面向节点分类的图神经网络节点嵌入增强模型

考虑到实际的图结构往往是有噪的，可能包含实际不存在的边或者遗漏节点间实际存在的部分边，提出可微分相似度模型（DSM）.通过挖掘节点间隐藏关系增强节点嵌入，以提高节点分类的准确度. DSM基于普通图神经网络方法（GNN）得到各节点的基础表征，根据节点表征相似度为目标节点选出相似节点集合，结合相似节点集合的基础表征对目标节点进行嵌入表征增强.在数学上，DSM是可微分的，可以将DSM作为插件与任意GNN相结合，以端到端的方式进行训练. DSM具有挖掘隐藏连接关系的能力，能促使GNNs学习到更具辨识性和鲁棒性的节点表征.基于最常用的多个公开的节点分类数据集，开展实验验证.结果表明，将已有GNNs与DSM结合能显著提升分类准确度，其中GAT-DSM相对GAT在数据集Cora和Citeseer上分别取得了2.9%、3.5%的提升．     

基于对比自监督学习的图像分类框架

为解决监督学习在图像分类领域中需要耗费大量时间来完成数据集标注等问题,提出了一种自监督学习图像分类框架:SSIC(Self-supervised image classification)框架。SSIC框架是一种基于对比学习的自监督学习方法,比现有的无监督方法有更好的性能。设计了一种新的框架结构,并选择了更有效的代理任务来提高模型的鲁棒性。此外,提出了有针对性的损失函数来提升图像分类性能。模型在UC-Merced、NWPU、AID三个公开的数据集上进行实验,实验结果表明:SSIC框架与当前最新技术相比有明显的优势,并且在低分辨率图像分类中也表现出色。     

基于神经网络的图像亮度和对比度自适应增强

提出一种高频增强与神经网络相结合的图像亮度和对比度自适应增强方法。利用均值滤波获取原始图像的低频分量,由原始图像与低频分量的差值获取图像的高频分量。同时引入神经网络方法,建立图像的灰度均值、标准偏差与亮度和对比度两个增强系数的非线性映射关系,根据图像本身的均值与标准偏差自动获取增强系数,从而实现图像的亮度和对比度的自适应增强。该方法计算量小,实时性强,对亮度和对比度都较低的图像增强效果较好,可用于图像动态检测系统。为了验证算法的可行性,将所提出的方法应用到货车故障动态图像检测系统(TFDS)所采集的动态图像处理中,获得了好的效果。     

基于图对比学习的长文本分类模型

当前基于字符级考虑的文本分类方法在长文本分类上，存在输入维度过大致使计算困难以及内容过长难以捕捉长距离关系，从而导致准确度不足的问题。由此，提出基于自适应视图生成器和负采样优化的图对比学习长文本分类模型。首先将长文本分为若干段落，用BERT衍生模型对段落进行嵌入表示，然后基于文本的高级结构将段落的嵌入表示视为节点构建图模型，接着使用自适应视图生成器对图进行增广，并通过图对比学习得到文本的嵌入表示，同时在图对比学习的负采样阶段，引入PU Learning知识修正负采样偏差的问题，最后将得到的文本嵌入表示使用两层线性层进行分类。通过在两个中文数据集上的实验显示，方法优于主流先进模型。     

基于强化学习的模糊自适应控制器

提出了一个强化学习系统中模糊自适应控制器网络结构及其有关算法的改进。并在此基础上给出了二阶欠阻尼系统和强非线性系统的强化学习控制仿真结果。仿真结果表明,基于强化学习的模糊自适应控制器可以对一类复杂系统实现自学习控制,达到令人满意的控制精度。最后,作者还对进一步研究的问题进行了探讨。     

