简介：内容摘要：近年来，随着移动互联网和电子商务的迅猛发展，网上购物对于人们的重要性不言而喻，并且它们已经成为人们日常生活中的重要组成部分，尤其在疫情期间得到了更进一步的发展。在实际应用场景当中，用户经常会有着如何搭配，搭配什么之类的疑惑，不仅仅拘泥于样式和颜色，电商之中也出现了越来越多有关衣服推荐搭配的功能，这种功能很大程度影响到用户的购物体验，并进而影响电商平台的发展。因此衣服搭配问题和衣服推荐好坏成为近年来一个热门的研究问题。

简介：[摘要] 传统基于载体修改的信息隐藏算法渐渐已经难以抵抗更加先进的基于机器学习的隐写分析算法的检测，为提高图像信息隐藏的安全性，本文提出一种基于深度卷积生成对抗网络的新型图像信息隐藏算法，将秘密信息映射为噪声向量，并使用训练的生成器神经网络模型基于噪声向量生成载密图像。实验结果表明，与基于载体修改的传统方法相比，该系统具有抗分析能力强的优势。

简介：摘要：公路运输是物流运输网络的重要组成，精确预测公路运输货运量对指导公路运输网络建设和完善我国物流运输网络有重要作用。针对这一问题,本文提出了一种基于长短期记忆（LSTM）网络的公路货运量预测方法。运用斯皮尔曼分析方法分析了公路货运量和相关影响因素间的关联性，采用LSTM网络对四川省2013-2017年公路货运量进行预测。实验结果表明， LSTM网络货运量预测模型具有较高预测精度。

简介：摘要：传统空调设计阶段，设计人员必须按照设计要求，结合使用功能和需求进行负荷计算。由于建筑所在地和功能不同，负荷特征多种多样。传统的设计方案很难精准计算建筑负荷，造成了设备选型不准确降低了系统能效。本文提出了基于双向长短记忆网络(Bi-LSTM)的空调负荷预测模型。通过与传统的ANN和CNN神经网络模型进行对比，结果表明Bi-LSTM模型精度显著提高。

简介：

简介：深度学习包括监督学习、非监督学习和半监督学习。生成对抗网络GANs已经成为非监督学习中重要的方法之一，其相对于自动编码器和自回归模型等非监督学习方法具有能充分拟合数据、速度较快、生成样本更锐利等优点。GANs模型的理论研究进展很迅速，原始GANs模型通过MinMax最优化进行模型训练；条件生成对抗网络CGAN为了防止训练崩塌将前置条件加入输入数据；深层卷积生成对抗网络DCGAN提出了能稳定训练的网络结构，更易于工程实现；InfoGAN通过隐变量控制语义变化；EBGANAk-量模型角度给出了解释；ImprovedGAN提出了使模型训练稳定的五条经验；WGAN定义了明确的损失函数，对G＆D的距离给出了数学定义，较好地解决了训练坍塌问题。GANs模型在图片生成、图像修补、图片去噪、图片超分辨、草稿图复原、图片上色、视频预测、文字生成图片、自然语言处理和水下图像实时色彩校正等各个方面获得了广泛的应用。

简介：摘要：文章以电力负荷预测为落脚点，结合现有预测方法，通过集成记忆网络、主成分分析的方式，对全新预测模型进行了建立，该模型有效解决了现有方法无法保证预测精度的问题。在依次对主成分分析、LSTM神经网络、预测模型建立要点进行说明后，通过模拟预测的方式，利用实际数据对该模型的有效性进行了验证，供相关人员参考。

简介：摘要：文章以电力负荷预测为落脚点，结合现有预测方法，通过集成记忆网络、主成分分析的方式，对全新预测模型进行了建立，该模型有效解决了现有方法无法保证预测精度的问题。在依次对主成分分析、LSTM神经网络、预测模型建立要点进行说明后，通过模拟预测的方式，利用实际数据对该模型的有效性进行了验证，供相关人员参考。

简介：摘要生成对抗网络（GenerativeAdversarialNets，简称GAN）是深度学习中的一个重要模型。本文首先从GAN中的两个模型-生成模型和判别模型出发，介绍了其概念以及区别，并讲述了其工作原理和大致训练过程，最后从数学表达式解析生成模型和判别模型的优化工作。

简介：以卷积神经网络为代表的深度学习算法在医学影像分析领域正引起广泛美注，并取得了令人惊叹的进步。为了进一步提高卷积神经网络在计算机辅助筛查肺结节应用的准确率，本文设计了2种改良的深度卷积神经网络，这些改进加快了神经网络的训练速度．有效地防止了算法的过拟合。相比只采用二维卷积核的其他检测模型，该模型能够有效地学习到CT影像三维重建后的图像特征。通过实验，改进的检测模型在LUNAl6数据集上的准确率明显好于其他模型，这种网络结构也可用于医学影像领域中其他三维图像的检测场景。最后，构建了一套适用于远程医疗的“计算机辅助肺癌筛查与诊断系统”，该系统能够自动检测出CT影像中肺结节，并给出结节的良恶性概率评估。通过该系统的应用，可以有效缓解放射科医生超高的劳动强度，提高阀片效率，服务更多患者；减少漏诊和误诊发生的次数，有助于提高肺结节的诊断准确率；从而促进我国肺癌早筛工作的推广。

