摘要：针对当前教育资源分配不均、个性化学习需求日益增长的现状,提出了一种结合深度学习算法的教学资源共享平台设计方案。该平台旨在构建深度学习模型,实现对用户学习行为的深入理解和分析,进而实现个性化学习资源的精准推荐和学习路径的智能规划。实验测试结果表明,与传统教学资源共享平台相比,基于深度学习的平台在提升用户学习兴趣和学习满意度方面具有显著优势。

摘要：针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和rnn(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(Drnn)用于时空预报。使用深度全连接神经网络(DFNN)作为Drnn的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。

摘要：化工过程中存在一类操作变量维度小于目标被控变量维度的过程。针对该类过程,现行控制方法的控制效果仍有待提高。为实现对上述化工过程的良好控制,类比欠驱动机械系统提出了基于循环神经网络(recurrent neural network,rnn)补偿器的控制方法。该方法基于模糊逻辑与信息融合设计主控器,并通过额外串联模糊控制器实现了传统模糊控制器的量化因子与比例因子的自适应整定,又运用rnn设计了补偿控制器,通过以上改进解决了模型与实际过程之间的未建模动态性能与参数不确定性偏差导致的动态性能较差和存在稳态误差的问题。最后,以二级二路压缩过程为例进行了仿真,仿真结果证明了所提控制方法的有效性。

摘要：为提高公路隧道事故异常声音识别的准确率,并针对卷积神经网络只关注局部信息问题,提出了一种基于CNN-rnn集成的声音识别模型。该模型采用Stacking集成策略将CNN的强特征表达能力和rnn的强记忆能力相结合,并使用门控循环单元减少循环神经网络的计算复杂度,将SIREN正弦周期函数作为rnn的隐式激活函数,增强模型对声音数据的拟合能力,设计多通道卷积细化特征提取的精度,实现全局化特征提取。在异常声音数据集上评估了所提声音识别模型的识别性能,实验结果表明:提出的声音模型的识别性能高于其他模型,且更加稳健,可有效识别公路隧道事故的异常声音。

摘要：In this study,we implement forward modeling and inversion based on deep-learning strategies using an optimal nearly analytic discrete(ONAD)*** forward-modeling method combines the ONAD method with recurrent neural network(rnn)for the fi rst *** is a type of neural network that is suitable for sequential data,which uses information from both previous and current times to obtain output *** express the ONAD method using an rnn framework to advance the time iteration of an acoustic *** process can simplify programming using rnn and convolution ***,we use deep learning based on the proposed forward-modeling method to study full waveform-inversion *** the main purpose of inversion is to minimize the error between real and synthetic data,inversion is essentially an optimization *** new optimizers are available in the framework of deep learning,such as the Adam and Nadam optimizers,which are used for optimizing velocity model in the inversion *** perform six numerical *** first two experiments demonstrate the forward-modeling results,which indicate that the forward-modeling method can effectively suppress numerical dispersion and improve computational effi *** other four experiments demonstrate the inversion results,which show that the method proposed in this paper can eff ectively realize inversion *** compare several optimizers used in deep learning and find that the Nadam optimizer has faster convergence and better effectiveness based on the ONAD method combined with rnn.

摘要：分布式数据库的设计需要分布式环境来进行子数据库设计,并在该环境中对数据库进行分段.总结了数据库分段方法的不同技术,研究了用随机神经元网络(rnn)方法进行数据自动分段选择操作,并设计了两种非线性算法,取得了令人满意的结果.

摘要：英语语义的精准识别与分析在计算机与人工智能技术应用领域具有重要的意义,传统的文本分析技术实时性差、分析精确度与效率低,文中基于神经网络设计了一套英语语义分析方法。为获取英语文本中的所有信息,选取递归神经网络识别单词模型,设计了包含输入层、隐藏层与输出层的rnn网络。为识别不同句式的英语文本,选取长短时记忆网络提取文本的有用信息,通过实验选取误差值最小的识别网络。分析实验数据测试结果可知,与传统的DiSan等语句分析方法相比,该LSTM-rnn网络的相关性能准确率高达94.5%,且模型占用硬件资源少,具有较优的应用前景。

摘要：为了提升电力网络的安全运行水平,对电网的雷电智能预警方法进行了研究。对历史雷电数据加以提取和分析,从而建立起完备的历史数据集。基于历史数据与数学建模的思想,将雷电预警问题抽象为时间序列的处理问题,并引入循环神经网络(rnn)完成对问题的求解。同时在rnn的应用过程中,采用长短期记忆模型(LSTM)以及Dropout机制解决了传统模型中的过拟合现象。LSTM模型使用输入门、遗忘门和输出门对信号的传递流程进行了修正,且替代了rnn隐藏层中的普通节点,确保了误差函数梯度在训练过程中能够严格遵循时间步骤。而Dropout机制则将部分神经元置为失效状态,避免了其在训练中的相互适应。在山东地区的雷电数据集上进行的仿真实验结果表明,rnn网络在引入LSTM与Dropout机制后,模型的预测精度提升了4.61%。

摘要：在百度举办的WSDM Cup用户留存率预测比赛中,比赛的主要任务为根据用户在好看视频App一天当中的交互数据来预测下一天用户是否会继续使用App,该任务为典型的二分类类型。在新用户下载App并使用一段时间过后,一些用户会在下一天继续登录和使用App,这种用户也叫回归用户;而另外一部分用户可能会仅仅在下载的当天探索使用,而在此之后的很长时间不会继续使用。设计一种实用的机器学习方法来解决这一难题,包括特征工程、LightGBM、CatBoost等GBDT梯度提升树、ManyToMany结构的rnn和机器学习模型Stacking方法。希望能找到有效提高用户留存率预测正确率的方法,以及深度挖掘影响用户留存率的关键因素,在该比赛任务中,我们所设计的方案,最终以0.7671的成绩获得第二名。

摘要：本文设计实现了一种neural language model,它的输入只有字母,输出为所预测的单词。该模型是一种recurrent neural net-work language model(rnn-LM),具体实现方面应用了较为成熟的long short-term memory(LSTM)结构,并在字符输入模块后使用了highway net-work技术,提高了该模型的性能,该模型在English Penn Treebank上测试结果达到了上游水平。并且训练出的模型的空间大小比传统DNN模型小的多。该模型在语意理解方面综合来说略微低于word level模型,但更加容易理解变形词汇,通过少量的模型变换可以转换成为word level模型,适应性较强。