精华内容
下载资源
问答
  • 机器学习方面的参考论文

    千次阅读 2017-03-04 10:08:20
    机器学习在 只能军事化领域、环境监测、自适应系统 以及 生成对抗网络 方面的文章。

    最近整理了下机器学习在 只能军事化领域、环境监测、自适应系统 以及 生成对抗网络 方面的文章:

     [1] Goodfellow Ian,Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances inNeural Information Processing Systems. 2014: 2672-2680. 

    [2] Mirza M, Osindero S. Conditional Generative AdversarialNets[J]. Computer Science, 2014:2672-2680. 

    [3] Denton E L, Chintala S, Fergus R. Deep Generative Image Modelsusing a Laplacian Pyramid of Adversarial Networks[C]//Advances in neuralinformation processing systems. 2015: 1486-1494. 

    [4] Radford A, Metz L, Chintala S. Unsupervised representationlearning with deep convolutional generative adversarial networks[J]. arXivpreprint arXiv:1511.06434, 2015. 
    [5] Im D J, Kim C D, Jiang H, et al. Generating images with recurrent adversarialnetworks[J]. arXiv preprint arXiv:1602.05110, 2016. 
    [6] Larsen A B L, Sønderby S K, Winther O. Autoencoding beyond pixels using alearned similarity metric[J]. arXiv preprint arXiv:1512.09300, 2015. 
    [7] Wang X, Gupta A. Generative Image Modeling using Style and StructureAdversarial Networks[J]. arXiv preprint arXiv:1603.05631, 2016. 
    [8] Chen X, Duan Y, Houthooft R, et al. InfoGAN: Interpretable RepresentationLearning by Information Maximizing Generative Adversarial Nets[J]. arXivpreprint arXiv:1606.03657, 2016. 
    [9] Kurakin A, Goodfellow I, Bengio S. Adversarial examples in the physicalworld[J]. arXiv preprint arXiv:1607.02533, 2016. 
    [10] Odena A. Semi-Supervised Learning with Generative Adversarial Networks[J].arXiv preprint arXiv:1606.01583, 2016. 
    [11] Springenberg J T. Unsupervised and Semi-supervised Learning withCategorical Generative Adversarial Networks[J]. arXiv preprintarXiv:1511.06390, 2015.

     

    [12]Kataoka, Y. Matsubara, T. Uehara, K. Image Generation Using generative Adversarial Networks and Attention Mechanism. 2016 Ieee/Acis 15th International Conference on Computer and Information Science (Icis). Jun 26-29, 2016-933-938

    对于图像生成,深层神经网络被训练以提取自然图像上的高级特征并且从特征重建图像。然而,难以学习生成包含大量内容的图像。因此提出一个网络模型通过被训练以处理图像的部分并逐步地生成图像。此外,还提出生成对抗网络(GAN)方法来生成更逼真的图像。

     

    [13]Li, C. Wand, M. Precomputed RealTime Texture Synthesis with Markovian Generative Adversarial Networks. Computer Vision - Eccv 2016, Pt Iii. Oct 08-16, 2016-702-716
    本文提出马尔可夫生成式对抗网络(MGANs),是一种用于有效纹理合成的训练生成网络的方法。

     

    [14]Wang, X. L. Gupta, A.-GenerativeImage Modeling Using Style and Structure Adversarial Networks-Computer Vision -Eccv 2016, Pt Iv- 2016-318-335

    本文将图像生成过程因式分解,并提出了风格和结构生成对抗网络(S-2-GAN)。用于生成更逼真的图像,可以用于学习无人监督的RGBD表示。

     

    [15]Yoon, Y. Choe, G. Kim, N.Lee, J. Y. Kweon, I. S.-Fine-Scale Surface Normal Estimation Using a Single NIRImage-Computer Vision - Eccv 2016, Pt Iii-2016-486-500

    本文中采用生成对抗网络,解决使用未校准光源捕获的图像重建精细尺度表面几何的问题。

     

    [16]Zhu, J. Y. Krahenbuhl, P.Shechtman, E. Efros, A. A.-Generative Visual Manipulation on the Natural Image Manifold-ComputerVision - Eccv 2016, Pt V-2016-597-613

    本文直接从数据使用生成对抗神经网络学习自然图像流形。解决以用户控制的方式修改图像外观,同时保持结果的真实性的问题。

     

    [17]Li, Weijia Fu, Haohuan Yu, Le Gong, Peng Feng, Duole Li,Congcong Clinton, Nicholas-Stacked Autoencoder-based deep learning for remote-sensingimage classification: a case study of African land-cover mapping-InternationalJournal of Remote Sensing-28 Feb 2017-5632-5646
    在本文中,我们把以深度学习为基础的分类方法应用到大规模土地覆盖制图上。基于深度学习模型之一的堆叠自动编码器(SAE),我们为大规模遥感图像处理构建了分类框架。基于我们的测试样本调整和优化模型参数,我们将基于SAE的方法与包括RF,SVM和ANN的传统分类算法的性能进行了多重性能分析。

     

    [18]Li, WeiWu, Guodong Zhang,Fan Du, Qian-Hyperspectral Image Classification Using Deep Pixel-PairFeatures-Ieee Transactions on Geoscience and Remote Sensing-FEB 2017-844-853

    深度卷积网络最近比较热门,它在高光谱图像分析中拥有优异的性能。本文中,提供了一种新型的像素对放啊发,能够显著提高其性能。

     

    [19]Babalola, A. A. Belkacemi,R. Zarrabian, S. Craven, R.-Adaptive Immune System reinforcement Learning-Basedalgorithm for real-time Cascading Failures prevention- Engineering Applicationsof Artificial Intelligence-JAN 2017-118-133

