针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

6.1项目管理 6.1.1项目管理的职能 6.1.2项目管理的主要内容 6.1.3项目开发计划 6.2立项与调研 6.2.1项目立项 6.2.2项目调研 6.3可行性分析 6.3.1可行性分析的步骤 6.3.2可行性分析的内容 6.3.3可行性报告 6.4应用实例

5.1方法、模型、工具和技术 5.1.1方法 5.1.2模型 5.13工具 5.1.4技术 5.2软件生存期模型 5.2.1瀑布模型 5.2.2快速原型模型 5.2.3螺旋模型 5.2.4喷泉模型 5.2.5开发模型的比较 5.3结构化方法 5.3.1结构化分析 5.3.2结构化设计 5.3.3结构化编程 5.3.4结构化分析、结构化设计和结构化编程的联系

3.1 由基本逻辑门构成的组合电路的分析和设计 3.1.1 组合电路的一般分析方法 3.1.2 组合电路的一般设计方法 3.2 MSI构成的组合逻辑电路 3.2.1 自顶向下的模块化设计方法 3.2.2 编码器 3.2.3 译码器 3.2.4 数据选择器 3.2.5 数据分配器 3.2.6 算术运算电路 3.2.7 数值比较器 3.3 组合电路设计举例: 算术逻辑单元(ALU) 3.4 组合逻辑电路中的冒险 3.4.1 产生冒险的原因 3.4.2 消去冒险的方法

传统 PM2.5 预测方法获取污染物浓度数据需要大型精密仪器，成本较高. 本文尝试利用图像数据进行 PM2.5 浓度预 测. 大气 PM2.5 浓度的变化与图像的暗通道强度、对比度和 HSI（Hue-saturation-intensity）颜色差异有密切联系. 大气中 PM2.5 浓度的升高会导致非天空区域的暗通道强度值下降，图像对比度下降和 HSI 空间颜色差异变小. 通过分析 PM2.5 浓度 与图像特征的关系，提出了一种基于图像混合核的列生成空气质量 PM2.5 预测模型

一、函数依赖 二、关系范式 三、分解

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

一、分析观测环境中的归纳学习的一般模型。 二、解释学习机器如何从它所支持的函数集中选择一个近似函数。 三、介绍回归和分类问题的风险函数的概念

多维事务数据库DB的结构为 (ID,A,AAn, items),A是DB中的结 构化属性(例如顾客的年龄,职业收入等), 而 items是同事务连接的项的集合(例如购 物篮中频繁项集)。每一个 t=(id,aa2man,items--t)由两部分信息 组成:维信息(a1,a2man)和项集信息。 挖掘过程分为两部分:挖掘维度信息的模 式和从投影的子DB中找出频繁项集

一、基于锁的协议 二、基于时间戳的协议 三、基于验证的协议 四、多种粒度