基于深度迁移学习的烟雾图像检测

针对乡村焚烧秸秆的烟雾预警问题,提出一种基于深度迁移学习的烟雾图像检测方法。该方法使用TensorFlow框架,引用已在ImageNet数据集上训练好的Inception-v3网络模型作为源模型,将其在ImageNet数据集中提取到的边缘、色彩、纹理等特征用于构建新的烟雾检测模型。利用真实场景的监控图像进行实验验证,实验结果表明,和传统的烟雾图像检测方法相比,该方法取得了较高的检测准确率,测试准确率达到了90%。     

基于迁移学习的车轮踏面损伤检测

为解决车轮踏面损伤样本不足问题,构建了相似车轮踏面的样本数据集,基于迁移学习的思想对车轮踏面损伤进行诊断检测.首先根据车轮踏面损伤实际图像数据构建了相似车轮踏面损伤类别数据集,利用YOLOv3神经网络对构建好的踏面损伤类别数据集进行训练,建立车轮踏面损伤特征提取参数模型;然后将该特征提取模型迁移到实际车轮踏面损伤数据样本中.实验结果表明,该方法对车轮踏面损伤检测具有很好的检测效果,为车轮踏面损伤检测提供一种有效诊断方案.     

基于分类一致性的迁移学习及其在行人检测中的应用

利用迁移学习解决在特定场景下尤其是在摄像头静止的监控场景下的行人检测问题,提出基于分类一致性的学习模型。利用Boosting技术从辅助训练集中选择具有正迁移能力的样本,对样本迁移能力给出了基于辅助分类器分类一致性的熵度量方法。对比实验表明,该学习模型能够有效地提高检测率,尤其是在标记样本较少的情况下仍得到了较好的检测效果。     

基于ABC、XGBoost与迁移学习的入侵检测方法

传统的入侵检测机器学习算法,面对有差异的新旧数据尤其是未知的攻击行为,会出现检测准确率较低、漏检率较高的问题.为此,提出了一种将人工蜂群(ABC)算法、XGBoost模型与迁移学习相结合的ABC-XGBTrl算法.首先通过使用少量有标签的新数据训练初始分类模型,然后将有标签的旧数据中分类正确的部分与少量有标签的新数据合...     

基于迁移学习的跨域异常流量检测

基于已知数据的机器学习模型在实际异常流量检测任务中不完全可靠,为此,将不同分布的流量分别作为源域和目标域,建立跨域网络异常流量检测框架,提出了基于联合分布适配的迁移学习方法.通过寻找最优变换矩阵、适配源域与目标域之间的条件概率和边缘概率,实现源域与目标域间的特征迁移,从而解决由于源域与目标域分布差异大所引起的检测准确率下降等问题.实验结果表明,所提方法可以显著提升跨域流量的检测准确率.     

迁移学习结合难分样本挖掘的机场目标检测

为了提高遥感图像中机场检测的准确性和速度,提出一种迁移学习结合难分样本挖掘的机场检测方法．首先,舍弃以往滑动窗口加手工设计特征的方式,构造了区域卷积神经网络作为基本架构;其次,基于自然图像和机场遥感图像具有共同的低级和中级视觉特征,网络模型在自然图像上进行预训练并修改完善后,在数据有限的机场上迁移学习;然后,在样本训练中借鉴难分样本挖掘思想来提高网络的目标判别能力和训练效能;最后,使用交叉优化策略实现区域建议网络和后续检测网络的卷积层共享,大大地减少了检测时间．仿真结果表明,所提方法能在复杂背景下准确地检测出不同类型的机场,得到检测率为93.6%、虚警率为11.6%、时间为0.2s的实验结果,各项性能均优于其他对比方法．     

基于多源动态TrAdaBoost的实例迁移学习方法

针对源领域数据和目标领域数据分布类似的情况,提出一种基于多源动态TrAdaBoost的实例迁移学习方法.考虑多个源领域知识,使得目标任务的学习可以充分利用所有源领域信息,每次训练候选分类器时,所有源领域样本都参与学习,可以获得有利于目标任务学习的有用信息,从而避免负迁移的产生.理论分析验证了所提算法较单源迁移的优势,以及加入动态因子改善了源权重收敛导致的权重熵由源样本转移到目标样本的问题.研究结果表明,所提算法在2个和3个源领域的迁移学习精确度最高值分别达到90.7%和92.2%,能够得到较高的分类精度,更适于实例迁移学习.     

基于迁移学习的天气图像识别

为提高天气图像识别的准确率,达到良好的天气图像分类效果,提出一种基于迁移学习的天气图像识别算法.该算法使用Xception图像分类算法实现网络架构,再基于迁移学习理论将模型和参数应用到天气图像识别中,并在同一数据集上与其他模型进行性能对比.实验结果表明,基于迁移学习的改进Xception模型有效解决了训练样本不足、准确...     