    本文提出一种能够针对特定系统状态选择适当的组合来给出人工智能算法强化学习能力的基于免疫系统加强学习(ISRL)算法,用于解决长期存在的不受非智能算法的问题。

     

    [20]Babalola, A. A. Belkacemi, R. Zarrabian, S. Craven, R.Adaptive Immune System reinforcement Learning-Based algorithm for real-time Cascading Failures prevention- Engineering Applications of Artificial Intelligence-JAN 2017-118-133
    本文提出一种能够针对特定系统状态选择适当的组合来给出人工智能算法强化学习能力的基于免疫系统加强学习(ISRL)算法,用于解决长期存在的不受非智能算法的问题。

    [21]Gao, W. N. Jiang, Z. P.Adaptive Dynamic Programming and Adaptive Optimal Output Regulation of Linear Systems-Ieee Transactions on Automatic ControlIeee Transactions on Automatic Control—DEC 2016-4164-4169
    本文提出采用加强学习和自适应动态规划技术的近似最优控制器,提出控制器指数稳定闭环系统。解决连续时间线性系统的自适应最优输出调节问题。

    [22]Liu, L. Wang, Z. S. Zhang, H. G.-Adaptive Fault-Tolerant Tracking Control for MIMO Discrete-Time Systems via Reinforcement Learning Algorithm With Less Learning Parameters-Ieee Transactions on Automation Science and Engineering-JAN 2017-299-313
    本文涉及一种基于增强学习的自适应跟踪控制技术,以容忍具有较少学习参数的未知多输入多输出非线性离散时间系统类的故障。


    [23]Wang, Y. Z. Pedram, M. Model-Free Reinforcement Learning and Bayesian Classification in System-Level Power Management. Ieee Transactions on Computers. Dec 2016- 3713-3726
    为了应对来自硬件或应用特性的不确定性和变化, 在本文中,基于无模型强化学习(RL)方法提出了在线自适应DPM技术,其不需要状态转换概率函数和奖励函数的先验知识。

    [24]Yang, X. Liu, D. R. Luo, B. Li, C. Data-based robust adaptive control for a class of unknown nonlinear constrained-input systems via integral reinforcement learning. Information Sciences. Nov 2016- 731-747
    本文提出了一种基于数据的鲁棒自适应控制方法,用于一类具有完全未知动力学的非线性约束输入系统。由于系统动力学的不可用性,开发了基于数据的积分强化学习(RL)算法来解决约束最优控制问题。 

    [25]Cao, L. J. Jiang, Q. L. Cheng, M. Wang, C.- Robust vehicle detection by combining deep features with exemplar classification-Neurocomputing-NOV 26 2016-225-231
    提出了一个把深度卷机网络(DNN)与基于Exemplar-SVM(E-SVMS)的鲁棒实例分类器结合起来了的车辆检测框架,以实现在卫星图像中的车辆检测。

    [26]Chen, Y. Yang, C. L. Yang, S. Y. Ieee,- A method for special vehicle recognition based on deep-transfer model-6th International Conference on Instrumentation and Measurement, Computer, Communication and Control (IMCCC)- JUL 21-23, 2016- 167-170
    作为图像识别的应用,特殊车辆识别在军事领域非常重要。本文提出了一种深度传递模型(DTM)来克服现有识别方法中的问题。 DTM结合深度学习和转移学习来解决训练不足的模型的深度模型的难度,提高识别算法的性能。

     

    [27]Varley, A. Tyler, A. Smith, L. Dale, P. Davies, M.-Remediating radium contaminated legacy sites: Advances made through machine learning in routine monitoring of "hot" particles-Science of the Total Environment- JUL 15 2015-270-279

    本文提出建立一个优化的检测器 - 算法组合,利用神经网络和支持向量机算法评估来检测当地异质污染。来解决军事和制药目的广泛使用镭导致的大量被污染的遗产地点的检测。

     

    [28]Wu, H.  Zhang, H.  Zhang, J. F.  Xu, F. J.  Ieee-Typical Target Detection In Satellite Images Based On Convolutional Neural Networks-IEEE International Conference on Systems, Man, and Cybernetics (SMC)-Oct 09-12 2015-2956-2961

    本文提出一种基于EdgeBoxes和卷积神经网络(CNN)的新的目标检测框架,以期望找到一种从大量图像数据自动学习演示并提高目标检测的计算效率的有效方式。解决由于复杂的背景,检测卫星图像中的典型目标是一项具有挑战性的任务。


    [29]Zhang, F. Du, B. Zhang, L. P. Xu, M. Z.-Weakly Supervised Learning Based on Coupled Convolutional Neural Networks for Aircraft Detection-Ieee Transactions on Geoscience and Remote Sensing-SEP 2016-5553-5563

    本文提出了一种基于耦合卷积神经网络(CNN)的飞行器检测的弱监督学习框架,解决了,1)提取对象的高级特征和层次特征表示是困难的; 2)大图像集中的对象的手动注释通常是昂贵的并且有时不可靠;3)在这样大的图像内定位对象是困难和耗时的。

     

    [30]Berniker, M.  Kording, K. P. Deep networks for motorcontrol functions-Frontiers in Computational Neuroscience. MAR 19 2015-32

    本文利用机器学习以使用堆叠自动编码器或深度网络来建立函数,解决运动控制的神经实现

     

    [31]Pal, S. Dong, Y. X. Thapa,B. Chawla, N. V. Swami, A. Ramanathan, R. Ieee. Deep Learning for NetworkAnalysis: Problems, Approaches and Challenges. 35th IEEE MilitaryCommunications Conference (MILCOM).Nov 01-3 2016-588-593

    模式识别的信息网络是军队的一个关键问题,当前技术不具有辨别不是先验已知的不寻常特征或图案的能力,因此作者使用深度学习进行网络分析。

     

