基于正则化方法的鲁棒性神经网络识别算法

近年来,研究者发现在一些正常样本上添加一些特制的对抗性扰动能使深度学习系统崩溃,这些导致发生错误的样本叫做对抗样本,会对系统造成潜在的安全隐患.以往提出的防御方式存在缺陷,泛化性能较弱.论文提出了用正则化后的训练样本重新训练一个卷积网络,而未知样本都可以通过这个重新训练的卷积网络进行识别,这个基于正则化的方法能够提高神...     

融合多重风格迁移和对抗样本技术的验证码安全性增强方法

验证码对于防御Web服务的自动攻击具有重要作用,但面对具有自动识别技术的破解工具时,难以实现有效的安全保护。如果采用高度失真等方式增强验证码的安全性,会使验证码失去原来的形状,导致人眼也难以识别。文章提出一种融合多重风格迁移和对抗样本技术的验证码安全性增强方法,在保留原有内容的同时利用多重风格迁移方式抵御未知的机器识别,再通过对抗样本技术攻击已知的常见模型,从而欺骗神经网络。在文本验证码数据集上的实验结果表明,文章提出的生成算法具有更低的机器识别率,有效提高了文本验证码的安全性。     

基于元学习的少样本红外空中目标分类方法

针对空中红外目标样本数目不足、细粒度分类精度低等问题,提出一种基于元学习的少样本红外空中目标分类的方法.该方法以元学习为基础,结合多尺度特征融合,在减少计算量的同时有效提取不同分类任务之间的共性,再利用微调策略实现对不同任务的分类.实验证明,此方法在提升mini-ImageNet数据集分类精度的同时可减少约70％的计算...     

基于迁移学习的运动想象脑电信号分类研究

由于单个被试的运动想象脑电训练样本较少,且不同被试的脑电个体差异较大,导致大脑运动想象任务分类正确率不高、训练校准时间过长.本文提出一种欧几里得对齐-正则共空间模式的迁移学习方法,实现在样本和特征上同时进行迁移.通过数据对齐的迁移方法使不同被试间样本分布更相似,采用正则化迁移方法改进共空间模式,提取出更鲁棒的空间特征信息.对BCI competition运动想象脑电数据集进行仿真测试,右手和右脚运动想象任务的平均分类正确率可以达到87.10%;在小训练样本集上,本文的迁移学习方法相比共空间模式方法,其平均分类正确率提高了14.43%;对于跨被试的运动想象脑电,平均分类正确率提高了23.5%.实验结果表明,该方法可以有效提高小样本、跨被试运动想象脑电的分类正确率,减少模型校准训练时间,提高泛化能力.     

融水苗族服饰图案样本花的形制研究

融水苗族自治县位于广西壮族自治区,是全国五个单列苗族自治县之一。融水苗族服饰图案样本花有其独特的形制特征,承载着融水苗族深厚的历史底蕴和人文底蕴。通过采用文献研究、田野调研、实物研究、访谈取证等研究方法,对广西融水苗族服饰图案样本花的造型特点进行了实地考察与系统研究。收集融水苗族服饰中的各类样本花图案并归纳其线稿,探究不同工艺下图案样本花的造型特点、美学特征和应用方式。得出苗族传统服饰图案对传承历史、工艺启迪、现代育人和增强民族文化自信方面具有一定的应用价值。研究成果有利于对融水苗族特有的优秀文化进行保护与数字化传承,可为今后苗族图案的现代应用提供参考借鉴。     

基于BP神经网络的杂散电流腐蚀速度预测

为了建立更实际的杂散电流预测模型,提出了一种基于BP神经网络的杂散电流腐蚀速度预测,通过构建BP神经网络模型,建立训练样本集,进行网络训练和网络仿真,得到了BP网络模型预测结果。预测结果表明该BP网络模型在埋地金属管道的杂散电流预测中具有一定的应用和推广价值。     

两批次番茄炒蛋蛋白质近红外光谱检测模型的维护方法

为解决光谱数据差异导致模型不稳定的问题,研究了不同批次中式菜肴营养素含量预测模型的传递方法。以间隔3个月制作的番茄炒蛋样本为例,采集光谱数据并利用理化方法测定蛋白质含量(每批次120个样本);选择预测效果较好的第二批次模型作为主模型,将分段直接标准化(Piecewise Direct Standardization, PDS)算法、模型更新(Model Updating, MP)和斜率/截距(Slope/Bias, S/B)修正法联合(PDS-MP-S/B)用于菜肴类模型传递,分析不同PDS窗口数和标准集数对预测结果的影响。当PDS窗口数为11且标准集数为100时,PDS-MP-S/B算法对蛋白质含量的预测结果明显优于无模型传递和单独使用3种算法时,预测模型的预测集决定系数R2(Pred)为0.9628,相对预测偏差(Relative Prediction Deviation, RPD)为5.6731,预测均方根误差(Root Mean Square Error of Prediction, RMSEP)为0.3157。从光谱、模型、结果三个方面实现了模型传递,提高了模型的通用性,减少了建模成本,为中式菜肴的快检提供了理论支持。     

小样本数据下功率模块开关损耗模型研究

在研究新能源系统可靠性时,功率模块IGBT的开关损耗的准确预测是非常重要的。采用功率模块的开关动态测试系统进行试验,可以自动调整直流母线电压,集电极电流,门极驱动电压和门极电阻,记录开关动态电压、电流波形,通过处理获取精确的开关损耗值。基于试验数据的基础上,通过SVM算法建立开关损耗模型,改善了现有的基于小样本数据的开关损耗模型。     

用于绝缘子故障检测的CycleGAN小样本库扩增方法研究

在深度学习的训练中,绝缘子检测需要大量的故障绝缘子,而实际难以获得大量故障绝缘子数据。生成对抗网络为扩增训练样本提供了可行的解决办法。在循环一致性生成对抗网络(CycleGAN)结构上补充缺陷绝缘子样本,通过更改损失函数来优化模型,将正向生成器生成的图像,输入到反向生成器,保持样本整体轮廓的同时,增加了差异性。将改进的CycleGAN模型与其他GAN模型在SSD目标检测方法中进行比较,结果表明改进的CycleGAN扩增数据集的方法相较于其他扩增方法在绝缘子掉串检测识别率上有明显提升。     

基于局部特征位置编码的小样本分类网络

为了解决使用图片级特征直接度量两张图片距离时会出现具有不同语义信息区域之间相互比较的问题,文章提出了基于局部特征位置编码的小样本分类网络。网络首先通过空间注意力模块加强具有判别性的区域特征,之后通过位置编码模块完成位置映射,使得具有相同语义信息的区域处于同一位置。实验结果表明,将局部特征进行位置编码之后再进行分类,能够有效地提升小样本分类的准确度。