摘要:

目前的木材分类大多需要依靠人工挑选方式完成,但人工分类受操作人员主观因素、工作经验、劳动强度等因素的制约,已经很难适应产业的发展.为了有效提高木材颜色分类的自动化程度及分类的准确性,采用机器视觉技术对木材表面颜色分类方法展开研究.通过使用python opencv软件对木材表面进行高斯滤波、滚动引导滤波以及特征提取预处理操作,实现对木材图像的去背景化,并将图像的RGB、Lab低阶矩作为颜色分类的特征,最后采用多层感知机(MLP)构建木材表面颜色的分类器.选取了320张无损实木板材的完整表面图像作为训练样本,其中25％为测试集,75％为训练集.结果表明:该分类器对木材表面颜色分类的准确率为96.25％,验证了将多层感知机模型应用在木材颜色分类方面的有效性.

摘要:

由于传统的端到端记忆神经网络模型特征表示能力不足、无法很好地表示各个记忆之间的联系,导致其在数据集bAbI中的位置推理和路径查找问题正确率不高,针对此问题,提出了一种结合稠密连接和多层感知机的记忆神经网络.该模型利用稠密连接与全连接层获取关系特征,增强了模型的特征表示能力.利用bAbI数据集对模型进行推理正确率的评估,实验结果表明,与传统的记忆神经网络以及端到端记忆神经网络相比,该模型能有效提升文本推理的正确率.

摘要:

为识别出不同社交网络平台中属于同一自然人的账号,提出了一种基于用户关系的跨社交网络用户身份关联方法.首先,设计了基于网络表示学习的用户关系提取模块,将大规模用户关系转换至低维向量空间进行表示;然后,针对异构信息网络改进了传统网络表示学习算法,提出了CSN LINE算法,实现融合跨社交网络先验关联关系的网络表示;最后,构建了基于多层感知机的用户身份关联模型.实验结果表示,提出的方法与目前先进的方法相比,综合指标F1值和正确率的提高均超过12％,证明了该方法的合理性和有效性.

摘要:

准确预测蛋白质变性温度在蛋白质工程和药物研制等领域具有重要意义.将全局特征和序列特征作为初始特征向量,利用提出的基于权值的降维算法对初始特征向量进行降维,降维后的特征输入多层感知机模型预测蛋白质变性温度.在盲测数据集上,该方法预测结果与实验测定结果的PCC值由降维前的0.77增加到0.8,RMSE值由降维前的0.17降低到了0.16,蛋白质变性温度预测值的分类准确率与现有方法比较有明显提升.

摘要:

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机(MLP)的改进型深度神经网络学习资源推荐算法.该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型.为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2％和3％,有效地提高了模型的推荐性能.

摘要:

针对使用深度学习提取人脸表情图像特征时易出现冗余特征，提出了一种基于多层感知机（MLP）的改进型Xception人脸表情识别网络.该模型将Xception网络提取的特征输入至多层感知机中进行加权处理，提取出主要特征，滤除冗余特征，从而使得识别准确率得到提升.首先将图像缩放为48*48，然后对数据集进行增强处理，再将这些经过处理的图片送入本文所提网络模型中.消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为98.991%、99.02%和80.339%，Xception模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为97.4829%、90.476%和74.0678%，Xception+2lay模型在CK+数据集、JAFFE数据集和MMI数据集上的正确识别率分别为98.04%、84.06%和75.593%.通过以上消融实验对比，本文方法的识别正确率明显优于Xception模型与Xception+2lay模型.与其他模型相比较也验证了本文模型的有效性.

摘要:

目前高校线上选课大多不具有个性化推荐功能，导致学生学习效率低下，间接造成教学资源浪费。针对以上问题，基于某高校学生实际选课数据，提出一种改进后的神经协同过滤模型。首先，由于神经协同过滤模型是基于协同过滤思想进行构造，并未引入其他更多特征，所以通过融合上下文信息的方式，提升推荐准确度；其次，广义矩阵分解模型作为浅层模型，表达能力较差，所以通过将广义矩阵分解模型与多层感知机进行串联，赋予模型更深层的网络，增强模型的表达能力；最后，在某高校选课数据集上进行对比实验，验证了模型的可行性和有效性。

摘要:

采用误差反传(BP)算法的多层感知机模型,对嗜热蛋白和常温蛋白进行模式识别.通过增加训练数据及多种检验方法检验模型稳定性及泛化能力,探讨蛋白分子大小对识别效果影响.结果表明,当动态参数为0.2,学习速率为0.5,隐含层节点数为11时,该模型在自一致性检验、交叉验证和独立样本测试3种检验方法中的识别精度分别为91.5%,88.2%和92.1%,其表现优于一些常见的模式识别算法,且具有良好的稳定性及泛化能力.此外,对于较大的或者中等大小蛋白质分子,其识别的精度都较高;而对于较小的蛋白分子,其识别效果较差.

摘要:

相比地震反演方法和技术,基于多属性回归方法的储层预测技术能够缓解分辨率有限、过于模型化等问题,但模型泛化能力不足常造成井间薄储层预测结果不合理.为此,提出基于多层感知机深度学习网络的多属性回归薄储层预测方法,即以地震数据(提供背景信息)、90°相移数据(提供储层结构近似信息)、储层不连续界限属性(提供储层空间分布信息)为输入,以井点高频自然伽马为期望输出,利用多层感知机深度学习网络训练模型,预测井间自然伽马值,利用自然伽马值与砂—泥岩性的高度相关特性刻画薄储层.A油田实际资料测试表明,自然伽马预测值与真实值平均相关系数达到86.4％(训练集,10口井)和85.5％(验证集,两口井),明显优于传统多属性回归方法.应用该方法解释重点层段6套小层,薄储层预测结果与156口井实钻砂岩厚度平均相关系数较相移数据提升约38％,证实该方法应用效果良好.

摘要:

地震勘探广泛应用于地质构造分析、油气及其他矿产资源勘查等领域.受环境、仪器等因素影响,地震数据中不可避免地混杂随机噪声,无疑会对后续的资料处理和解释带来负面影响.文中提出一种用多层感知机(Multi-layer Perceptron,MLP)的去噪方法:首先用滑动窗口在已知地震数据中采样并将其转换为一维向量,作为训练集样本构建多层神经网络模型;再通过反向传播算法计算模型各层神经元的权重,使得模型训练均方误差最小;然后将合成或实测含噪地震数据输入到已训练模型,用该已训练得到的权重计算模型输出.将上述MLP方法处理结果与曲波方法去噪结果进行比较,发现MLP方法去噪结果的信噪比更高,且较好地保护了有效信号,尤其是对构造细节有显著的保护效果.