    [32]Silver, D. ;Huang, A.;Maddison, C. J. ;Guez, A. ;Sifre, L. ;van den Driessche, G. ;Schrittwieser, J.;Antonoglou, I. ;Panneershelvam, V. ;Lanctot, M. ;Dieleman, S. ;Grewe, D.;Nham, J. ;Kalchbrenner, N. ;Sutskever, I. ;Lillicrap, T. ;Leach, M.;Kavukcuoglu, K. ;Graepel, T. ;Hassabis, D. Mastering the game of Go with deepneural networks and tree search. Nature. Jan 2016-484-+

    这是一篇有关alphago的文章,介绍了一种新的方法,用价值网络来评估位置,用策略网络来移动。

     


    展开全文
  • 站长多年收集的车牌识别方面论文! 整理日期:2004年3月6日 运行环境:Windows环境 授权形式:共享软件 推荐程度: 下载次数:3569 文件尺寸:2.74M 下载类型:技术资料--人工智能 作 者:大家 下载链接:...
    站长多年收集的车牌识别方面的论文!
     整理日期:2004年3月6日
     运行环境:Windows环境
     授权形式:共享软件
     推荐程度:
     下载次数:3569
     文件尺寸:2.74M
     下载类型:技术资料--人工智能
     作    者:大家
     下载链接:链接1 
     下载简介:
    站长多年收集的车牌识别方面的资料,站长就是靠这些资料长大的^_^

    现在贡献出来,希望对有需要的朋友有所帮助!也希望大家多来投稿!共同提高。

    展开全文
  • 本文是我在研究生期间根据师兄师姐及导师的指导下,综合整理出来的一篇详细的计算机应用方面中文学术论文写作详细总结,这个框架可以匹配绝大多数中文期刊优秀论文(非综述类),对写学术论文的新手们将有很大的帮助...

         本文是我在研究生期间根据师兄师姐及导师的指导下,综合整理出来的一篇详细的计算机应用方面中文学术论文写作详细总结,这个框架可以匹配绝大多数中文期刊优秀论文(非综述类),对写学术论文的新手们将有很大的帮助。

    一、 文章结构安排

    为了确认论文什么样的总体结构才是合理的的,对随机抽取的10余篇文章的结构进行了统计,结果表明一篇常规论文(非短文)的总体结构参照如下方式安排是比较合理的:

    1)总页数:15~16页以上

    2)摘要字数:190~210

    3)关键词:4个

    4)简介(Section I):1页左右

    5)(当前)相关工作分析(Section II):1页左右

    6)论文方法描述(Section III):7页左右

    7)实验及结果(Section Ⅳ):4.5页左右

    8)结论(SectionⅤ):0.3页左右

    9)文献及作者:1.5页左右

    “论文全部内容”指包含I、II、III、Ⅳ、Ⅴ和文献及作者这几部分。

    二、 标题

    论文的标题有画龙点睛的作用应与文章内容非常贴切这一点往往不被注意有的过大有的又过于局限总之,一点之见即可成文。

    论文选题和标题要点:

    1) 论文选题:首先按照“选题新、方法新、资料(平台)”的原则尽量做到三新至少做到一新,包括“新题新做”“旧题新做”“小题大做”;其次,选题要小(限定好范围),开掘要深不要题目很大,内容却很单薄

    2) 论文关键词:根据论文内容确定关键词,包括体现所用核心方法的关键词(如,马尔科夫链、动态预测、自适应上下文等)、限定应用对象或应用平台的关键词(如GPU、FPGA、星载、机载、嵌入式等)、体现技术优势特点的关键词(如 low-complexity,high throughout, low memory)等。这些关键词是论文标题和内容展开的核心,其包括了但不限于论文的Key words。

    3) 确定标题:选标题要像起名字一样用心,在确定了一系列关键词后,建议充分使用图书馆数据库系统(例如web of knowledge),根据自己论文的各类关键词查询相关或类似文章,从别人的标题中寻找灵感,否则靠拍脑袋是很难有好结果的。其次,标题要既能体现论文研究的背景、范围、对象和关键技术方法,还要有一定新意,并且论文要紧密围绕其展开,不要跑题。

    三、 摘要

    摘要是对文章内容的概括。摘要应写得简练,只需说明写论文的目的、所用的方法及取得的结果(结果尽可能量化,使人印象深刻),200字左右即可。写得不好的摘要中常常有一些没用的话。例如,“随着××技术的发展,应用领域更加广阔,××问题成为××领域研究的热点”,类话没有用(不会给文章的评阅加分)建议模仿高质量论文的摘要结构和论述方式来完成自己的摘要

    四、 引言Introduction: What and why?

    主题:背景(研究什么问题?为啥研究这个问题?),大纲(论文解决问题的基本思路和结构)。

    方法应开门见山、简明扼要。研究的现状及背景;相关研究的发展和工作基础;本文的目的思路(可提假说)。内容一般包括三部分:

    1、为什么要研究该问题? 说明问题的研究背景Background)

    思路:介绍研究背景和目的,论述论文研究对象的重要性,及其技术发展的简要过程和趋势。

    方法:阐述范围要比论文研究内容稍作扩展,如把论文研究内容比喻为1米方圆,则这里介绍10米方圆的事即可,但别扯太远)。一般从以下两方面写:

    1)介绍作用是什么,用于那些场合或者领域。说明所研究的问题及其相关技术在***领域的重要性;然后强调随着技术和需求的发展,该问题在应用中面临着更大挑战和困难,凸显其重要性

