少样本文本分类的多任务原型网络

少样本文本分类中,原型网络对语义利用不足、可迁移特征挖掘不够,导致模型泛化能力不强,在新任务空间中分类性能不佳。从模型结构、编码网络、度量网络等角度提高模型泛化性,提出多任务原型网络（multiple-task prototypical network,MTPN）。结构上,基于原型网络度量任务增加辅助分类任务约束训练目标,提高了模型的语义特征抽取能力,利用多任务联合训练,获得与辅助任务更相关的语义表示。针对编码网络,提出LF-Transformer编码器,使用层级注意力融合底层通用编码信息,提升特征的可迁移性。度量网络使用基于BiGRU的类原型生成器,使类原型更具代表性,距离度量更加准确。实验表明,MTPN在少样本文本情感分类任务中取得了91.62%的准确率,比现有最佳模型提升了3.5%以上;在新领域的情感评论中,基于五条参考样本,模型对查询样本可获得超过90%的分类准确率。     

一种鲁棒性的少样本学习方法

少样本学习是目前机器学习研究领域的一个热点,它能在少量的标记样本中学习到较好的分类模型.但是,在噪声的不确定环境中,传统的少样本学习模型泛化能力弱.针对这一问题,提出一种鲁棒性的少样本学习方法RFSL(Robust Few-Shot Learning).首先,使用核密度估计(Kernel Density Estimation,KDE)和图像滤波(Image Filtering)方法在训练集中加入不同的随机噪声,形成多个不同噪声下的训练集,并分别生成支持集和查询集.其次,利用关系网络的关系模块通过训练集端到端地学习多个基分类器.最后,采用投票的方式对各基分类器的最末Sigmoid层非线性分类结果进行融合.实验结果表明,RFSL模型可促进小样本学习快速收敛,同时,与R-Net以及其他主流少样本学习方法相比,RFSL具有更高的分类准确率,更强的鲁棒性.     

复杂航空电子装备故障诊断规则提取

针对复杂航空电子装备故障样本不足的问题,为简化测试过程、提高故障诊断效率,提出了一种基于粗糙集的故障诊断规则提取方法;该方法构建了故障诊断决策信息系统,通过构造故障诊断决策信息系统的决策辨识矩阵和决策辨识函数,计算测试参数集的所有约简,从而提取故障诊断规则;以某型雷达系统为例,采用上述方法进行规则提取,将故障诊断所需测试参数从9个约简为3个;研究结果表明,该方法能在故障样本较少的条件下有效约简测试参数集,提取故障诊断规则,有利于简化测试过程,提高诊断效率.     

互联网教育中国样本集

正如我们总结的,教育是个庞大而抽象的概念,在与之相关的各个环节上都有层出不穷的创新和努力。我们不可能在有限的版面中对这些公司全部进行报道,而是选取其中具有代表性的几个样本来介绍——没有评论和剖析,而是尽可能的将其模式和产品"揭露"出来,供读者参考和借鉴。而对于这一领域其他公司,筛除众多培训为主业的网站,以及此次并不列入     

基于不平衡类数据集分类的空间插值方法

对于不平衡类数据集的分类问题,训练分类器后,分类结果产生了向多数类偏斜的问题,少数类识别率较低.为了提高少数类的分类精度,提出了一种改进的SMOTE方法—空间插值方法,利用少数类及其k近邻构造超几何体,在超几何体内随机产生虚拟少数类样本,当其k近邻中存在多数类时,缩小构造虚拟样本的空间,加强对易错分样本的训练,降低数据集类不平衡程度,并进行有效性验证.在实际数据集上,基于多个分类器进行仿真,结果表明,空间插值法在少数类和数据集整体分类性能优化效果较好.     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出。首先通过变分自编码器对少数类训练样本进行预处理,在学习确定少数类训练样本分布特征的基础上实现训练样本自动生成,进而提高训练样本的均衡性。基于3隐层结构堆栈稀疏自编码器深度学习网络构建变压器故障诊断模型,并以经变分自编码器预处理后的均衡训练样本对诊断模型参数进行更新优化。基于实例验证了所提方法的有效性。实验结果表明,所提方法可改善训练样本不平衡的不利影响,各训练集下,采用所提方法的变压器故障诊断结果准确率均保持在91%以上,且漏报率较低。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

金字塔原型对齐的轻量级小样本语义分割网络

小样本图像语义分割任务是计算机视觉领域一个有挑战性的问题,其目标是利用现有一张或几张带有密集分割注释的图片来预测未见类图像的分割掩码.针对该任务,提出了一个基于金字塔原型对齐的轻量级小样本图像语义分割网络.首先,该网络在MobileNetV2网络的深度可分离卷积和逆残差结构基础上,通过金字塔池化模块进行提取特征,保持高维度和低维度的信息,获得不同尺度的特征.同时通过在支持集原型和查询集之间进行相互对齐,使得网络能够从支持集中学到更多的信息,充分利用支持集的信息进行反馈.基于PASCAL-5i数据集的大量实验结果表明,提出的网络结构的均值在1-way 1-shot和1-way 5-shot上分别为49.5％和56.6％,与先进的主流小样本语义分割网络PANet相比分别对应提高了1.4％和0.9％,网络参数量为3.0 MB,相比PANet减小了11.7 MB,同时浮点计算量显著减少,证明了该网络在小样本图像语义分割中的有效性和高效性.