可迁移测度准则下的协变量偏移修正多源集成方法

迁移学习通过充分利用源域共享知识,实现对目标域的小样本问题求解,然而,对训练和测试样本分布差异测度仍然是该领域的主要挑战。该文针对多源迁移学习算法中,由于源域选择和源域辅助样本选择不当引起的负迁移问题进行研究,提出一种可迁移测度准则下的协变量偏移修正多源集成方法。首先,根据源域和目标域之间的协变量偏移原则,利用联合概率的密度估计,定义辅助样本的可迁移测度,验证目标域和源域在数据空间中标记分布的一致性。其次,在多源域选择阶段,引入非迁移判别过程,提高了源域知识的迁移准确性。最后,在Caltech 256数据集中,验证了Gist特征知识表示和迁移的有效性,分析了多种条件下的辅助样本选择和源域选择的有效性。实验结果表明所提算法可有效降低负迁移现象的发生,获得更好的迁移学习性能     

基于域鉴别网络和域自适应的行人重识别

针对行人重识别无监督跨域迁移问题,提出一种 基于域鉴别网络和域自适应的行人重识别算法。首先,使用改 进ResNet-50训练监督域鉴别网络模型,加入共享空间组件得到特征 不变属性,用于区分类间图像,并基 于对比损失和差异损失来提高模型的分类性能。其次,利用域自适应无监督迁移方法由源域 数据集导出特 征不变属性,并应用到未标记的目标域数据集上。最后,匹配查询图像和共享空间中的图库 图像执行跨域 行人重识别。为验证算法有效性,在CUHK03、Market-1501和DukeMTMC-reID数据集上进行了实验,算法 在Rank-1准确度分别达到34.1%、38.1%和28.3%,在mAP分别达到34.2%、17. 1%和17.5%,最后还验证了 模型各个组件在训练阶段的必要性。结果表明本文算法在大规模数据集上的性能优于现有的 一些无监督行人重识别方法,甚至接近于某些传统监督学习方法的性能。     

基于混合核深度适配网络的HRRP目标识别

为了改善基于卷积神经网络（CNN）的雷达目标识别模型的泛化能力,本文将深度适配网络（DAN）方法引入到高分辨一维距离像（HRRP）目标识别中。为了进一步提高DAN方法的性能,创新性地提出了混合核函数MMD代替传统DAN中的多核MMD,设计了基于混合核函数的MMD损失函数。本文使用服从瑞利分布的海杂波来干扰目标域数据。网络模型中使用一维CNN提取特征,使用混合核函数DAN来减少源域和目标域间特征分布的差异。实验表明,相对常规迁移学习方法和DAN方法, 在海杂波影响下该方法可将目标域数据识别率提高15%左右,显著提高了模型的泛化性能和鲁棒性。     

情感识别中的迁移学习问题综述

情感识别是实现自然人机交互的必要过程。然而,情感数据高昂的采集和标注成本成为了限制情感识别研究发展的一大瓶颈。在无标注或有限标注的场景下,利用知识的跨领域或跨任务迁移提升情感识别效果的问题值得探索。本文对情感识别中的迁移学习问题进行了梳理和分析。首先,将迁移学习问题划分为针对领域差异和针对任务差异的两大部分,并进一步将每部分问题细分为多种不同的情况。随后,基于情感识别领域的研究现状,分别总结不同情况下的现有工作。在目标领域训练资源匮乏的情况下,可以利用其他带标注的数据集作为源领域训练模型,并对齐不同领域下的特征分布,或将特征映射到域间共享的空间。考虑到情感标签所提供的监督信息往往较为有限,为了进一步提升模型的识别效果,可以引入其他相关任务进行联合训练,或将预训练模型、外部知识库提供的先验语义知识迁移到情感识别任务中。最后,讨论了情感识别领域中未来需要得到更多关注和探索的迁移学习问题,旨在为研究者带来新的启发。     

基于迁移BN-CNN框架的小样本工业过程故障诊断

针对工业故障诊断过程中训练样本不足导致的诊断性能低下问题，文中以迁移学习和深度学习方法为基础，提出一种迁移BN-CNN(Batch Normalization-Convolutional Neural Network)框架。为了减少网络对初始化方法的依赖，在卷积神经网络中引入批归一化层，对网络的隐藏层进行归一化处理。针对目标域标签数据不充足问题，通过基于样本的迁移学习方法扩充目标域的标记数据量，引入基于模型的迁移学习方法，通过充足的源域数据预训练BN-CNN网络，并利用数据量扩充后的目标域微调该网络部分参数，降低了少量样本训练深度神经网络的难度，得到了更适合目标域的故障诊断模型。采用TE工业数据集对该方法进行对比验证，实验结果表明，文中所提方法对于小样本工业过程故障具有较好的诊断性能，其平均精度值为0.804。     