基于简易位置检测的高速永磁同步电机系统

对高速永磁同步电机的电磁设计和机械设计进行了研究．针对高速永磁同步电机的特点,采用简易转子位置检测方法．基于CRPWM,设计了高速永磁同步电机的驱动系统,实现磁场定向矢量控制,并对逆变器的死区效应进行了补偿．实验结果表明：该高速无刷直流电机系统运行可靠,并具有高效率和低转矩脉动的特点．     

一种基于正则化判别分析的迁移学习算法

针对大多数基于实例的迁移学习方法容易产生分布参数估计困难和泛化效果差的问题,提出一种正则化判别迁移学习算法。依据判别分析和半监督学习理论,采用核方法和正则化方法,研究了基于正则化的高斯核半监督判别分析方法,以构造修正嵌入空间的方式进行样本迁移。一方面,在映射空间中筛选样本可克服估计分布参数的困难;另一方面,引入伪标记数据和定义距离函数可避免过拟合问题。文本和非文本数据集上的实验结果验证了所提算法能够有效提高迁移的正确率及学习模型的泛化能力。     

基于对抗迁移学习模型的环境类虚假投诉检测

为实现环境类虚假投诉举报检测, 提出一种基于对抗迁移学习方法的虚假投诉举报检测模型。首先, 以长短期记忆(long-short term memory, LSTM)网络为特征抽取器抽取微博谣言(源域)和投诉举报文本(目标域)的共享特征; 然后, 使用对抗学习方法进行领域适配, 将源域特征和目标域特征进行特征对齐; 最后, 由分类器输出分类结果, 并由分类损失和领域适配损失共同更新网络参数。通过模型对比实验和消融实验可知, 模型的F₁达到了79.61%。结果表明, 对抗迁移学习模型具有较好的性能, 适合应用在环境类虚假投诉举报检测任务中。

     

基于深度学习的电网监控视频中工作人员检测与识别

针对电网监控视频场景多样,电网工作人员姿态变化严重影响工作人员识别精度的问题,提出了一种基于深度学习的电网监控视频中工作人员检测与识别算法.该算法使用Res Net50网络提取行人特征,Faster-Rcnn检测方法快速、精确地检测出电网中的工作人员,识别网络对检测出的工作人员进行身份确认,并使用各种组合损失来训练检测与识别网络.在电网监控视频数据集上的测试结果表明,所提出的方法具有更高的检测和识别精度,且对遮挡及低光照图片具有较好的鲁棒性.     

基于迁移学习的机械制图智能评阅方法

针对机械图样几何特征种类多、线条线型易混淆、人工制图风格多样导致校对效率低、误检、漏检等问题,提出基于迁移学习的机械制图智能评阅方法. 对机械图样进行预处理,采用改进的阀值迭代算法去除背景、噪点和干扰,完成图样图像的分割,提取机械图样的特征投影图像. 通过训练源领域图片的特征提取器,将特征提取器的网络权值迁移到机械图样评阅模型中,完成相似领域的知识迁移. 训练逻辑回归分类器,建立基于神经网络权重参数自适应的智能评阅模型,对几何特征、投影特征、图线、剖面符号等机械图样的制图标准要素进行识别. 实验结果表明,所提出的机械制图智能评阅方法具有较高的错误识别率和鲁棒性能,单个测试样本平均评阅时间为0.95 s,机械图样的平均评阅正确率为98.82%;与人工评阅相比,所提方法能够在提高评阅效率的同时具有较高准确率.     

基于学习前馈控制的永磁直线伺服系统跟踪控制研究

针对永磁直线同步电动机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,引入学习前馈控制(LFFC)补偿技术。学习前馈控制是一种反馈误差学习的控制形式,其包含了反馈控制器和采用函数逼近器的前馈控制器两部分。在系统和扰动定性知识的基础上,设计了基于B样条网络的学习前馈补偿控制。仿真结果表明,该方案有效地降低了负载扰动、端部效应等对系统性能的影响,提高了系统的跟踪精度。     

基于卷积神经网络和迁移学习的小麦病虫害识别

为实现对小麦病虫害的高效识别检测,构建了小麦病虫害精准识别网络模型.首先,利用AlexNet、VGG-Net16、Inception-V3等3种类型的卷积神经网络构建了3种小麦病虫害分类模型,通过对模型平均识别准确率和处理速度两个指标的对比,优选出VGGNet16作为基础网络.然后,通过添加随机噪声和随机滤波、随机旋转...     

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.     

基于迁移学习的神经影像分析和阿尔茨海默病诊断

传统的基于机器学习的阿尔茨海默病诊断方法在跨域数据集上的分类结果不尽如人意。为了解决域间数据分布差异的问题,本文提出了一种基于多图谱特定类重构的域自适应迁移学习方法。首先使用多图谱数据来获取样本丰富的特征信息;接着通过投影矩阵将源域和目标域的数据投影到公共子空间中;然后使用重构矩阵来消除源域和目标域相同类的数据之间的分布差异;最后为了保留域中数据全局的结构信息,对重构矩阵使用低秩约束。该方法在多中心阿尔茨海默病成像数据集和阿尔茨海默病神经影像学计划数据集上进行实验,实验结果显示,提出的方法相比其他传统方法在跨域数据集上可以更准确地诊断阿尔茨海默病。     

基于异质集成学习的虚假评论检测

为了防止卖家的恶性竞争、保证电商平台能够公平交易、保护消费者的权益不受侵犯,针对虚假评论检测领域中数据集小、标注不准确等问题,基于亚马逊最新发布的虚假评论数据集对相关算法进行改进。考虑到Word2vec模型无法识别英语中的词对,提出了Bigram-Word2vec模型;提出“二分类加权硬投票法”以解决异质集成学习中分类器投票数相等的情况;针对异质集成学习中分类器权重设置问题提出“加权软投票法”。试验结果表明,文中对相关算法的改进取得了较为理想的结果。