基于度量学习的意图识别和槽填充方法

人机对话中小样本学习场景下的意图识别和槽填充,是自然语言处理的一个重要课题.本文采用基于度量学习的方法,通过计算query set中的样本与support set中样本的距离,寻找距离最近的类别样本作为分类标签,同时将两个任务联合进行训练,用以提升模型的效果.从实验结果中可以得出,本文提出的Fine-tune方法,对意图识别和槽填充任务都有一定的帮助和提升.胶囊网络在意图识别中也起到了一定的效果,可以帮助去除一部分无关信息,但对槽填充任务的帮助不明显;而任务自适应的投影网络,可以更好地将不同类的向量分开,提升了两个任务的性能.     

基于归一化水体指数及其阈值自适应算法的水体遥感反演效果分析

归一化水体指数（NDWI）是水体遥感反演的一种重要指标，其阈值及修正直接影响反演结果的精度。基于Landsat-8与GF-1光学多光谱影像，使用归一化水体指数法阈值0（TH₀）、最大类间方差法（OTSU）自适应阈值（TH_otsu）与均值漂移聚类算法（Mean-Shift）自适应阈值（TH_MS）分别对典型正常水体、云雾覆盖水体、富营养化水体、高含泥沙水体进行水体遥感提取与效果分析，结果表明：正常水体以TH₀为阈值提取精度最高，THMS提取精度次之，TH_otsu提取精度最差；而云雾覆盖水体、富营养化水体以及含泥沙水体使用THMS提取精度最高，尤其少量云雾覆盖下的水体，TH_MS具有更明显的优势，TH₀提取精度次之，TH_otsu提取精度最差；对于不同的阈值，Land?sat-8比GF-1总体表现出更高的水体提取精度。Mean-Shift算法应用于NDWI阈值修正与水体遥感反演具有快速、水质适应性强、效果稳定的优势，对尤其是复杂条件下的水体信息遥感反演具有较好的提取效果。     

基于Bootstrap方法的密封寿命可靠性评估

针对高可靠、长寿命密封件在小样本试验下的可靠性寿命评估需求,提出一种基于虚拟增广样本和Bootstrap方法的密封寿命小样本数据可靠性评估方法。并以轴用阶梯圈为例,进行寿命可靠性评估。首先通过虚拟增广法将轴用阶梯圈台架寿命试验数据样本数增广至10个,使得样本数满足Bootstrap方法的适用条件;然后再利用Bootstrap方法得到轴用阶梯圈的寿命可靠性评估结果。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

一种非平衡数据分类的过采样随机森林算法

在灾害天气、故障诊断、网络攻击和金融欺诈等领域经常存在不平衡的数据集。针对随机森林算法在非平衡数据集上表现的分类性能差的问题,提出一种新的过采样方法:SCSMOTE(Seed Center Synthetic Minority Over-sampling Technique)算法。该算法的关键是在数据集的少数类样本中找出合适的候选样本,计算出候选样本的中心,在候选样本与样本中心之间产生新的少数类样本,实现了对合成少数类样本质量的控制。结合SCSMOTE算法与随机森林算法来处理非平衡数据集,通过在UCI数据集上对比实验结果表明,该算法有效提高了随机森林在非平衡数据集上的分类性能。     

DCNN深度特征与交替方向乘子的相关滤波跟踪

针对采用相关滤波的判别式目标跟踪遇到的瓶颈问题：由于目标快速移动引起边界效应，使得相关滤波器在学习与更新过程中可能会引入错误，最终错误的累积将导致跟踪失败。在采集深度学习特征与样本相似性度量的基础上，提出一种引入交替方向乘子方法的改进相关滤波目标跟踪算法，选择DCNN深度特征有效地表征待跟踪目标的初始状态，通过在线分类过程中样本相似性比对与半监督学习，辅助解决相关滤波器在学习过程中存在的自学习问题。所提目标跟踪算法特别适合训练样本为持续获得的、同时存储空间较小的机器学习过程，提高目标在快速运动与部分遮挡等复杂情况下的跟踪成功率，针对VOT2016标准测试视频的实验表明：当目标面临快速运动时，对比CN、SAMF、STC算法，所提DA-CFT跟踪算法将跟踪成功率分别由60.4%～73.4%、67.2%～82.9%、80.9%～88.1%提升至85.6%～91.0%。