采用多任务学习和循环神经网络的语音情感识别算法

随着机器学习的快速发展,许多研究者使用神经网络来解决语音识别领域中的各类问题。然而由于训练数据有限等原因,常规的神经网络分类器普遍存在泛化误差等问题。为了解决此问题,迁移学习中的多任务学习被引入到研究中。本文提出了一种采用多任务学习和循环神经网络的语音情感识别算法(MTL-RNN),将说话人情感识别作为主任务,性别识别和身份识别作为辅助任务,三个任务在神经网络中并行训练。算法模型通过RNN共享层共享网络参数、学习共享特征,通过属性依赖层学习独有特征,以提升模型的分类性能。实验结果表明,本文所提出的MTL-RNN算法在汉语和阿拉伯语、较少说话人和较多说话人的场景下均有较好的识别性能。      

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。     

基于灾难性遗忘及组合叠加擦除的跨模态行人重识别预训练方法

面向构建24小时全时段视频监控系统的需要，基于可见光与近红外的跨模态行人重识别受到工业界与学术界的广泛关注.然而，目前大部分跨模态行人重识别任务都试图利用在ImageNet上预训练的模型来提前学习模态内共性特征，但ImageNet与跨模态行人数据模态差异较大，且预训练过程中将颜色信息作为判别特征之一，导致预训练中学习到的共性特征并不适用于无色彩红外图像的信息表示.本文提出了一种基于灾难性遗忘及组合叠加擦除的自监督跨模态行人重识别预训练方法，首先利用提出的灾难性遗忘评分来对预训练数据进行筛选，旨在减小预训练数据与后续任务数据存在的域间差距，进一步减少模型训练时间.其次，针对传统跨模态识别中的关键区分性特征提取，本文设计了一种强通道数据增强策略，通过对R、G、B三通道的通道级擦除与组合，生成了颜色迥异的多类型样本，有利于促使模型关注于纹理信息而非颜色信息.最后基于本文提出的跨模态数据筛选指标以及通道增强策略，构建了跨模态任务的自监督学习框架.实验结果表明，本文提出的预训练方法所训练的ResNet50网络在迁移到众多跨模态行人重识别方法时优于目前主流自监督预训练方法，其中在经典方法 AGW的...     

基于改进宽度模型迁移学习的不同负载下滚动轴承状态快速分类方法

针对深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题,该文提出一种基于改进宽度模型迁移学习的滚动轴承状态快速分类方法。该方法首先对不同负载下滚动轴承振动信号进行快速傅里叶变换,构建频域幅值序列数据集,并选取某种或某些负载数据集作为源域,其他负载数据集作为目标域;其次以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口,并在增强层引入Maxout激活函数构建改进的BLS网络,同时引入遗传算法优化网络节点结构,建立基于源域数据的预训练模型;最后将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络,并利用少量目标域样本微调网络建立状态分类模型。实验结果表明,所提方法平均训练时间为32.6 s,平均测试准确率为98.9%。对比其他方法,所提方法可以在更短的时间内建立分类模型并获得良好的分类准确率。     

基于动态平衡自适应迁移学习的流量分类方法

针对应用流量识别性能和准确率降低等问题,该文提出一种动态平衡自适应迁移学习的流量分类算法。首先将迁移学习引入到应用流量识别中,通过将源领域和目标领域的样本特征映射到高维特征空间中,使得源领域和目标领域的边缘分布与条件分布距离尽量小,提出使用概率模型来判断和计算域之间的边缘分布与条件分布的区别,利用概率模型对分类类别确认度的大小,定量来计算平衡因子$ \mu $,解决DDA中只考虑到分类错误率,没有考虑到确认度的问题。然后引入断崖式下跌策略动态确定特征主元的数量,将进行转换后的特征使用基础分类器进行训练,通过不断的迭代训练,将最终得到的分类器应用到最新的移动终端应用识别上,比传统机器学习方法的准确率平均提高了7%左右。最后针对特征维度较高的问题,引入逆向特征自删除策略,结合推土机距离(EMD),使用信息增益权重推土机相关系数,提出了针对应用流量识别的特征选择算法,解决了部分特征对模型的分类无法起到任何的帮助,仅仅导致模型的训练时间增加,甚至由于无关特征的存在导致模型的性能和准确率降低等问题,将经过选择处理的特征集作为迁移学习的训练输入数据,使得迁移算法的时间缩短大约80%。     

