基于Bootstrapping的因特网流量分类方法

针对因特网流量分类面临的流量类别标记瓶颈和类别样本数分布不平衡,提出基于Bootstrapping的流量分类方法,使用少量有标记样本训练初始分类器,迭代利用无标记样本扩展样本集并更新分类器. 在构建扩展样本集过程中,将无标记样本在某后验概率分布下的正确分类行为视为一个概率事件,建立新的置信度计算方法,以减少扩展样本集中的噪声样本;基于概率近似正确学习理论建立启发式规则,注重选择小类样本加入扩展样本集,缓解类别样本数分布的不平衡. 实验结果表明,与初始分类器相比,基于Bootstrapping的流量分类器总体分类准确率可提高9.46%;与现有半监督学习方法相比,小类分类准确率提高2.22%.     

层次型非线性子空间字典学习

为了提高遥感图像场景分类的准确率,提出层次型非线性子空间字典学习(HNSDL)方法. 用所提方法训练多层网络模型学习多层非线性变换. 将遥感图像投影到子空间中,构建稀疏编码和投影编码的局部信息保持项,在保持局部结构信息的同时最小化样本的类内差异,增强模型的分类识别能力. 在模型目标式求解中,使用交替学习算法求解子空间和字典的联合学习任务,使所有参数同时达到最优解. 在Ucmerced、Google和WHU-RS数据集上进行实验设计和测试,结果表明所提方法在遥感图像的多种场景分类上均表现出较高的分类准确率.     

基于局部保持线性判别嵌入特征提取的光谱图像分类

针对难于获得足够多的高光谱图像训练样本的问题,基于流形学习标准、Fisher标准和最大边缘标准,提出了一种适用于高光谱图像小样本问题的局部保持线性判别嵌入(LPLDE)监督线性流形学习特征提取方法。LPLDE方法利用类内近邻图和类间近邻图描述类内的紧性和类间的可分性,有效地避免了因类内离散度矩阵奇异导致的小样本问题,具有更好的判别性能,更适合于分类问题。高光谱数据的实验结果表明了该方法的有效性。     

基于复数域上元度量学习的小样本辐射源个体识别方法

当带标签样本数较少时，现有的基于深度学习的辐射源个体识别方法，识别性能退化。针对上述问题，提出一种基于复数域上元度量学习的小样本辐射源个体识别方法。该方法将元学习中基于度量的方法与复数神经网络结合，设计嵌入模块，在小样本条件下更充分地学习辐射源复信号波形中隐藏的个体指纹信息，提升识别精度。仿真实验结果表明，提出的复原型网络、复匹配网络和复关系网络，与它们的实数域形式相比，识别准确率均得到了提升，且其中性能最好的是复关系网络。复关系网络在5类待识别辐射源个体分别仅有5个带标签样本(5-way5-shot)的情况下，20 dB信噪比条件下的识别准确率达到了85%。     

面向开放场景的交通标志识别方法

基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患．为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机制设计一个通用的具备推理能力和可解释性的道路交通标志识别框架,其能够有效应对实践中面临的道路交通标志的动态更新和类别缺失问题．利用国家道路交通标志制定标准来抽象出所有类别的通用属性,并将这些属性信息作为领域知识注入传统数据驱动模型的训练过程中．在领域知识的帮助下,所提基于零样本学习的交通标志识别方法能够比随机预测和传统深度学习模型更准确地识别出训练阶段未见过的交通标志．在中国交通标志数据库（Chinese traffic sign database, CTSDB）和德国交通标志识别基准数据集（German traffic sign recognition benchmark, GTSRB）上的实验结果表明,采用所提方法进行训练后,语义自编码模型在传统零样本学习的设定下,对于训练阶段未曾见过的交通标志的识别准确率分别比随机预测提升了至少29.96%和24.25%.     

支持向量机在TE过程故障诊断中的应用

支持向量机学习算法针对小样本情况表现出优良的性能,能够在有限特征信息情况下,最大限度地发掘数据中隐含的分类知识,使其能够更适用于故障诊断领域。研究决策有向无环图多类分类支持向量机在TE(Tennessee Eastman,TE)过程中的应用。仿真结果表明该方法分类精度较高且测试时间短,能够满足复杂工业过程对故障诊断的要求。     

面向不平衡问题的集成特征选择

传统的特征选择方法基本上是以精度为优化目标,没有充分考虑数据样本类别分布倾斜性,在数据分布不平衡的数据集上性能表现不理想。在不平衡数据集上通过有放回的抽样方法独立地从数据集大类样本集中随机抽取多个样本子集,使每次随机抽取的样本数量与小类样本数量一致,然后将各抽取的样本子集分别与小类样本集组合成多个新的训练样本集。对多个新样本集的特征子集以集成学习的方式采用投票机制进行投票,数据集的最终特征子集以得票数目超过半数的特征共同组合而成。在UCI不平衡数据集上的实验结果显示,提出的方法表现出了较好的性能,是一种能够处理不平衡问题的有效特征选择方法。     

