小波域欠定盲图像混合矩阵估计研究

欠定盲源分离已经成为当前盲信号处理的研究热点,欠定的盲图像分离技术在现实的科研和生产实践中有重要的研究意义。由于图像信号的本身特征,直接进行处理不能满足欠定盲源分离的条件,文章所做的工作就是将盲图像的混合图像进过一层小波变换,在小波域得到了充分稀疏的高频分量,然后利用超平面法矢量聚类算法在小波域进行混合矩阵的估计。通过仿真实验,对比传统算法,得到了较好的估计结果。     

基于自编码器的深度聚类算法综述

聚类分析作为一种常见的分析方法,广泛应用于各种场景。随着机器学习技术的发展,深度聚类算法也成了当下研究的热点,基于自编码器的深度聚类算法是其中的代表算法。为了及时了解掌握基于自编码器的深度聚类算法的发展,介绍了四种自编码器的模型,对近些年代表性的算法依照自编码器的结构进行了分类。在MNIST、USPS、Fashion-MNIST数据集上,针对传统聚类算法和基于自编码器的深度聚类算法进行了实验对比、分析,最后对基于自编码器的深度聚类算法目前存在的问题进行了总结,展望了深度聚类算法的研究方向。     

基于随机游走的图嵌入研究综述

近年来,图嵌入已经成为图神经网络领域研究的热点。图嵌入作为图任务分析的一种重要手段,将图的高维非欧信息编码到低维向量空间中,从而提升下游任务的性能和效率。为了及时掌握当前基于随机游走的图嵌入方法的研究现状,通过归纳与整理,对现有的经典模型进行介绍与分类,主要分为基于经典随机游走的模型和基于属性游走的模型;然后对每一种模型解决的问题、算法思想、模型策略、优缺点和应用场景进行了详细的归纳与分析,并在几种常见的数据集上评估了部分模型的性能。通过研究发现,当前的基于随机游走的图嵌入亟待解决四个方面的问题：属性选择、可扩展性、嵌入维度选择和可解释性,针对这些问题,图嵌入需要建立一致的理论框架,为后面的研究提供可参考的标准。     

基于深度学习的命名实体识别研究综述

命名实体识别是自然语言处理领域的一项关键任务,其目的在于从自然语言文本中识别出具有特定含义的实体,如人名、地名、机构名和专有名词等。在命名实体识别任务中,研究人员提出过多种方法,包括基于知识和有监督的机器学习方法。近年来,随着互联网文本数据规模的快速扩大和深度学习技术的快速发展,深度学习模型已成为命名实体识别的研究热点,并在该领域取得显著进展。文中全面回顾现有的命名实体识别深度学习技术,主要分为四类：基于卷积神经网络模型、基于循环神经网络模型、基于Transformer模型和基于图神经网络模型的命名实体识别。此外,对深度学习的命名实体识别架构进行了介绍。最后,探讨命名实体识别所面临的挑战以及未来可能的研究方向,以期推动命名实体识别领域的进一步发展。     

基于深度学习的属性图异常检测综述

异常检测一直以来都是数据挖掘领域的研究热点之一,其任务是在海量数据中识别罕见的观测对象。随着图数据挖掘的发展,属性图异常检测在各个领域广受关注。然而,属性图因其复杂的拓扑结构和丰富的属性信息成为异常检测一大难点。深度学习方法在捕捉属性图复杂的信息中展现出优越性能,已被证实是解决属性图异常检测问题非常有效的方法。对普通图异常检测和属性图异常检测以及表示学习相关方法进行简要概述;其次从静态属性图和动态属性图两方面对最新深度学习异常检测方法进行介绍与分类;对常见数据集上的实验结果进行了对比、分析;对属性图异常检测的应用场景、存在的问题以及面临的挑战进行讨论,展望了未来的研究方向。     

一种简化的BP神经网络图像插值算法

为进一步提高图像插值质量,丰富非线性图像插值算法研究,提出一种简化的神经网络插值算法。利用前向反馈神经网络(BP-NN)构造最佳的图像插值模型,通过2组实验确定该模型的BP网络最佳拓扑结构、最佳采样模型和采样点数量,并定量描述每组模型的耗时。实验结果表明,对512×512像素图像采用BP-NN训练点数量为50000、拓扑结构为8-16-1的参数插值时,该算法平均插值时间约为0.7 s,且其峰值信噪比比线性均值方法平均高1 dB~2 dB,能够得到更佳的视觉感受。     

一种时频域加权张量分解的欠定盲源分离方法

针对欠定瞬时混合模型,提出了一种基于时频域加权张量分解的欠定盲源分离方法。该算法利用短时傅立叶二次分布无交叉项及Wigner-Ville分布高分辨率的特性,在传统最小二乘代价函数基础上对WVD自由项时频点所构成张量进行加权调整,解决可能存在的数据丢失问题,同时施加Tikhonov准则处理由二次分布的边缘聚集性所引起的负值,采用LM算法最小化代价函数估计出混合矩阵,实现源信号的有效分离。     

基于图卷积网络的轴承故障检测算法

轴承故障占到了感应发动机故障总数的1/3，会造成严重的经济损失甚至生命威胁。准确且及时地检测出轴承故障对于提高生产效率和降低安全风险至关重要。传统检测算法对轴承信号特征的选择较为敏感，而基于机器学习的轴承故障检测算法往往仅考虑了样本的特征信息却忽略了样本之间的联系，从而丢失了许多有用的信息。为解决这个问题，将特征提取迁移到图结构，提出了GE-HITS的轴承故障检测方法。该方法首先将样本以德劳内三角网形式连接成图；然后将图结构与样本的特征信息一同作为图卷积神经网络的输入；最后将训练后的数据通过权威值排序来判断故障点。通过与在真实数据集上运行的8种对比算法的3种指标进行比较，GE-HITS算法都取得了最佳的结果，充分证明了所提算法的有效性。