    2)近年来该问题在学术领域的发展情况,一般沿时间顺序说明相关的技术发展脉络和过程趋势,说明每个阶段方法的特点和解决问题的范围(或局限性)。

    2、该问题当前在应用中的困难(或症结)是什么问题来源 Problem Statements

    思路:在分析确定问题症结的基础上,给出你论文工作的必要性和意义

    方法:首先,要挖空心思找到最给力的方式(例如,通过定量分析、举例等方式)把问题当前在具体应用中所面临的困难和症结展示清楚,以抓住读者的注意力,这一步非常重要,问题目前的症结如果不清楚或别人不认可,那么后面所有的东西就是无本之木了;其次,在说清楚症结后,应该告诉读者为什么看你的论文,先用如下类似简单句开始“到目前为止,还没有人研究问题…在…的应用…”“以上提到的各种研究方法不适合***的应用情况,然后进行适当的扩展以告诉读者你论文研究工作必要性和意义。

     

    3、你做的是什么? 所提出的方法Overview of This Paper

    思路:针对他人研究的问题和局限,提出自己的研究内容,强调研究的创新性。

    方法:内容包括以下几部分:

    1)论文拟解决什么应用问题(肯定是解决上面所分析的症结)

    2)论文与其他方法的不同点(创新点),主要贡献是什么?

    3)结果的有效性,是否解决问题、达到目标?

    4)论文的章节结构安排。

     

    4、别人做了什么工作? 存在什么问题Related Work)有的论文把这一部分融入了Introduction中,但建议这一部分独立成章。

    五、 相关工作Related Work

    别人做了什么工作? 存在什么问题Related Work

    思路:综述之前的国内外相关研究工作,通过总结和分析,指出这些研究的问题和局限性。(不能漏掉本领域重要或经典文献!!!)

    方法:对相关技术分类,分析当前有哪几类技术,每类技术的代表成果(参考文献),其技术特点和优势是什么,问题是什么?简要叙述前人所做工作是必要的特别是对前人的方法提出改进的文章更有必要。应注意,对前人工作的概括不要断章取义,如果有意歪曲别人的意思而突出自己方法的优点就更不可取了。在一篇论文中,对前人工作的概括应尽可能放在部分中。在正文中,如非很必要,就不要再有这类段落了。

    此外,在该部分中一定要注意对论文的分析要有一定的针对性,处理好与自己论文工作的关系,为自己论文工作的重要性、必要性,以及处理问题的思路打好伏笔。如果只是一味泛泛地分析现有工作,没有紧扣或映射与自己论文思路的关系(没有起到伏笔作用),那也是无用功

    这一部分与前面第一章Introduction中的近年来该问题在学术领域的发展情况”部分内容有一些联系,但区别较大,前者重在介绍技术发展的脉络和趋势(宏观上),后者重在从技术上(微观上),介绍与论文研究内容密切相关的几类方法,突出已有方法解决问题的思路和优缺点。前后会有一些参考文献内容的重合,但介绍的角度和出发点是不一样的。

    六、 技术方法(MethodsHow?

    主题:如何研究的?怎么做的?

    方法:该部分是论文的主体,也是论文对读者而言最有价值的部分,所以论述必须清楚,不能含糊其辞。几项建议如下:

    1)在全面介绍技术方法的基础上,要突出论文标题中的关键技术,并要有足够的篇幅支撑。

    2)各级小标题要用心设计,要能体现出各节内容上的创新性,不能采用通用的、宽泛的标题(那就像教科书或数据手册一样)。

    3)尽可能借用数学方式(工具)描述你的工作,从读者角度阐明定义和表示法使其具有整体性,不能流水账式的。可以用设问的方式回答读者可能提出的潜在问题

    4)尽可能提供算法的伪码,或通过图和表展现详细的工作流程,特别注意数据的统计分析。

    5)如果引用已有的方法,要引用文献,注意方法细节,便于他人重复试验;复杂的冗长的证明和细节可以放在附录中,这里关键是把问题阐述清楚

    6)特例和例外应该在脚注中给予说明。

     

    七、 实验及结果(ResultsWhat?

    主题:工作结果是什么?

    方法:首先介绍实验工作的环境、平台、条件、方法和步骤,然后通过与现有相关工作的全方位的对比,阐述实验结果,体现其先进性。具体细则如下:

    1)对比,对比还是对比,没有对比就没有论文,对比是论文存在的基础也是实验展示的核心

    2)通过各种方法,从尽可能多的方面与前人参考文献工作进行全方位的对比(例如正确率、效率、速度、资源占用等各方面),以展现论文工作的优势;而且这些用于对比的参考文献也应在第二章(related work)提及到。

    3)大量使用图、表和其他方式,以直接、明了反映实验结果及其对比优势;对图表中体现的指标要进行归类描述和总结,对关键部分的实验结果可适当分析其技术原因(要与前面的技术方法呼应)。

    4)最后但重要的一点:对比对象(参考文献)要尽可能新(近5年)、尽可能强(高质量SCI期刊),这样才有说服力,即对手决定你的高度。

    八、 结论(DiscussionWhat?

    主题:论文的工作意味着什么? 

    方法

    1)概括自己的研究结果。

    2)讨论结果与他人的结果进行比较,分析异同。

    3)对结果提出解释、说明、推测。

    4)提出研究局限,进一步研究的方向。

    5)指出研究的重要性 

    九、 参考文献

    主题:研究涉及的重要文献必须引用(比较的参考靶标尽可能要强)

    方法:引用的参考文献水平一定程度也反映论文水平;参考文献的规范反映论文的规范;注意以下原则:

    (1) 参考文献的时间要尽可能新(70%以上最好是近5年的);

    (2) 尽量引用高水平期刊、拟发表期刊的文献;

    (3) 立论依据所采用的文献、具有权威性尽量不用快报或摘要);

    (4) 自己工作的自引体现工作连续性

    (5) 实验结果与文献资料比较时体现可用快报会议及咨询资料);

