摘要：为提高降雨预测的准确率,解决现有深度学习降雨预测模型缺乏对多站点气象数据时空关系建模能力的问题,提出基于多任务学习和改进的长短时卷积计算网络降雨预测模型(MTL-LSTC)。在长短时记忆网络内部的输入到状态和状态到状态的转换过程加入卷积运算结构,对气象序列数据进行编码,结合多任务学习方法提取出站点间隐藏的交互信息,建立站点间相关性模型,实现基于多站点气象数据的降雨预测。模拟实验结果表明,MTL-LSTC模型预测结果准确率更高且模型更高效,多站点气象数据的利用率也得到较大提升。

摘要：针对面部遮挡情况下表情特征难以提取的问题,提出一种双通道遮挡感知神经网络模型。设计区域遮挡判定单元并集成到VGG16网络中形成遮挡感知神经网络,提取面部图像中未遮挡区域及遮挡较少区域的表情特征。运用迁移学习算法对卷积层参数进行预训练,减轻训练数据样本不足带来的过拟合问题。通过优化残差网络提取全脸表情相关特征,在此基础上加权融合遮挡感知神经网络和残差网络的输出以识别表情。在CK+、RAF-DB、SFEW这3个公开数据库上进行对比实验,结果表明,该模型平均准确率分别达到97.33%、86%、61.06%,与OPCNN、ResNet、VGG16等传统卷积神经网络模型相比,有效提高了面部遮挡情况下的表情识别精度。

摘要：随着深度神经网络和智能移动设备的快速发展,网络结构轻量化设计逐渐成为前沿且热门的研究方向,而轻量化的本质是在保持深度神经网络精度的前提下优化存储空间和提升运行速度。阐述深度学习的轻量化网络结构设计方法,对比与分析人工设计的轻量化方法、基于神经网络结构搜索的轻量化方法和基于自动模型压缩的轻量化方法的创新点与优劣势,总结与归纳上述3种主流轻量化方法中性能优异的网络结构并分析各自的优势和局限性。在此基础上,指出轻量化网络结构设计所面临的挑战,同时对其应用方向及未来发展趋势进行展望。

摘要：针对不平衡数据分类问题,提出一种基于密度峰值的Adaboost算法。将训练数据划分为多数类和少数类,统计各自的数量;在多数类样本中,对由密度峰值算法快速聚类生成的各个簇按照采样率 进行随机欠采样,将所采样的多数类与原少数类合成新样本,降低数据的不平衡性;将合成样本带入以决策树为基分类器的自适应增强模型,通过改变样本权值分布提高该算法模型对于不平衡数据的分类性能。实验结果表明,该算法在评价指标ROC曲线下的面积(AUC)、G-mean和balance方面优于或者部分优于其它对比算法。