简介：摘要目的评价基于深度学习卷积神经网络（convolutional neural networks，CNN）的肺结核CT辅助诊断模型在临床中的应用价值。方法收集2017年3月至2018年3月河北省胸科医院影像科菌阳并接受胸部高分辨率CT平扫检查的1 764例患者的病例资料，其中男937例，女827例，年龄17～73岁，平均年龄38.4岁。由4名影像科医师对含病变的20 139幅CT图像进行分类标注（17种影像特征），以此作为训练数据集，构建肺结核CT图像CNN诊断模型。训练数据集数量最多的前5种影像特征依次为：浸润型肺结核、空洞型肺结核、胸膜增厚、干酪性肺炎和胸腔积液。从已标注图像中随机抽取302幅图像作为测试数据集，以2名高级职称医师的诊断为“金标准”，比较CNN诊断模型和医师在肺结核CT诊断中敏感度和准确率的差异，统计CNN诊断模型分类错误的类型、数量，并绘制自由响应受试者工作特征（FROC）曲线，以测量该模型的最大诊断效能。结果CNN诊断模型对测试数据集中浸润型肺结核、空洞型肺结核、胸膜增厚、干酪性肺炎和胸腔积液的诊断准确率分别为：95.33%（10 982/11 520）、73.68%（2 151/2 920）、73.07%（1 128/1 544）、83.33%（1 020/1 225）和94.11%（814/865）；CNN诊断模型的总体诊断敏感度和准确率分别为95.49%（339/355）和90.40%（339/375），医师的对应数值分别为：93.80%（348/371）和92.80%（348/375），CNN模型和医师诊断比较差异无统计学意义（敏感度χ2=1.022，P=0.312；准确率χ2=1.404，P=0.236）；FROC曲线显示，当敏感度为78%，假阳性区域个数为2.48时，该模型诊断效能最大。CNN诊断模型诊断结核病变的分类错误主要集中于纤维条索灶、空洞型肺结核、干酪性肺炎与浸润型肺结核的混淆上。结论基于深度学习CNN的肺结核CT辅助诊断模型有较高的诊断敏感度和准确率，该模型可辅助影像科医师的肺结核诊断工作，值得在临床工作中推广应用。

简介：摘 要：强对流团容易引发短时强降水并造成自然灾害，且生命周期短、空间尺度小，传统方法难以及时、准确预测。本文将通过深度卷积神经网络对商洛市天气雷达、卫星云图的图像进行智能分析，进而来预测强对流团带来的强降水、雷雨、大风、冰雹等极端天气现象的发生。

简介：摘要：森林资源评估对于准确掌握森林资源现状和变化，森林可持续经营、森林有序利用意义重大。随着遥感数据资源不断丰富，对遥感影像处理方法越来越先进和完善。遥感影像评价正逐渐取代传统调查方法，成为评估森林资源现有状态和变化的重要工具。本文基于无人机调查影像图，通过专家进行预先评估，建立标注数据，构建和训练了深度卷积神经网络森林资源评价模型。经过实验测试和验证，其准确率达到90.2%，召回率也达到82.8%。对比了传统的评价方法，论文提出的基于深度卷积神经网络的评价方法更加客观、准确，更加有效且符合实际。

简介：摘 要：近年来，大数据、云计算、人工智能等新技术的迅速发展，数据量也急速增长。对于多模数据的应用和海量数据的处理已经成为研究人员最关注的话题之一。而神经学习的出现，给处理多模和海量数据带来了新的方向。深度学习构建的神经网络可以很好的处理非结构化的数据，给推荐算法的发展指明了道路。文章搭建了一种基于深度神经网络的多模信息推荐算法模型。实验结果表明，该模型能够有较好的推荐效果。

简介：摘要生成对抗网络（GenerativeAdversarialNets，简称GAN）是深度学习中的一个重要模型。本文首先从GAN中的两个模型-生成模型和判别模型出发，介绍了其概念以及区别，并讲述了其工作原理和大致训练过程，最后从数学表达式解析生成模型和判别模型的优化工作。

简介：

简介：摘要卷积神经网络在自然语言处理中的应用是近年的研究热点。文章通过对几项典型工作的分析，研究了卷积神经网络在各项自然语言处理任务中的性能与效果。并对卷积神经网络语言模型的改进规律进行了总结。

简介：摘要：深度学习和人工智能已成为我国当下的热门讨论话题，卷积神经网络模型作为深度学习模型中具有代表性的模型之一受到了许多研究者的关注。本文在介绍卷积神经网络模型发展历程的基础上，探讨了卷积神经网络模型在目标检测、语义分割以及自然语言处理方面的应用，以期能为该领域的研究者选择模型时提供参考。

简介：摘 要：随着互联网的广泛普及和多异构网络的迅猛发展，传统的网络学习资源推荐模型已经无法适应互联网的快速发展和满足学习者的个性化需求。本项目正是在总结传统推荐算法的缺点和不足的基础上，基于多异构网络融合，设计了新的推荐算法：联合排序算法。

简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。