基于光谱尺度空间与管道滤波的红外目标检测

为了准确地从复杂干扰背景下检测出真实弱小目标,本文引入视觉显著性,设计了基于快速光谱尺度空间与动态管道滤波的红外目标检测算法。基于真实目标与背景内容之间的整体差异,引入快速光谱尺度空间与阈值分割技术,设计视觉显著性机制,对红外图像完成处理,输出全局显著性映射,以高效过滤干扰背景内容。考虑目标与背景的局部特征差异,构建自适应局部对比度增强机制,对粗检测结果实施处理,获取对应的局部显著性映射,改善视觉显著性区域内目标的对比度。引入高斯差分理论,通过估算每一帧红外图像中的目标像素直径,形成动态管道滤波,充分消除虚警,准确识别出弱小目标。多组实验数据显示：较已有的红外目标检测技术而言,在各种不同的复杂背景干扰下,所提算法呈现出更好的检测能力,拥有更理想的接收机工作特性(ROC)曲线。     

基于信息截断的低复杂度多进制LDPC码译码器

针对多进制低密度奇偶校验(LDPC)码译码算法实现复杂度较高的问题,基于简化增强串行广义比特翻转译码算法(SES-GBFDA),提出将每个符号的对数似然值截断为有限值进而有效减少存储需求和计算复杂度的译码算法,即截断SES-GBFDA.对于定义在伽罗华域GF(32)上的多进制LDPC码译码器,将基本更新单元的数量由32...     

频率捷变雷达跟踪海面低空目标的频点自适应优化技术

针对雷达跟踪海面低仰角目标产生多径效应引起的仰角测量误差问题,本文建立了海面多径反射和频率捷变下低角误差测量模型,提出了一种基于频率捷变自适应优化的改善低角测量误差方法。该方法通过宽带频率捷变去除目标信号与多径反射信号的相关性,利用网格自适应直接搜索算法（Mesh Adaptive Direct Search Algorithms,MADS）优化频点技术,根据不同距离、不同高度和不同海情产生多径效应的大小自动选择频点改善误差,形成了雷达自适应频率捷变对抗海面低空目标多径的方法。仿真结果表明,该方法能根据不同情况自动选择低误差频点,控制每一个距离的低角测量误差在±2 mrad内,基于网格自适应直接搜索的频点优化算法也大大提高了频点选择速度,减少了迭代次数,表明了该优化算法的有效性。     

基于TDC的二级频率标准驯服算法

利用全球定位系统(GPS)接收到的秒脉冲(1PPS),对常见的二级频率源温补晶振(TCXO)和相干布局囚禁(CPT)原子钟驯服开展研究。设计了硬件锁相环的驯服方案,利用时间数字转换器(TDC)测量本地分频1PPS与GPS接收机收到的1PPS时间差,实现本地信号相对GPS时间信号的锁定。锁定之后,TCXO实现了万秒稳定度为8.5×10^-12,驯服后3.5×10⁴ s的平均频率准确度提升至5倍以上。此外,深入研究了CPT原子钟的噪声模型,在Matlab上对其进行仿真,建立起频率白噪声和频率随机游走噪声在阿伦方差曲线上的对应关系,对比了平均滤波和平均滤波+卡尔曼滤波2种滤波测频方案对CPT原子钟的驯服效果,频率稳定度在5×10⁴ s时有一个数量级的提升。     

非理想SIC下SWIPT-CR-NOMA网络中断性能分析

针对采用无线携能通信的多中继底层协作认知非正交多址接入网络,提出一种两阶段中继选择策略。认知中继执行功率划分的无线携能通信协议为次级用户提供解码转发服务,其能量开销源于所采集到的能量。考虑了实际的非正交多址接入网络中,中继节点与次级用户均无法完全消除多址干扰,即无法实现理想连续干扰消除。在干扰阈值约束下,推导了非理想连续干扰消除下两次级用户端中断概率的精确表达式,并通过蒙特卡洛仿真验证其正确性。此外,定量分析了各系统相关参数（最大发射功率、干扰阈值、功率分配系数等）的选取对次级用户中断性能的具体影响。结果表明,在相同的系统参数设置下,所提方案次级用户中断性能远优于现有部分中继选择方案。