    (6) 方法学要使用经典文献注意引文准确不转引)。


    十、 论文结构范例

    1Abstract—— 对自己工作及其贡献的总结200字左右)a)阐述问题;b)说明自己的解决方案和结果。

    2Introduction——背景,以及文章的大纲1页左右,以现有文献提升总结,不要自己从0开始写)a)问题X是重要的;b)前人的工作ABC曾经研究过这个问题;cABC有一些缺陷;d)我们提出了方法DeD的基本特征,和ABC进行比较;f)实验证明DABC优越;g)文章的基本结构,大纲。

    3Related Work——首先总结分析现有工作再说明自己与前人的不同1页左右,以现有文献提升总结,不要自己从0开始写)a)将历史上前人的工作分成几个类别;b)对每类中每项重要的历史工作进行简短的回顾(一到几句),注意要回顾正确,抓住要避免歧义;c)和自己提出的工作进行比较;d)不要忽略前人的重要工作,要公正评价前人的工作,不要过于苛刻;e)强调自己的工作和前人工作的不同,最好举出各自适用例子。

    4Our Work——描述自己的工作,可分成多个部分7页左右)a)从读者角度阐明定义和表示法;b)提供算法的伪码,图解和相应解释;c)用设问的方式回答读者可能提出的潜在问题;d)复杂的冗长的证明和细节可以放在附录中,这里关键是把问题阐述清楚;e)特例和例外应该在脚注中给予说明。

    5Experiments——验证提出的方法和思路4页左右)a)合理地设计实验(简洁的实验和详尽的实验步骤);b)必要的比较,突出科学性;c)讨论,说明结果的意义;d)给出结论。 

    6Conclusion——总结、前景及结文0.3页左右)a)快速简短的总结;b)未来工作的展望;c)结束全文。

    7References——对相关重要背景文献的全面引用1.5页左右)a)选择引文(众所周知的结论不必引用,其他人的工作要引用);b)与前文保持一致。

    8Others——致谢、附录、脚注。

    展开全文
  • 关于硕士毕业论文的思路整理

    万次阅读 2017-09-13 16:56:20
    有人用方法1解决问题A,有人用方法2解决问题B,那么试一试能不能用方法2的思路或者在2的基础上,改进方法1从而更好地解决问题A,这就是能够出论文的点。 整体的思路: 数据获取 特征工程 模型的选择和调优 ...

    一.总体思路
    有人用方法1解决问题A,有人用方法2解决问题B,那么试一试能不能用方法2的思路或者在2的基础上,改进方法1从而更好地解决问题A,这就是能够出论文的点。
    这里写图片描述
    整体的思路:
    数据获取
    特征工程
    模型的选择和调优
    模型的验证和误差分析

    备注:另外有几点可以考虑
    1.对于训练集数据处理方面,进行算法改进优化
    2.对于已有成熟模型,就行优化调参
    3.最新的深度学习算法(多层神经网络)应用,目前国内较少,查到几篇论文,但同类型的例如深度学习模型预测风电短时功率较多
    二.机器学习算法

    分类算法: 逻辑回归(LR),朴素贝叶斯(Naive Bayes),支持向量机(SVM),随机森林(Random Forest),AdaBoost,GDBT,KNN,决策树…

    回归算法: 线性回归(Linear Regression),多项式回归(Polynomial Regression),逐步回归(Stepwise Regression),岭回归(Ridge Regression),套索回归(Lasso Regression)

    聚类算法: K均值(K-Means),谱聚类、DBSCAN聚类、模糊聚类、GMM聚类、层次聚

    降维算法: PCA(主成分分析)、SVD(奇异值分解)

    推荐算法: 协同过滤算法
    三.相关文献整理
    整理方法
    1.题目
    2.应用的算法
    3.改进了什么

    1.基于深度学习理论的短期风速多步预测方法研究
    风具有强随机不确定性,目前,准确的风速及风电场功率预测是解决规模化风电并网安全高效运行的重要基础。本文将深度学习理论应用到风速预测领域中,通过深度神经网络的强大非线性映射能力,自动地将风速变化模式提取出来,可以有效提高预测精度。通过深度神经网络模型进行天前风速短期多步预测实验,结果表明:深度神经网络与其他方法相比,预测误差在大部分情况下均处于较小水平,预测效果较其他四种统计方法较好。
    2.基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测
    :现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄
    3.关于利用空间相关性预测风速的评述
    风速的空间相关性有助于提高其预测质量,特别是在风速突变的情况下。将”离线分类建模,在线匹配模型”的预测思路应用到利用空间相关性的超短期风速预测之中:通过历史数据的时序分析,识别其中各风电场风速存在空间相关性的时段;按其时序特征及其他的条件特征,将观察时窗内的风速序列划分为不同演化形态的样本子集;在离线环境下,分别根据各类形态的训练样本子集优化其专用的预测模型及参数;在线应用时,则根据当下窗口内风速序列的演化形态及相关的条件特征,按匹配所得模型及参数,根据参考风电场的实测数据预测目标风电场的风速。以实际的历史数据验证了所述方法的有效性。
    4.基于云模型理论的短期风速预测方法
    :基于不确定性理论与方法,采用模糊c均值(FCM)聚类算法对历史风速数据进行聚类分析.在此基础上,利用云模型理论将由聚类产生的一系列定量数据集合转化为由3个云模型数字特征值表示的定性概念,建立风速云模型.将历史风速时间序列中的分钟级变化规律以及日变化规律应用到云模型规则发生器中,建立风速预测的组合云模型.误差概率统计发现,该模型24h风速预测绝对误差小于2m/s的概率为97.94%,预测曲线的均方根误差为0.98m/s.将云模型预测值的期望与RBF神经网络预测值对比,预测精度有所提高,预测曲线基本反映出了风速的变化规律,表明基于云模型的预测方法在风速预测方面的可行性. 更多还原
    5.基于小波变换和深度信念网络的风电场短期风速预测方法
    设计了一种基于深度信念网络(Deep Belief Network)映射的深层风速预测网络框架。该框架主要由多个不同的受限玻尔兹曼机(RBM)叠加组成,采用无监督贪婪逐层训练的方法获得深度信念网络的框架参数初始值,然后进行有监督的微调达到预测网络误差最小化。该预测框架可以有效地挖掘和提取时间序列中潜在的有用特征,避免预测模型陷入小范围最优解。提出了基于小波变换(Wavelet Transform)和深度信念网络的风速预测方法。
    玻尔兹曼机(RBM)深度学习里面的