基于迁移学习的少样本朝鲜语古籍文字的识别方法

为解决少样本朝鲜语古籍文字识别精度低的问题,提出了一种基于迁移学习的少样本文字识别方法.首先提出了一种结合传统数据增强和条件深度卷积生成对抗网络的数据增强方法,以此扩充朝鲜语古籍文字图像的训练样本数.其次,将富样本集预训练得到的模型迁移到少样本数据集的学习任务中,以此实现少样本的朝鲜语古籍文字识别.实验结果表明,提出的数据增强方法能够满足模型预训练和少样本的学习要求,且VGG16、ResNet18和ResNet50 3种网络模型在测试集上均获得良好的识别性能,其中ResNet50的识别准确率最高(99.72%).因此,该方法可有效解决小样本的朝鲜语古籍文字识别问题,并可为其他语种的小样本文字识别提供参考.     

基于孪生神经网络的小样本人脸识别

在基于深度学习的人脸识别领域中,孪生神经网络是一种解决过少样本数据降低模型性能并导致过拟合现象的有效方法.文章基于孪生神经网络提出一种引入CBAM混合域注意力机制的小样本人脸识别方法,对比实验将输出值映射为128维特征向量;采用对比损失函数,通过比较样本网络输出特征向量之间的欧氏距离来判断人脸的相似度.结果表明:在使用...     

基于元学习的小样本图像非对称缺陷检测方法

以准确检测小样本图像非对称缺陷为研究核心,提出基于元学习的小样本图像非对称缺陷检测方法。使用基于调制度的小样本图像自适应滤波方法,去除小样本图像的噪声,优化小样本图像质量;通过基于边界检测的滤波后小样本图像缺陷特征提取方法,提取滤波后小样本图像缺陷特征;将所提取特征作为基于改进元学习的小样本图像非对称缺陷特征检测方法的检测样本,实现小样本图像非对称缺陷检测。实验结果表明：本文方法对小样本图像滤波效果较好,检测多种非对称缺陷时,当小样本图像缺陷特征数量增多后,本文方法的检测结果交并比最小值是0.9,交并比数值理想,可准确检测小样本图像非对称缺陷。     

跨模态空域自适应联合均值滤波器

非局部均值滤波器通过欧氏距离来衡量非局部区域内像素块之间的相似性,取得了较好的去噪效果. 但其对局部性考虑不足,易导致一些非周期性的有用细节在图像去噪过程中被光滑掉. 针对此问题,引入空域局部、非局部联合自适应方法,对原滤波器进行改进; 同时,考虑到多模态图像在实际中的应用愈加广泛,将所设计滤波器推广至跨模态场景,得到了跨模态空域自适应联合均值滤波器. 经典图像实验的主观视觉效果与客观的量化指标均表明,所设计的滤波器较原算法取得了更好的滤波性能.     

Radar HRRP based few-shot target recognition with CNN-SSD

The development of radar high resolution range profile(HRRP)non-cooperative targets recognition technology is mainly limited by two aspects:(1) Due to the low observation frequency of non-cooperative targets,the number of labeled HRRPs is insufficient,making non-cooperative HRRP based target recognition a typical few-shot recognition problem,which is still a hot and difficult issue without definite conclusion in the academia.(2) The existing HRRP based target recognition methods are mostly based on the hypothesis of complete dataset,making them mismatch with non-cooperative target recognition in few-shot setting.In this paper,we put aside the complete hypothesis and propose an HRRP based few-shot target recognition method with CNN-SSD.The proposed method first uses a complete training HRRP containing 45 classes of cooperative targets to learn an initial category-independent feature extractor,on the basis of which we further utilize the model sequential self-distillation mechanism to obtain a more generalized feature extractor.Finally,the generalization ability of the extracted features is evaluated on unseen non-cooperative targets during training.Experimental results on self-simulated HRRP dataset reveal that the proposed method can achieve an average recognition rates of 61.26%,84.69% and 92.52% respectively when only 1,5 and 10 annotated HRRPs of non-cooperative targets are available.     

基于深度强化学习技术的舰载无人机自主着舰控制研究

自主着舰是未来舰载无人机面临的重要难题与关键技术. 基于TD3算法结合舰载飞机六自由度运动以及航空母舰运动模型,构建了交互式深度强化学习仿真环境. 针对典型海况进行了舰载无人机自主着舰训练,仿真训练过程中综合考虑海况以及航空母舰纵荡、横荡和沉浮3个线扰动,滚转、俯仰和偏航3个角扰动等因素,建立对应简化运动模型; 基于某型飞机气动数据进行气动力建模,建立六自由度运动学/动力学模型; 基于TD3强化学习算法,结合前馈型深度神经网络技术,在高性能GPU工作站上建立舰载机着舰交互训练环境. 通过某型舰载无人机在无模型环境中“试错”训练,验证了AI技术在舰载无人机自主着舰控制中的可行性.     

