指静脉识别技术的最新发展与应用

2014年将是指静脉技术在国内闪耀登场的一年,就像十几年前人们纷纷丢下腰间的BP机换成手机一样,指静脉生物识别必然会大放异彩。     

神经网络视角下的小微企业信贷风险评估

采用BP神经网络模型,结合企业信用评级方法与我国小微企业特征,通过定量和定性分析方法构建指标体系,采用AHP法确定指标权重,可以构建BP神经网络信用评级模型,辅助银行进行企业信贷风险评估。以创业板机械制造业公司为研究对象,对公司的信用等级进行实证分析证明,BP神经网络模型具有很好的预测准确性。     

基于机器学习的指纹识别技术

指纹识别技术是重要的刑事侦查手段,也是图像识别领域具有代表性的一类模式识别问题。本文通过对机器学习算法的研究和分析,将目前流行的学习算法应用于指纹识别问题,以提高指纹识别系统的识别速度和学习算法的泛化能力。     

大学生词汇学认知风格的模式分类——基于SOM神经网络的研究

认知风格是人们在信息加工方式上的个人偏好,是运用以大脑为基础的神经结构和机制进行信息加工的个体差异。本研究在词汇学认知风格模型的基础上,采用SOM神经网络的方法,对参与测试的240名大学生(平均年龄19.6岁)进行聚类分析。结果显示,大学生的认知风格可以聚为四类,它们是细致灵动型、粗放灵动型、讨论型和规范型。每一类型的大学生在认知风格上具有最大的相似性,而不同类型的大学生认知风格差异较大。研究还产生了9种更加具体的认知风格类型。     

山东省产业安全预警研究

运用主成分分析和BP神经网络分析相结合的方法对山东省制造业的八个重点产业进行产业安全预警分析,评估得出山东省产业安全状况,其中:纺织业,纺织服装、鞋、帽制造业,橡胶制品业,通信设备计算机及其他电子设备制造业的发展处于基本安全的范围内;而金属制品业,交通运输设备制造业,电气机械及器材制造业,仪器仪表及文化、办公用机械制造业的产业安全状态逐渐变差。增强山东省产业安全的对策建议主要有:合理健康利用外资;以产业集群来增强产业竞争力;完善产业安全预警监测体系。     

BP机遥控爆炸装置起爆方式剖析

通过对寻呼通信信息传输流程及BP机遥控爆炸信息传输流程的分析,对BP机遥控爆炸装置起爆信号导 出方式和爆方式的研究,剖析了实际办案中遇到的几种BP机遥控爆炸装置的起爆原理。     

基于卷积神经网络的X射线安检图像充电宝锂电池的识别算法

近年来,X射线图像中复杂背景下充电宝锂电池的识别理论与技术成为安检领域关注的新焦点。研究使用基于卷积神经网络的目标识别模型对大量带有充电宝锂电池的X射线图像进行学习,得到X射线图像中的充电宝锂电池识别模型。然后,对模型的训练过程进行了详细的讨论并给出了优化方案和结果。最后,经过大规模的测试证明了该模型具有较好的泛化能力。     

基于神经网络组合模型的物联网产业发展预测研究

在制定物联网产业发展战略及相关政策时,对物联网产业规模的统计和预测的精准度有着较高的要求,但目前在此方面的研究甚少。针对物联网产业发展和数据的特点,选取BP和RBF神经网络以及BP-RBF神经网络组合模型来对物联网产值进行预测,对三种方式的检测结果进行比较,选取组合模型预测出我国物联网产业2012-2020年的产值,并根据预测结果对我国物联网产业发展进行了阶段划分。     

牛G3BP1蛋白的原核表达及其对牛cGAS生物酶催化活性的影响

为了探究牛G3BP1(bG3BP1)对DNA识别受体cGAS生物酶催化活性的影响,本研究提取牛血液淋巴细胞中总的RNA,经RT-PCR反转录成cDNA,克隆出bG3BP1基因全长;随后构建bG3BP1的原核表达载体pET-28a-SUMO-bG3BP1,将其转化至大肠杆菌中进行诱导表达,使用镍亲和层析柱对重组蛋白bG3BP1进行纯化,并切除His6-SUMO标签后再经镍柱纯化;最后将获得的bG3BP1蛋白用于牛cGAS(bcGAS)的体外酶促反应,采用ELISA方法检测酶促合成产率。结果显示,可溶性表达的bG3BP1蛋白促进了bcGAS的体外酶促反应,提高了第二信使分子2′3′-cGAMP的产率,这为2′3′-cGAMP的大规模生产及应用提供了研究思路和技术方法。     

基于深度时空三维卷积神经网络的短时犯罪预测研究

细粒度时空尺度下的犯罪预测对理解犯罪发生、指导安全防范、部署治安巡逻警力等工作具有重要意义。针对现阶段时空细粒度条件下的犯罪预测面临犯罪数据稀疏,时空特征难以充分捕获的问题,采用深度时空三维卷积神经网络(ST-3DNet)对时空特征进行充分捕捉,构建出适用于犯罪数据的时空细粒度预测模型。基于美国洛杉矶真实犯罪数据集做了大量实验,结果表明：(1)随滤波器个数、时间特征长度和ResUnit层数的改变,ST-3DNet的预测RMSE值在0.308—0.342之间波动,MAE值在0.083—0.136之间波动,且RMSE和MAE值大多是反相关的;(2)ST-3DNet和深度时空残差网络(ST-ResNet)进行对照,ST-3DNet预测MAE值明显优于ST-ResNet, RMSE最小值也优于ST-ResNet,而ST-ResNet则在预测性能稳定性上更有优势,其受参数变化的影响较小,鲁棒性较优;(3)通过提升周周期组件网络深度和减少网格空白区域,可使ST-3DNet在预测性能优于同参数配置的ST-ResNet的前提下,预测性能稳定性明显提升,达到甚至优于ST-ResNet的预测性能稳定性水平...