对抗样本三元组约束的度量学习算法

针对已有三元组约束的度量学习算法大多利用先验知识构建约束,一定程度上制约了度量学习算法性能的问题,本文借鉴对抗训练中样本扰动的思想,在原始样本附近学习对抗样本以构造对抗三元组约束,基于对抗三元组和原始三元组约束构建了度量学习模型,提出了对抗样本三元组约束的度量学习算法(metric learning algorithm with adversarial sample triples constraints,ASTCML)。实验结果表明,提出的算法既克服了已有固定约束方法受先验知识影响大的问题,也提高了分类精度,说明区分更加难以区分的三元组约束能够提升算法的性能。     

关键人脸轮廓区域卡通风格化生成算法

针对人脸轮廓特征区域的局部化限定,结合关键特征点的提取和脸部邻近颜色区域的融合,并 引入注意力机制,提出了一种基于 CycleGAN 的关键人脸轮廓区域卡通风格化生成算法,以此作为初始样本构 建生成对抗网络(GAN)并获取自然融合的局部卡通风格化人脸图像。利用人脸轮廓及关键特征点进行提取,结 合颜色特征信息限定关键人脸风格化区域,并通过局部区域二值化生成关键区域人脸预处理的采样图像;为了 使生成图像能够自然匹配所提取特征区域,利用均值滤波操作对所提取区域的边缘轮廓进行平滑羽化处理,并 相应地扩展风格化生成图像的过渡区域;最后通过构建基于无监督学习的生成对抗网络,使用训练数据集进行 人脸图像局部轮廓特征区域的卡通风格化生成。算法对人脸轮廓区域的边缘及邻近区域颜色进行滤波处理,可 实现良好的边缘轮廓过渡融合,生成自然的人脸局部轮廓区域的卡通风格化图像。实验结果表明,该算法对于 人脸图像的生成具有很高的鲁棒性,能够应用于各种尺度人脸图像的风格化生成。     

一种基于知识蒸馏的神经网络鲁棒性迁移方法

近几年来,深度神经网络在多个领域展现了非常强大的应用能力,但是研究者们发现,通过在输入上添加难以察觉的扰动,可以改变神经网络的输出决策,这类样本被称为对抗样本。目前防御对抗样本,最常见的方法是对抗训练,但是对抗训练有着非常高的训练代价。我们提出了一种知识蒸馏的鲁棒性迁移方案（Robust-KD）,结合特征图与雅克比矩阵约束,通过从鲁棒的网络中迁移鲁棒性特征,以比较低的训练代价,取得较强的白盒对抗防御能力。提出的算法在Cifar10、Cifar100与ImageNet数据集上进行了大量的实验,实验表明了我们方案的有效性,即使在非常强大的白盒对抗攻击下,我们的模型依然拥有不错的分类准确率。     

金融数学专业“概率论”课程教学例题选题研究

“概率论”是金融数学专业的一门重要基础课程,文章举例说明了在“概率论”教学中如何将金融问题融入到课程内容中,以提高学生学习数学的积极性,培养学生的金融数学思维,为金融数学专业的课程学习奠定良好的基础。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。     

基于改进生成式对抗网络的电网异常数据辨识方法

基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks, WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。     

计及风电与电动汽车随机性的两阶段机组组合研究

风电出力的随机性以及电动汽车(electric vehicle,EV)充电需求的不确定性给电力系统调度带来了挑战。在传统确定性机组组合模型的基础上,针对电力系统日前调度面临的不确定问题,提出了充分考虑风电与电动汽车双重不确定性的随机优化调度及备用计算模型。首先,对于风电出力不确定性,采用基于场景分析的两阶段随机优化方法,并使用生成对抗网络(generative adversarial network, GAN)来生成风电场景。其次,对于电动汽车充电需求的不确定性,将其分为可调度与不可调度两类。可调度电动汽车根据其出行规律采用随机模拟的方法,并建立了EV充电聚集商模型;不可调度电动汽车通过K-means聚类分析得到其典型负荷曲线,并将其并入系统常规负荷中。最终建立了基于多场景分析考虑EV充电聚集商的两阶段随机机组组合模型,并通过算例分析证明了所提模型的有效性。     

面向列车轮轨接触区域图像分割的生成对抗网络

列车和轨道之间的开放约束条件决定了车辆脱轨的客观存在。轮轨接触区域边缘曲线分割对列车轮轨接触关系的研究具有重要意义,提出了一种基于生成对抗网络的轮轨接触区域边缘曲线分割算法。通过将残差模块引入生成器网络中,增强了网络对输出变化的敏感程度,进而更好的调整生成器权重。此外,膨胀残差模块的引入,有效扩大了特征图的接收区域。实验结果显示,改进的生成对抗网络对轮轨接触区域边缘曲线的分割准确度达到9613%,敏感度、特异度、F1值、ROC曲线下的面积分别为8390%、9713%、8367%和9812%,验证了该方法能够准确分割轮轨接触区域边缘曲线。     

基于利用回归分析法预报上下游相关洪峰水位

根据实际工作需要,为克服采用传统手段利用上下游洪峰水位相关图法来进行洪水预报所带来的不精确性和任意性,笔者利用数学函数方程和回归分析计算软件,使用excel的图形功能,先绘制样本数据散点图,然后在图上添加趋势线,确定了回归方程类型。根据回归方程类型进行了方程系数率定分析,最终推求出预报黑龙江乌云站洪峰水位和洪峰传播时间的数学回归方程,经实例拟合验证,方程计算结果通过检验,基本满足实际应用要求。     

Knowledge assessment-practical example in testing

Knowledge assessment is inseparable part of current e-learning technologies. It can be used for self-assessment of students to give them feedback about their progress in a study or for an intermediate or final grading for tutors. However, knowledge tests are not developed with the adequate care. Author＇s experience in the area of knowledge assessment led to a confidence the ＂unstructured＂ testing is usually used in this process. It means that many of knowledge tests are not designed to reveal the reached level of knowledge. Moreover, testing suites are reviewed very seldom regarding their validity and items correlation. This paper presents experiences gained during the design and implementation of specific software focused on teaching several principles of the Unix-like operating systems. The structure of the specific assignment follows the Bloom＇s taxonomy of educational objectives.