结合密度峰值和切边权值的自训练算法

针对自训练迭代过程中错误标记样本对算法性能的影响,提出了基于密度峰值和切边权值的自训练算法。用密度聚类方法发现数据集的空间结构,选出具有代表性的未标记样本进行标签预测。用切边权值作为统计量进行假设检验,判断样本是否被正确标记,进而用正确标记样本逐步扩充有标记样本集合,直至所有未标记样本标签预测完成。新算法既充分利用了样本数据的空间结构信息,又解决了部分样本被标记错误的问题,提高了算法的分类准确率。通过在真实数据集上实验验证了新算法的有效性。     

解锁Vlog的新玩法 华为nova8 Pro

拍得清楚,拍得漂亮,是过去衡量一款自拍手机好坏的标准,但是在Vlog时代,年轻人对“美”的认知有更多的理性思考。紧贴年轻潮流的华为nova系列自然因势而变,主打功能从自拍进化成视频拍摄,带来全新Vlog手机——华为nova8 Pro。前置双摄,“大眼”四摄作为主打Vlog视频拍摄的手机,华为nova 8 Pro搭载前置3200万像素100°超广角视频镜头和1600万像素人像镜头。自拍或录制视频时,超广角镜头不仅能够捕捉更多的场景,而且更显脸小,如同自带瘦脸模式,也能轻松应对地标打卡、多人自拍等需求。     

基于主题和关键词特征的比较文本分类方法

比较文本对于企业竞争产品分析至关重要,但目前面向问答领域的比较文本分类研究较少。针对问答文本中比较信息丰富、主题集中的特点,提出了基于主题特征和关键词特征扩展的比较文本分类方法。通过预训练主题模型,推断问答文本的主题概率分布作为其主题特征;针对向量拼接、求和导致关键词信息流失的问题,设计GRU自编码器实现关键词向量特征提取。综合文本主题信息和关键词语义,从语言、产品、情感、社交、主题、关键词角度构建比较文本分类特征,最后使用多种分类器对问答文本进行分类。实验结果表明,构建的特征行之有效,比较文本分类效果较好。     

基于CITAF-HAF的立方调频信号参数估计

针对立方调频（Cubic Frequency Modulated,CFM）信号的参数估计问题,提出了一种基于高阶模糊函数（High order Ambiguity Function,HAF）和相参积累三阶自相关函数（Coherently Integrated Trilinear Autocorrelation Function,CITAF）的参数估计方法。利用HAF将立方相位信号降阶为二次调频（Quadratic Frequency Modulated,QFM）信号,再利用CITAF完成参数估计。由于CITAF能够在时域和时延域完成信号能量的二维相参积累,其实现过程利用复乘、傅里叶变换和加法操作即可完成,因此该方法能够提高参数估计的分辨率和抗噪声干扰能力,并保持较低的计算量。实验结果证实了该算法的有效性和性能上的优越性。     

面向网络入侵检测的GAN-SDAE-RF模型研究

针对传统机器学习方法在处理不平衡的海量高维数据时罕见攻击类检测率低的问题,提出了一种基于深度学习的随机森林算法的入侵检测模型,为了避免传统的随机森林面对高维数据和不平衡数据时分类精度低、稳定性差和对罕见攻击类检测率低的问题,引入生成式对抗网络（GAN）和栈式降噪自编码器（SDAE）对随机森林算法（RF）进行改进。将罕见攻击类数据集输入GAN神经网络中,生成新的攻击类样本,改善网络入侵数据在样本集中不均衡分布的情况,通过堆叠深层的SDAE逐层抽取网络数据的分布规则,并结合各个编码层的系数惩罚和重构误差,来确定高维数据中与入侵行为相关的特征,基于降维后的特征数据构建森林决策树。采用UNSW-NB15数据集的实验结果表明,与SVM、KNN、CNN、LSTM、DBN方法相比,GAN-SDAE-RF整体检测准确率平均提高了9.39%、误报率和漏报率平均降低了9%和15.24%以及在少数类Analysis、Shellcode、Backdoor、Worms上检测率分别提高了26.8%、27.98%、27.85%、39.97%。     

基于图卷积神经网络的隐式篇章关系识别

隐式篇章关系识别是篇章关系识别的子任务,其挑战性在于难以学习到具有丰富语义信息和交互信息的论元表示。针对这一难点,该文提出一种基于图卷积神经网络(Graph Convolutional Network,GCN)的隐式篇章关系分类方法。该方法采用预训练语言模型BERT(Bidirectional Encoder Representation from Transformers)编码论元以获取论元表示,再分别拼接论元表示和注意力分数矩阵作为特征矩阵和邻接矩阵,构造基于图卷积神经网络的分类模型,从而根据论元自身信息以及交互信息对论元表示进行调整,以得到有助于隐式篇章关系识别的论元表示。该文利用宾州篇章树库(Penn Discourse Treebank,PDTB)语料进行实验,实验结果表明,该方法在四大类关系上分类性能优于基准模型BERT,且其在偶然(Contingency)关系和扩展(Expansion)关系上优于目前先进模型,F₁值分别达到60.70%和74.49%。     

基于LAAE网络的跨语言短文本情感分析方法

跨语言短文本情感分析作为自然语言处理领域的一项重要的任务, 近年来备受关注. 跨语言情感分析能够利用资源丰富的源语言标注数据对资源匮乏的目标语言数据进行情感分析, 建立语言之间的联系是该任务的核心.与传统的机器翻译建立联系方法相比, 迁移学习更胜一筹, 而高质量的跨语言文本向量则会提升迁移效果. 本文提出LAAE网络模型, 该模型通过长短记忆网络(LSTM)和对抗式自编码器(AAE)获得含上下文情感信息的跨语言向量, 然后利用双向GRU (Gated Recurrent Unite)进行后续情感分类任务. 其中, 分类器首先在源语言上进行训练,最后迁移到目标语言上进行分类任务. 本方法的有效性体现在实验结果中.     

非自衡化工生产过程的PID控制解析设计

针对非自衡化工过程难以控制及所得控制器参数调节无规律可循的问题,为提高过程控制品质,通过设计跟踪给定值控制回路和抑制干扰控制回路来实现非自衡化工过程的控制;利用最优控制理论、Taylor近似,设计得到的跟踪给定值控制器和抑制干扰控制器其PID参数可解析给出,每个控制器只有唯一的调节参数且两个回路的参数调节相互独立,最后定性分析了闭环控制系统的稳定性,仿真结果表明基于该控制系统可有效实现非自衡化工过程的控制。     

基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.