基于分歧的半监督学习

为提高半监督分类的性能,提出一种基于SOM神经网络的半监督分类算法SSC-SOM。结合SOM的聚类特性,基于先聚类后标记的思想,充分利用有标记样本和未标记样本训练SOM分类器;将聚类的形成和有标记样本分配到各个聚类中同时进行,并根据有标记样本计算各个聚类的聚类中心;在整个未标记样本的范围内,根据聚类中心,使用K近邻算法对未标记样本进行标记,挖掘未标记样本的隐含信息。在UCI数据集中进行分类实验,其结果表明,SSC-SOM的分类率比SSOM提高2.22%,且收敛性较好。     

融合图增强和采样策略的图卷积协同过滤模型

现有的基于图卷积网络（GCNs）的协同过滤（CF）模型存在两大问题，大多数原始图因存在噪声及数据稀疏问题会严重损害模型性能；对于大型用户项目图来说，传统GCN中的显式消息传递减慢了训练时的收敛速度，削弱了模型的训练效率.针对上述2点，提出融合图增强和采样策略的图卷积协同过滤模型（EL-GCCF）.图初始化学习模块通过生成2种图结构，综合考虑图中的结构和特征信息，对原始图进行增强，有效缓解了噪声问题.通过多任务的约束图卷积跳过显式的消息传递，利用辅助采样策略有效缓解训练中的过度平滑问题，提高了模型的训练效率.在2个真实数据集上的实验结果表明，EL-GCCF模型的性能优于众多主流模型，并且具有更高的训练效率.     

基于自适应滤波的语音增强算法

介绍了自适应滤波进行语音增强的一种方法。对带噪语音进行自适应滤波处理，滤波后的语音信噪比和听觉质量得到了很大的改善。     

基于图游走和图注意力的点云分类与分割

针对点云特征提取中远距离特征和局部几何结构信息欠缺的问题,提出了一种基于图游走和图注意力的点云分类与分割网络。首先,利用带有导向性的图游走算法,对点云全局特征补充额外的几何信息和远距离特征信息;其次,嵌入图注意力机制,使模型聚焦于点云的关键区域,提升网络的特征提取能力;最后,在初始点云中提取距离特征作为初始残差嵌入到网络中,避免网络过平滑。在ModelNet40数据集、ScanObjectNN数据集进行了点云分类实验,在ShapeNetPart数据集与Toronto-3D数据集上分别进行了点云部件分割与点云语义分割实验,实验结果表明：相较于基准网络DGCNN,分类精度分别提升了1.3百分点、5.6百分点;分割精度分别提升了1.2百分点、33.1百分点。通过在ModelNet40-C数据集上进行稳健性分析,验证了所提网络具有较强的鲁棒性。     

基于掩蔽效应的改进型自适应语音增强算法

在分析经典自适应滤波算法的基础之上提出了一种有效的消除噪声且减小语音失真的语音增强方法.为了进一步提高语音增强效果,根据人耳掩蔽效应把语音信号中关键频率段的阈值作为自适应滤波算法的动态系数,根据此系数估算误差函数.在Matlab上对此算法输入不同信噪比的信号,仿真结果表明:输出的信噪比明显高于传统滤波算法,且残留噪声较小.     

基于增强图注意力网络的高光谱影像分类方法

高光谱遥感影像中隐含了不同地物的光谱特征,高光谱地物分类成为了遥感领域的一个研究热点。高光谱数据存在维度灾难以及训练样本标签过少等问题,进而影响了其分类精度。针对此问题,文章提出一种空-谱特征融合的增强图注意力网络高光谱影像分类方法,即从高光谱数据中获得初始的空-谱特征作为图的节点属性,并以节点的相邻关系构建图结构;将空-谱特征初步融合的高光谱图数据作为输入,并通过增强图注意力来提取节点的空-谱特征;以深度融合的空-谱特征来实现精准的高光谱地物分类。经在龙口和汉川数据集上的实验测试结果表明：这一方法能够有效提取深度融合的空-谱特征,总体分类精度分别达到99.62%和95.45%,实现了高光谱地物的精准分类。     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