    6.基于迟滞ELM模型的短期风速预测
    为了改善风速时间序列的预测精度和预测时间,提出了一种基于迟滞极速学习机(Extreme Learning Machine)模型的风速预测方法。ELM算法是一种新型神经网络,计算效率高,性能优越,能避免局部最小化。通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能。仿真结果表明,与ELM模型等方法相比,迟滞ELM模型能够有效减小风速时间序列的预测误差,提高了预测精度以及减少了预测时间。 更多还原
    7.基于局部高斯过程的短期风速预测
    本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。
    8.基于灰色GMDH网络组合模型的风速预测
    文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。
    9.基于小波包分解和改进差分算法的神经网络短期风速预测方法
    针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。
    10.基于Adaboost的BP神经网络改进算法在短期风速预测中的应用
    针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。
    11.基于粗糙集理论-主成分分析的Elman神经网络短期风速预测
    为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。
    12.基于改进最小二乘支持向量机方法的短期风速预测
    为了进一步提高短期风速预测的精度,分析了一种改进的风速预测方法.该方法考虑风速发生变化的极值点对总体预测误差的影响,以及预测曲线较实际曲线产生的滞后,分别对预测数据进行了极值点修正和偏移量处理.在对未来1 h风速进行预测时,相比粒子群优化(PSO)的最小二乘支持向量机(LS-SVM)模型、未经优化的LS-SVM模型及反向传播(BP)神经网络模型,所提出的模型具有较高的预测精度和运算速度.算例结果表明,改进的LS-SVM算法是进行短期风速预测的有效方法. 更多还原
    13.基于小波包和支持向量回归的风速预测
    运用小波包变换和支持向量回归相结合的方法对提前1~6h的每10min风速预测进行研究。首先针对风速非平稳、非线性的特点,利用小波包变换将原始风速序列分解成一系列不同变动频率的子序列,再分别对这些子序列用支持向量回归法进行预测,最后将各自输出结果叠加得到最终的预测风速。选择某风电场2组具有不同特点的实测数据作为应用案例,结果表明,通过小波包变换更能把握风速变化规律,支持向量回归法具备较强的学习能力,小波包支持向量回归法优于现有的一些预测方法。
    14.采用贝叶斯–克里金–卡尔曼模型的多风电场风速短期预测
    精确的短期风速预测对可靠安全的电力系统运行很重要。传统的预测方法没有考虑空间相邻风电场的信息。然而,多个风电场的风速在时间和空间上是相关的。该文给出了一个采用贝叶斯克里金卡尔曼模型的短期风速预测方法。由主克里金函数构成的空域结构使用贝叶斯层次结构进行建模,同时应用状态空间模型对时域动态性进行建模。采用计算速度更有效的变分贝叶斯方法来逼近推断和学习模型参数。在公开的多风电场数据集上评估提前1h的风速预测性能,与持续预测算法进行比较的结果显示了该文提出的方法在均方根误差评价指标上的改善
    15.基于自适应的动态三次指数平滑法的风电场风速预测
    随着风力发电的快速发展,对风电场的风速实现较准确的预测也逐步成为风电领域研究的热点。为了提高风速的预测精度,综合考虑风速历史时间序列的影响,在传统的三次指数平滑方法的基础上,提出了一种自适应的动态三次指数平滑方法来进行风速预测。该方法利用了地毯式搜索方法,根据误差平方和最小的原则及时调整并获得最佳的平滑系数,然后进行后续的一步或多步风速预测。通过与传统的三次指数平滑法、灰色模型预测法比较,验证了自适应的动态三次指数平滑法在风电场风速预测中的准确性和高效性。
    16.基于RVM与ARMA误差校正的短期风速预测
    为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。
    17.基于粗糙集理论-主成分分析的Elman神经网络短期风速预测
    为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。
    18.基于遗传BP神经网络的短期风速预测模型
    为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点
    19.基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型
    间相关法利用空间相关点风速数据之间的相似性和延时性进行风速预测,但在实际应用中存在数据收集困难的问题。提出用空间平移法对空间相关法进行改进,通过减少空间相关点的数目,可有效地降低数据收集难度。为了确定空间相关点风速与所需预测的风电场风速数据之间的非线性关系,采用径向基(RBF)神经网络,建立了基于空间相关法的分时预测模型。该方法通过对风电场与空间相关点风速时间序列之间的关联度分析,将未来预测时段分成若干个时段,在每个时段内分别选择关联度高的相关点的风速数据,作为RBF神经网络的输入数据进行训练和预测。算例表明,该方法可提高风电场风速预测的预测精度,减少了RBF神经网络的训练时间。
    20基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法
    为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。
    21.采用变系数模型改进空间相关性风速预测
    空间相关性方法是近年来逐渐受到重视的风电功率预测方法。
    为提高超短期风电功率预测效果,提出了采用变系数模型改进空间相关性风速预测的方法
    。首先介绍了一种空间相关性风速预测的建模方式,然后根据风速序列间关系随时间变化的情况引入变系数模型,通过加权最小二乘法进行参数估计,给出一种权函数形式,最后的仿真试验研究了权函数中的遗忘因子对预测误差的影响,验证变系数模型提高空间相关性风速预测的有效性说明采用变系数模型来改进空间相关性风速预测是一条可行的思路。
    22.基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测
    确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM,IPSO-LSSVM,WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。
    23.风速预测中数椐和样本的有效处理及其模型优化研究
    对风速预测建模中存在的问题,分别从风电场测风数据的预处理、神经网络的训练样本优选以及风速预测模型的优化等方面进行研究,以此来提高预测结果的可靠性。本文主要研究工作如下:(1)阐述了风速预测的研究背景及意义,概述了风速预测的分类、常用风速预测方法的特点,给出了判断风速预测结果好坏的指标,总结了风速预测建模中存在的问题。(2)以风电场实际测风数据为例,首先利用补充后的测风数据检验标准进行测风数据中坏数据的查找,并根据查找结果分析坏数据存在的不同情况;然后对不同情况的坏数据,分别利用分段滑动均值填补法、支持向量回归填补法、分段滑动均值填补法与支持向量回归填补法相结合的方法进行处理。(数据处理方面)
    24.一种实时校正的改进BP神经网络超短期风速预测模型
    提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍,在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真,结果表明,所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。
    25.基于梯度优化自适应指数平滑法的风电场短期风速预测方法研究
    针对传统的三次指数平滑法预测精度不高、自适应遍历三次指数平滑法计算效率低等问题,引入了梯度优化算法,提出了一种基于梯度优化自适应指数平滑法的风电场短期风速预测方法。该方法可以在很短时间内获得最优平滑系数α,而且在最优平滑系数下大大提高了预测的准确性,对后续的风速预测精确性有大大的提高。将该方法与传统的指数平滑法、灰色预测法、梯度优化指数平滑法等诸多方法作了比较。研究结果表明,本研究方法在计算效率上,比动态遍历指数平滑法提高近80%,而在预测精度上,比传统指数平滑法和灰色预测法分别提高了27%和32%,该预测模型在风速变化平缓和波动情况下均具有较高的精度,以上结果验证了该方法的准确性和有效性。
    26.基于改进的QPSO-WNN滚动算法的铁路沿线短期风速预测
    为了提高传统神经网络对非平稳风速的预测精度,提出将改进的量子粒子群算法(QPSO)和小波神经网络(WNN)相结合的滚动预测算法。将小波神经网络的初始连接权值及小波基函数参数组成一个多维向量,作为改进量子粒子群算法的粒子进行计算更新,将搜索得到的解空间范围内全局最优参数作为小波神经网络的初始参数。针对已经训练好的小波神经网络的预测误差会随着时间推移而增大的问题,采用每隔1h滚动式训练的方法训练小波神经网络。运用优化算法对我国海南东环铁路某测风站实测风速进行超前多步预测。实例结果表明,相对于传统小波神经网络,优化算法的风速平均相对误差和均方根误差都有所降低,其超前3min、9min、15min的风速预测平均相对误差为8.28%、9.93%、11.37%。
    27.基于贝叶斯理论的建筑结构极值风速预测方法研究
    建筑结构极值风速预测的研究在结构设计与安全使用领域具有重要意义。基于Bayes理论提出极值风速预测方法,采用Monte Carlo数值模拟方法产生服从极值-I型分布的伪风速母样,基于伪风速母样分别采用基于Bayes理论和最大似然估计理论的极值-I型风速预测方法进行风速预测,并与伪风速母样的理论值进行对比分析。研究结果表明:与最大似然估计法相比,采用基于Bayes理论建立的极值-I型风速预测模型进行风速预测的精度更高