基于联邦知识蒸馏的多站点脑疾病诊断方法

多中心疾病诊断方法通过整合不同医疗机构的样本信息到一台服务器上,集中训练来提高预测的准确性,有效解决了医疗领域小样本的问题. 但仍存在两个问题:不同医疗机构的数据分布不同以及无法保护病人的隐私. 基于此,设计了一种应用在多站点脑疾病诊断领域中隐私保护的联邦知识蒸馏算法. 首先,设计了服务器端基于批标准化的加权平均算法,帮助联邦模型提取各个医疗机构数据分布无关的特征. 之后,在客户端设计了联邦教师模型-本地学生模型的框架,部署了本地分类器,利用蒸馏损失保证模型提取本地化特征,利用分类损失保证模型性能稳定. 实验结果表明,该算法在自闭症及精神分裂症数据集上均优于现有的其他算法.     

多阶段特征重分布算法的小样本目标检测

深度神经网络在目标检测任务上需要训练大量的标签数据,然而在许多实际应用场景中标签数据难以获取。针对这一问题,提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换,解决了小样本任务下源域数据和目标域数据分布不一致的问题;通过多阶段学习策略将源域知识逐步迁移到小样本目标任务中,进一步提高知识迁移效率。在VOC数据集上的大量实验表明,与现有小样本目标检测算法相比,该算法在不同任务上的精度最高提升了9.06%。该算法在大幅提高小样本目标域类别检测性能的同时,较大限度地保持了对源域类别的检测精度,具有较大的实用价值。     

迁移学习融合双HOG特征的目标跟踪

目标跟踪是计算机视觉的关键技术之一,应用于模式识别、自动控制等领域. 深度学习的跟踪算法具有良好的性能,但在快速运动情况下,低层HOG特征易受影响,跟踪性能较弱. 提出一种结合线下训练深度特征的鲁棒跟踪方法. 通过线下训练VGG模型,线上构造双HOG特征并进行最优选择,将线下训练提取的特征迁移到线上,与最优HOG特征响应融合. 首先,线下逐层训练VGG网络,卷积层负责提取卷积特征. 然后,在线提取当前帧目标区域的HOG特征,并分解为HOG1和HOG2,对其进行滤波处理,选择最优特征. 最后,融合卷积特征响应和HOG最优特征响应得到特征响应图,预测目标的新位置. 在OTB-2013、OTB-2015基准数据集上与其他6个算法对比. 结果表明,该方法在处理快速运动、背景混乱、形变等跟踪方面具有良好的性能.     

基于迁移学习的电力短文本情感分类研究

为了有效提高客服效率与主动服务意识,从电力短文本中挖掘客户的情感状态,提出了一种基于迁移学习的情感分析方法,将具有丰富标注信息的商品评论语料库作为源域,提高了目标域中的电力短文本的情感分类性能。在现有基于注意力机制的双向长短型记忆网络模型之上引入域适应层,以学习跨域知识并保留特定域的知识。实验结果表明,与其他算法相比较,该算法对电力短文本进行情感分类的效果优于非迁移学习方法,具有更好的分类性能。     

基于数据驱动高阶学习律的轮式移动机器人轨迹跟踪控制

轮式机器人执行巡逻、播种和工业生产等任务是一个强非线性的间歇过程.针对重复运行的轮式机器人轨迹跟踪问题,本文提出了一种基于数据驱动的高阶迭代学习控制算法.首先,对轮式移动机器人的模型进行推导设计,并对推导得到的状态空间形式的离散时间模型利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型;其...     

基于三维基因调控网络的智能机器人群体聚合与控制方法

针对传统的基因调控网络模型会导致机器人群体聚合形态在三维空间中不具备泛化性的问题,提出一种基于三维基因调控网络的智能机器人群体聚合与控制方法,并针对集群围捕任务测试了该方法在三维空间复杂场景下的表现. 在此基础上使用V-rep平台来模拟真实场景,验证了在加入物理特性后该模型的效能. 仿真结果表明,该方法在复杂场景下具有良好的表现.     

基于短距空间光谱并行双向RNN的高光谱农业图像分类

提出一种新的短距空间并行双向RNN算法(shorten spatial-spectral parallel bidirectional RNN,St-SS-pBRNN)用于高光谱农业图像分类,通过组合多个卷积层实现了频谱和空间特征的同时利用,提升了图像的分类效果. 采用并行门控循环单元(gate recurrent unit,GRU)和双向RNN的组合架构,缩短了RNN的序列长度,大幅减少了模型的计算量. 在农业高光谱图像分类对比实验中,算法性能稳定,准确率比经典的短距空间并行GRU算法(shorten spatial-spectral parallel GRU,St-SS-pGRU)最优效果提升大于2%,相关模型有望在国内大范围的农业用地分类中得以推广应用.