小样本下基于深度学习的声呐图像分类研究

水下环境复杂多样,使得声呐成像模糊难以人工提取特征,同时声呐图像不易获取,数量远少于光学图像,导致了小样本情况下声呐图像分类网络的训练过拟合现象明显,识别准确率低。基于所建立的声呐图像数据集进行预处理后,提出一种改进的带有类别偏好的标签平滑正则化方法,对训练数据的标签进行优化,减轻网络的自信程度,并基于迁移学习中微调的方法利用光学图像对网络参数进行预训练和冻结,融合以上方法构建了一种小样本下的分类网络模型。仿真实验结果表明,优化后的网络模型取得了最佳分类识别准确率,有效抑制了过拟合现象,能够在小样本下实现精确分类声呐图像。     

一种改进的单个自适应神经元控制学习算法

提出了一种改进的神经元控制学习算法，它是对原有的单个自适应神经元控制学习算法的较一般的推广和改进。通过对一卫星姿态稳定控制系统的仿真，表明所提方法优越。     

基于自适应神经网络模糊系统的交通事故损失预测

自适应神经网络模糊系统在建立对象输入和输出关系时，与传统的数学方法不同，它是基于数据的建模．本文利用这一系统特性，建立了道路交通事故损失与交通事故次数、死亡人数和受伤人数之间的关系，提出了自适应神经网络模糊系统预测道路交通事故损失的方法，为交通事故的预测开辟了新的途径．     

基于神经网络的自学习控制

本文提出了一种基于神经网络和专家系统技术的自学习控制方法，该方法用BP算法训练控制器，采用专家系统技术生成教师信号指导学习过程。仿真结果表明该方法具有较强的自学习能力。     

可信的图神经网络节点分类方法

为了研究节点特征表示的不确定性对节点分类的影响,提出一种可信的图神经网络节点分类方法。算法使用径向基函数计算节点间距离,得到各类节点质心后,根据距离分配与未标记节点最近质心的类别标签提高节点分类性能,同时定义未标记节点和质心之间的距离为模型输出的不确定性,并使用梯度惩罚损失加强输入变化的可检测性,可以有效地检测分布外节点样本。在Cora、Citeseer和Pubmed这3个公开网络数据集上的结果表明：模型在分类任务的AUROC指标分别达到81.5%、76.2%和74.6%,在分布外样本检测任务中AUROC指标分别达到83.6%、72.8%和70.6%,证明了所提算法在提高节点分类性能的同时,可以有效检测分布外的节点样本,提高了节点分类的可信性。     

基于跨视图对比学习的知识感知推荐系统

知识感知推荐(KGR)领域普遍存在监督信号稀疏问题,为了解决这个问题,对比学习方法被越来越广泛地应用于KGR。但是,过去基于对比学习的KGR模型仍存在一些问题:(1)使用图卷积对所有邻居节点直接聚合,无法排除知识图谱中不必要邻居节点信息的干扰；(2)只关注全局视图的信息,忽略了局部特征,这会导致过平滑问题。为了解决以上问题,提出一种基于跨视图对比学习的知识感知推荐系统(KRSCCL)。KRSCCL使用关系图注意力网络构建包含用户、物品和实体节点的全局视图；使用轻量级图卷积网络构建包含用户和物品节点的局部视图,强调局部特征,有效地缓解过平滑问题。最后,在构建的两个视图的图内和图间节点对之间进行对比学习,以充分提取KG信号,优化用户和物品表示。论文方法在三个不同领域的公开数据集上进行了大量实验,实验结果表明:关系图注意力网络可以有效排除复杂网络聚合时的噪声问题；引入局部视图可以优化节点表示生成,缓解过平滑问题；KRSCCL模型在这三个数据集上都表现良好,在电影领域数据集Movielens-1M上,其推荐的F1分数较最强基线提升2.0%；在音乐领域数据集Last.FM上,其推荐的F1分数较最强基线提升0.3%；在书籍领域数据集Book-crossing上,其推荐的F1分数较最强基线提升5.1%。证明了论文方法的有效性。