    目前问题
    1.风速数据 从哪里来
    2.算法的学习与具体选择
    3.两个方向,数据处理,模型优化,着重选一个
    下一步计划
    1.算法学习找到适合的具体算法
    2.编程项目实践
    3.找到核心章节–写小论文

    展开全文
  • R-CNN论文详解(论文翻译)

    万次阅读 多人点赞 2018-05-08 20:27:36
    faster-rcnn在深度学习领域算是一篇开创性的论文,对后续产生的而网络有很重要的意义,认真读懂这篇论文,相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记,整理的过程使自己对整个深度...
  • 这个问题包括真正意义上的建图,并不是指稀疏建图,也包括对多种不同天气以及动态环境建立真实的model,也就是simulative model方面的问题,而不能直接去掉动态环境这个因素。 最后,在SLAM工程的实际应用中。我...
  • 国外论文搜索

    千次阅读 2014-10-19 09:06:31
    国外论文搜索 学术资源搜索google篇:  google的废话也多一些,因为它的功能很强大,尤其对于国外的很多学术资源用它最好。下面我就介绍一下,自己用google搜集文献资料的方法,供大家参考。  1。国外论文搜索  ...
  • 计算机视觉论文

    千次阅读 2013-11-29 09:36:54
    找到了一个很好的博客,作者很详尽的总结了一系列有深刻影响的计算机视觉方面论文,希望有更多的人能够看过这些经典的论文。在此转载改博客,在此向水木上表示深深的敬意,只有有更多像这样善于总结和分享的人才能...
  • 论文等级说明

    千次阅读 2019-04-27 11:32:11
    论文等级 第一级-T类:特种刊物论文 指在《SCIENCE》和《NATURE》两本期刊上发表的论文。 《Nature》《Science》是综合性期刊,也是我们所熟知的SCI顶级牛刊 《Nature》和《Science》他们是综合性刊物,更...
  • 论文论文搜集+摘要翻译

    万次阅读 2020-09-19 16:26:02
    论文目录 1.【Blockchained On-Device Federated Learning】 2.【Decentralized Privacy Using Blockchain-Enabled Federated Learning in Fog Computing】 3.【Federated Learning With Blockchain for Autonomous...
  • SLAM 论文阅读和分类整理

