用于微阵列数据分类的子空间融合演化超网络

针对传统模式识别方法在学习具有小样本特性的DNA微阵列数据时存在的过拟合问题,本文提出了一种子空间融合演化超网络模型.该模型通过子空间划分、超边全覆盖和子空间融合三种方法降低模型对初始化的依赖,减少了对数据空间的拟合误差,提高了演化超网络的泛化能力.对四个DNA微阵列数据集的实验结果表明,子空间融合演化超网络的识别率和在小样本训练集下的泛化能力均优于参与对比的其他传统模式识别方法.     

基于标签关联的多标签演化超网络

针对多标签学习中如何有效挖掘利用高阶标签关联的问题,提出了一种基于标签关联的多标签演化超网络模型.该模型通过输入任意多标签学习方法的预测结果,利用超边表征挖掘高阶标签关联,并综合标签关联和特征信息作为最终的预测结果.与3种传统多标签学习方法在6个多标签数据集上的对比实验表明,本文提出模型不仅能够有效提升多个传统多标签学习方法的性能,而且能够提供具有良好可读性的学习结果.     

机器学习在5G超密集网络切换中的应用

超密集网络（Ultra-dense Network,UDN）作为5G网络架构的关键技术,其切换时延及无效切换等已成为网络发展的巨大挑战。提出了一种基于集成策略的机器学习算法,并结合用户的移动性数据,进行较高精确度的切换预测,减少切换时延及非必要切换等目标。仿真结果表明,采用结合改进机器学习算法的切换策略,不必要切换率降低了40.2%,平均时延降低了28.6%。     

网络处理器功能在网络中的演化

从通讯产品的系统设计的角度,分析NPU的功能,尤其是数据包转发功能在网络产品设计的演进过程,对NPU的功能特性做了阐述,指出NPU+物理层芯片+交换矩阵未来网络数据产品的硬件核心结构.     

加强模式识别和机器学习技术在电信网络诈骗治理中的运用

近年来体系,诈骗活动愈发精准化、制定化,且诈骗综合技术和人力成本下降,加剧电信网络治理难度。理论研究和实践表明,以模式识别和机器学习为代表的人工智能技术,是打击新形势下电信网络犯罪的有力武器。我国需从政策法规、技术合作攻关、跨部门跨地区合作等方面,加强运用人工智能技术实现对电信网络诈骗的有效治理。     

AIS—NC多类型开放队列网络性能分析

本文研究了基于网络计算机会计信息系统性能分析方法，针对会计信息系统结构特点及硬件资源请求类型，抽象出三种系统响应模式．据此，构建了AIS-NC多类型开放队列网络性能模型，并且给出了性能分析的步骤和方法．举例说明了该方法的应用．该方法对其他多类型开放队列网络性能分析具有借鉴意义．     

轨迹网络及其在字母识别中的应用

本文提出一种新的轨迹神经网络模型，它利用输入模式时间序列形式模式类的轨迹，从而实现模式空域不变性特征提取。     

人工智能及其在网络优化运维中的应用

当前,人工智能已在各个领域发挥巨大作用,机器在完成特定任务方面的表现甚至超过了人 类。本文对人工智能算法体系进行梳理,探讨相关算法在网络优化、运维领域中的应用场景。通过五 个实际的应用系统设计方案及流程,给出如何利用人工智能提升网络优化、运维的效率及质量。     

基于多粒度软件网络模型的软件系统演化分析

软件系统是一类典型的人工参与的复杂系统,理解软件系统的演化规律有助于更好地指导软件工程实践.本文从包、类和特征三个粒度上构建软件系统的网络模型,利用复杂网络理论依次从网络规模、质量、结构控制三方面定量分析软件系统演化规律.以经典的Lehman演化定律为基准,对比软件系统在不同粒度下的演化差异.研究结果表明：（1）不同粒度下软件系统表现出的演化特性有所不同,其中在类粒度下效果更好;（2）持续增长、持续变化、自我调节和主体维持四项定律表现出与构建软件网络的粒度无关;（3）包粒度下系统演化对软件质量影响不大,而反馈系统定律仅在类粒度下成立.     

PixelHop: A successive subspace learning (SSL) method for object recognition

A new machine learning methodology, called successive subspace learning (SSL), is introduced in this work. SSL contains four key ingredients: (1) successive near-to-far neighborhood expansion; (2) unsupervised dimension reduction via subspace approximation; (3) supervised dimension reduction via label-assisted regression (LAG); and (4) feature concatenation and decision making. An image-based object classification method, called PixelHop, is proposed to illustrate the SSL design. It is shown by experimental results that the PixelHop method outperforms the classic CNN model of similar model complexity in three benchmarking datasets (MNIST, Fashion MNIST and CIFAR-10). Although SSL and deep learning (DL) have some high-level concept in common, they are fundamentally different in model formulation, the training process and training complexity. Extensive discussion on the comparison of SSL and DL is made to provide further insights into the potential of SSL.     

