土地覆盖类型错分,设计一种基于遥感图像光谱特征融合的高原土地覆盖类型分类模型。设计特征提取方法,提取遥感图像中几何特征的空间特征与属性特征,以展示遥感图像光谱更多的空间细节信息;将遥感图像按照一定模式规则进行处理和运算,构建三种多特征融合模式,使用SVM作为分类工具,计算其中参数,实现元素的线性可分。模型性能测试结果表明:设计的分类模型所得到的分类结果在生产精度、总体精度、Kappa系数这三个指标中的评分均达到了0.7以上,验证了设计模型在高原土地覆盖类型分类中的准确性。

摘要：随着教育改革的不断推进,高职院校的生源呈现多元化发展趋势,多样化的生源导致不同生源学习者存在个体差异,这对传统课堂教学带来了问题与挑战。本研究结合当前高职生源现状,阐述了学习者能力分类依据及分类模型构建原则,并基于高职多元化的招生导致的学生的个体差异,构建了学习者分类模型,有利于教师充分了解学生差异,从而设计适合于不同类型学生的差异化教学模式,提升课程质量。

摘要：针对产品定制设计中的客户需求分类问题,建立了基于一维卷积神经网络的客户需求分类模型.首先收集客户需求,建立客户需求规范表,并根据客户购买力将其分为I类、II类、III类;其次,使用三角模糊数对客户需求语义信息做量化处理;然后,将量化后的客户需求信息分为训练样本和测试样本,基于一维卷积神经网络进行训练和测试,从而建立了客户需求分类模型.最后,以施工升降机为例,验证了该模型的有效性.

摘要：在海量音乐素材库的建设和音乐应用的自动推荐等场景中,由于乐曲特征具有复杂性与非线性的特点,因此计算机对音乐情感的自动识别效果并不理想。针对传统机器学习算法存在准确率偏低、鲁棒性较差的问题,文中基于改进的RCNN网络提出一种多模态的音乐情感识别及分类算法模型设计方案。该模型通过加重、分帧和加窗等手段对多模态数据进行预处理,并使用MFCC提取乐曲频率的特征向量,同时采用RCNN网络提取特征向量的全局及局部特征,利用双向LSTM算法获取数据的时序特征,再将训练得到的数据经自注意力机制加权后输出分类结果。在实验测试中,所提算法的二分类和四分类测试结果均优于对比算法,且平均分类准确率领先同类算法1.9%,证明其具有较为理想的综合性能。