为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题，提出一种基于联合区间偏最小二乘判别分析(SiPLSDA)算法，并将该算法应用于猪肉近红外光谱的定性建模分析。SiPLSDA 利用联合区间偏最小二乘回归（SiPLS）进行光谱特征区域筛选，在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II 快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱，采用标准正态变量变换(SNV)进行近红外光谱的预处理，用SiPLSDA 建立猪肉近红外光谱的定性模型。实验结果表明，SiPLSDA 建立的预测模型对猪肉储藏时间的识别率达到93.94%，高于基于全光谱区域建立的PLSDA 预测模型的识别率。
2022-05-20 16:53:18
1.73MB
1
简述VGG模型，说明其中的结构（描述模型的结构，哪一层是卷积、那一层是池化、那一层是全连接？），并使用VGG模型完成下面图像分类的实验(建议使用Python语言,Pytorch 框架)。图像分类数据集：CIFAR-10，由10个类的60000个32x32彩色图像组成，每个类有6000个图像；有50000个训练样本（训练集）和10000个测试样本（测试集）
分别使用数据集中训练集的1%、10%、50%、80%样本进行训练模型，使用测试样本进行测试，简述步骤并对比使用不同比例的训练样本对于训练结果的影响（即模型训练完成后，使用测试样本输入模型得到的准确率）。随着数据量的增大，观察每一次模型迭代（模型每完成一次迭代，即所有训练样本输入到模型中进行训练更新）所需的计算时间、内存消耗变化，并做比较。分析试验结果，回答下面问题：
A． 说明你实验的硬件环境
B． 说明自己程序中使用的是哪种梯度下降算法（随机、批量、全部）？
C． 训练过程中你调整了哪些参数，谈谈你的调参过程和调参技巧
D． 当数据量逐渐变大时，你的训练测试过程有没遇到实质性困难？
2022-05-17 12:06:09
80.85MB
提出了一种基于数据驱动的稀疏虚假数据注入攻击策略。攻击策略分为3个阶段：第一阶段，基于稀疏优化技术对窃听的数据进行预处理以剔除异常值；第二阶段，基于平行因子分解算法推断不完整的系统信息矩阵；第三阶段，根据推断的系统矩阵，使用凸优化的方法求解稀疏攻击向量。仿真实验结果表明，当存在异常值时，传统的攻击策略无法成功实施，而所提攻击策略仍能成功地实施稀疏虚假数据注入攻击。
2022-05-13 23:13:26
1.47MB
1
数据驱动全生命周期客户经营：以基于统一数据平台为基础，开展客户经营，在每一个环节充分共享、深度挖掘数据价值。
2022-05-11 18:07:01
2.04MB