    万次阅读 多人点赞 2018-09-26 16:35:58
    前言:以前读论文,都是靠脑子硬记,哪个实验室,谁,哪一年在什么会议上发了一篇关于什么的论文。当需要回溯的时候,每篇论文能给出个大概,不具体,找起来也麻烦,以后就在这个 List 里分类整理已经读过的论文。...
  • 本文主要整理了21个常用的中外文献论文网站,分为综合型国内论文站网、综合型国外论文网站、专业领域型论文网站。 一、论文网站 1、综合型论文网站(国内) (1)知网 介绍:国内知名度最高的网站,拥有上亿篇各种...
  • 总结(干货) SCI(Science Citation Index), 被Web of Science... EI(Engineering Index), 被EI数据库收录的论文称为EI论文。目前EI数据库有三个版本:EiCompendex光盘数据库, EiCompendex web数据库, Engineeri...
  • LOAM 论文及原理分析

    万次阅读 多人点赞 2018-09-15 22:18:40
    由于对三维激光SLAM比较感兴趣,并且最近也在找无人驾驶激光SLAM算法的岗位,所以花了一个多月把LOAM的论文和源码好好看了一遍。发现论文还是比较容易明白,但一看代码全是坑。看论文懂了,看代码似懂非懂。为了...
  • 我记得,我们为了一篇论文的发表往返进行了多达十五次的检查和纠错,过程大体是,我们写完后,先内部找一个人进行检查,把检查的结果进行修改后找一个外面(也就是其他实验室的人)进行论文审查,然后再修改,再进行...
  • 作者:李洲 ... 来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明... (1)论文的主要内容,是叙述一套方法在一个特定场合中的应用。  (2)这套方法必须要有所创新或突破,并因而对学
  • Raft 一致性算法论文

    万次阅读 2019-05-17 09:52:13
    本篇博客为著名的 RAFT 一致性算法论文的中文翻译,论文名为《In search of an Understandable Consensus Algorithm (Extended Version)》(寻找一种易于理解的一致性算法)。 Raft 是一种用来管理日志复制的一致性...
  • 车牌识别论文

    千次阅读 2019-06-25 09:42:03
    在本论文中具体的说明了一种二值化分析识别车牌的算法介绍。在设计中是在内存为64M大小,其平台是matlab,从把具体图像放进去到再到识别车牌图像,其反应的平均时间是0.8秒左右,这就很充分地说明了该方法的可执行性...
  • 毕业论文

    千次阅读 2020-04-16 22:35:30
    在信息产品方面,范围是对各种内容元素的详细描述。 3.结构层,根据产品的实际落地情况,在明确了产品的架构信息和核心功能之后,我们能够构建产品的业务结构和相应的信息架构,并在此基础上进行交互式设计,以确定...
  • 去雾论文总结

    千次阅读 2018-03-15 18:09:37
    去雾论文总结 从2017年10月起,我向导师申请转换研究到图像处理方向,于是导师给了我研究课题——图像去雾,到这学期开始2018年3月,研一第一个学期的学习并没有什么进展,期间产生的种种突发奇想的研究想法还没来...
  • 论文写作 之 Introduction

    千次阅读 2016-11-08 21:21:12
    学术论文写作 之 introduction
  • 如何写硕士论文

    千次阅读 2007-07-24 21:57:00
    本科毕业论文一般谈一个较小的话题,只要把基本知识以自己的语言叙述清楚,就算合格了。而对于多数硕士论文作者来说,不仅有长度要求,而且它要求学术性和一定的创新性。以下是硕士论文写作的基本步骤、几个重点环节...
  • 一篇硕士论文的开题报告,可以借鉴
  • Raft算法国际论文全翻译

    万次阅读 2016-12-15 16:43:46
    最近在开发强一致性的分布式算法,因此需要深入理解下Raft算法,这里对Raft论文进行了翻译,留以备用 - Sunface. 英文版论文:https://ramcloud.atlassian.net/wiki/download/attachments/6586375/raft.pdf   Raft...
  • Android安全论文汇集

    千次阅读 2014-01-06 16:11:59
    本文收集了信息安全顶会中有关Android方面论文 1. Mobile-Sandbox:Having a Deeper Look into Android Applications 文章语言:英文 文章的摘要: [摘要] 随着Android平台上恶意代码的激增,为了使安全工作者...
  • GPT-2 论文翻译

    千次阅读 2019-04-01 18:11:31
    GPT-2 论文翻译 基本是机器翻译,也进行了基本的人工矫正,凑活看吧 原论文:《Language Models are Unsupervised Multitask Learners》 原论文地址:...
  • 异常行为检测论文学习综述

    万次阅读 2017-10-19 10:17:29
    近来找了几篇异常行为检测的论文,先大概浏览了一下摘要,记录主要内容,以便后续查看。1、Abnormal behavior detection using hybrid agents in crowded scenesKeywords: Visual surveillance Abnormal behavior ...
  • matlab人脸识别论文

    万次阅读 多人点赞 2019-10-11 17:41:51
    得到了前所未有的重视,国际上发表有关人脸识别等方面论文数量大幅度增加,仅从1990年到2000年之间,sCl 及EI可检索到的相关文献多达数千篇,这期间关于人脸识别的综述也屡屡可见。国外有许多学校在研究人脸识别...
  • 论文发表费用一般是多少

    千次阅读 2017-10-22 15:06:00
    在当前的学术环境中,论文投稿已经成为了职称晋升的重要参考标准,不过在期刊的选择上还是要有所区分,并且需要根据论文发表费用的多少判断期刊的资质和学术影响力。  1、普通期刊的发表费用是相对较低的,这也是...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 76,783
精华内容 30,713
关键字:

关于环境方面的论文