一种新的天线阵方向图综合演化算法

为提高天线阵列方向性图综合优化计算效率,提出了一种新的双群体演化算法。该算法将优化变量向量模拟为团队成员,把该团队分为精英组和普通组,建立了两组的学习样板,定义了学习和探索运算,并合理设定了成员更新规则。两组成员在搜索过程中出现了明显分工,使算法兼备了全局搜索、局部搜索和定向搜索的能力。数值结果验证了新算法具有实现简单、计算量少和参数选择相对容易等特性。给出了用该算法对天线阵幅度、相位和幅相综合的数值结果,验证了新算法的有效性。该算法对解决同类的优化问题具有应用价值。     

基于HOG特征和SVM分类器的红外图像智能检测与分类方法

为了满足人工智能在目标识别方法中的应用需求,需要具备对海量数据进行智能分类、识别、判读的能力。进一步挖掘了红外目标特性数据库数据,并将基于HOG+SVM的红外目标识别算法应用于红外目标识别过程中。选择采集到的汽车、直升机、飞机、舰船、无人机等目标,并结合HOG算子与SVM分类方法来实现红外目标检测与分类算法,从而实现了红外目标智能化分类研究,为后续目标特性的进一步分析以及导引头智能化算法设计提供了支撑。     

融合时空上下文的手绘笔画图文分类

在笔式用户界面中,对手绘图形和手写文字的识别通常采用不同的识别算法,因此通过笔画分类将混杂的笔画集自动分离是手绘草图识别中的一个重要研究课题。该文提出一种融合时空上下文的手绘笔画联合分类方法,采用支持向量随机场对时空关联的笔画集进行联合建模,不仅利用笔画自身的特征进行判别分类,还以时空邻域和笔画对特征同时融合了笔画间的时间上下文和空间上下文信息,通过模型环状置信传播(LBP)推断,最终求得最大后验边缘概率准则下的联合分类结果。实验结果表明,该文方法的分类准确率优于基于SVM的单笔画分类方法和基于马尔科夫随机场(MRF)的空间上下文联合分类方法,分类速度能基本满足交互实时性的要求,验证了利用随机场模型融合时空上下文进行笔画分类的可行性和有效性。     

基于人工神经网络算法的运营商客户投诉智能分类问题研究

云计算、物联网和5G业务的逐步开展,运营商的竞争态势日益加剧,在服务内容、服务方式、服务质量、经营管理和服务意识方面面临严峻挑战.为提升客户满意度,降低投诉量,本文从运营商客户投诉工单和录音数据入手,利用人工智能、机器学习等手段,开展投诉服务请求的归类分析,进一步通过人工神经网络算法对投诉工单文本进行挖掘和优化,对工单...     

基于生成对抗网络的舰船辐射噪声分类方法研究

基于机器学习的舰船目标识别近年来已成为水声信号处理领域的一个重要研究方向,但水声目标信号的获取困难,样本量不足和不均衡的问题很容易导致目标分类模型的识别效果不佳。该文提出一种基于条件卷积生成对抗网络的船舶噪声数据分类方法,该方法利用生成对抗学习理论,生成相比于传统数据增强算法非线性特征更强,特征差异更丰富的伪DEMON调制谱数据来缓解训练样本量不足的问题。之后将传统生成对抗网络中的全连层输出替换成更善于解决小样本问题集成分类器,从而降低分类器对于数据量的依赖程度,进一步提高分类模型性能。最终由基于真实样本的实验结果表明,相比于传统数据增强算法和卷积生成对抗网络,该文方法能够更有效提高在样本不足条件下的模型的分类性能。     

Extended linear regression for undersampled face recognition

Linear Regression Classification (LRC) is a newly-appeared pattern recognition method, which formulates the recognition problem in terms of class-specific linear regression with sufficient training samples per class. In this paper, we extend LRC via intraclass variant dictionary and SVD to undersampled face recognition where there are very few, or even only one, training sample per class. Intraclass variant dictionary is adopted in undersampled situation to represent the possible variation between the training and testing samples. Three types of methods, quasi-inverse, ridge regularization and Singular Value Decomposition (SVD), are designed to solve low-rank problem of data matrix. Then the whole algorithm, named Extended LRC (ELRC), is presented for face recognition via intraclass variant dictionary and SVD. The experimental results on three well-known face databases show that the proposed ELRC has better generalization ability and is more robust to classification than many state-of-the-art methods in undersampled situation.     

Computer simulation of an automatic classification procedure for digitally modulated communication signals with unknown parameters

The surveillance and control of the broadcasting activity, especially in the HF band, is a difficult task for the authorities like the post-office for example. Even experienced people with modern special equipment are often unable to classify unknown, differently modulated signals in real time. In this paper a procedure is described which allows an automatic real time classification of the following modulation types: Amplitude-Shift Keying (ASK), Frequency-Shift Keying (FSK) with small frequency deviation, and Phase-Shift Keying (PSK). The procedure has been tested by simulation on a computer and has proven to be reliable and robust against the expected perturbing factors such as noise, mismatch of centre frequency or bandwidth, and cross-talk of signals in adjacent frequency channels. A more detailed discussion is contained in [1].