基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

小样本图像分类中的类别信息融合网络

小样本图像分类任务要求模型仅从少量的图像样本中学到新类别的正确分类方法,是一种特殊的分类任务。然而,以往大多数小样本工作都单独处理来自不同类别的样本,而没有充分利用到不同类别间的信息。本文提出了一种新的类别融合网络（Category-fusion network, CFN）,通过融合来自不同类别的样本信息,同时挖掘类别内和类别间的信息。CFN的重要部分是一个融合映射的学习,即如何融合样本中的特征,从而映射出网络参数。其中的一个重要问题是融合映射是否应该随不同的输入样本而改变。本文设计了3个不同的模块：具有固定映射的类无关模块、融合映射仅依赖于期望学习的目标类别的半相关模块和完全相关的模块,其中融合映射完全依赖于输入样本。本文的网络可以通过学习多个类别的样本之间的关系来进行类别概念的学习,并生成融合信息的分类器。实验结果表明,本文网络在广泛应用的MiniImageNet数据集上得到了60.03%的分类精度。     

基于LDPC码的差分空时编码调制的联合优化

提出一种新的结合低密度校验码（LDPC）和差分空时调制（DSTM）的联合编码调制方案。该方案利用非正则LDPC码中不同度的信息节点具有不同纠错能力的特性，用一个分量码取代传统多级编码（MLC）方案中多个分量码，并通过特定的映射法则，使得系统可以同样逼近联合编码调制的信道容量，并具有更低的编译码复杂度。在分析和阐述了离散概率密度演化理论和多维线性空间极值问题的基础上，给出了适合于该方案的非正则LDPC码的搜索算法和搜索结果。同时仿真比较了不同星座和不同空时编码的选择对系统性能的影响。在准静态MIMO衰落信道下仿真结果表明．该方案能显著提高系统性能。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。     

Menger PM-空间上复合映射不动点定理的推广

设（X，F，△）和（Y，－↑F，△）是两个完备的MengerPM－空间，△是连续的H型t－范数，函数Φ（t）满足条件（Φ1)，本文在映射T：X→Y和S：Y→X满意更一般的条件下给出了关于复合映射TS和ST的不动点定理。这一定量进一步推广了Fisher,Sehgal和Bharucha-Reid等的有关结果，也是作者“MengerPM－空间上复合映射的不动点定理”一文的一般推广，最后给出了几个有用的结果作为本文主要定理的推广论。     

基于CVAE的超高速碰撞碎片云运动过程的快速预测技术

在航天器防护构型设计中，需要快速、精确预测空间碎片超高速撞击防护屏产生碎片云的质量分布及其运动过程。采用深度学习方法，基于条件变分自编码器（CVAE）模型和大量铝球超高速正撞击铝板的光滑粒子流体动力学（SPH）方法的数值模拟结果，初步构建了碎片云空间质量分布与运动特征的快速预测模型。数值模拟中把铝球速度（3.00～8.00 km/s）、铝球半径（2.00～8.00 mm）、铝板厚度（1.000～4.000 mm）以及观测时间（1.0～12.0 μs） 4个变量作为输入控制参数，生成大量格式统一的训练集数据。模型隐藏层采用200个特征数据来描述碎片云质量分布，训练集参数范围内平均误差在0.6%以内，生成一个碎片云质量分布的平均时间小于7 ms。     

SOM神经网络在卫星电源系统故障诊断中的应用

研究了自组织特征映射（SOM）神经网络的结构及学习算法，提出了利用SOM神经网络对输入样本的“聚类”作用，实现对故障模式的分类，并据此对故障进行诊断的新方法，通过对某卫星电源系统故障的诊断实例，验证了该方法是有效可行的，能对卫星电源系统的故障进行准确的实时诊断。     

基于深度学习的欧几里得嵌入的推荐算法

推荐系统为用户推荐用户可能感兴趣的物品，可以有效地减轻信息过载。基于欧几里得嵌入的协同过滤方法将用户和物品映射到统一的隐藏空间中，是构建推荐系统的重要方法之一。然而，传统的基于欧几里得嵌入的推荐方法仅考虑用户和物品隐藏特征向量之间低阶交互，不能有效建模现实世界中用户和物品的复杂交互行为。本文提出基于深度学习的欧几里得嵌入的协同过滤算法，利用深度学习技术学习用户和物品隐藏特征向量之间的高阶、非线性交互函数，建模用户和物品之间复杂交互行为。在真实数据集上的实验结果表明，基于深度学习的欧几里得嵌入的协同过滤算法性能优于传统协同过滤算法。     

变批次长度的非线性分布参数系统迭代学习控制

针对一类离散的非线性分布参数系统,提出了一种批次长度随机变化的迭代学习控制问题.该类系统由抛物型偏微分方程构成.该方法采用伯努利型随机变量来描述迭代长度随机变化的情况,并根据分布参数系统的性质以及P型分布更新控制算法设计了迭代学习控制器.基于压缩映射原理,给出了系统输出误差收敛的充分必要条件并加以证明.结果表明,所提出...     

非结构化数据的多粒度集成分类方法

深度学习模型已经在文本和图像等分类任务上取得了不错的效果，然而深度学习模型很难为分类结果提供可解释性。本文提出一种非结构化数据的多粒度集成分类方法，与其他学习方法相比，多粒度集成分类方法能够保留数据的上下文信息。在多粒度集成分类方法中，数据被划分成不同的粒度，用于训练不同的基学习器，这些学习结果为集成模型最后的分类提供了可解释性。基学习器根据它们在验证集上的精度被赋予不同的权重，从而构造出一个较好的集成学习器。在实验中，本文验证了所提出模型在3种非结构化数据类型（文本、医学图像和时间序列）上的有效性。实验结果表明， 本文的模型比现有的基准方法简单，具有较好的分类精度，并且能够为数据的分类提供可解释性。     

基于示范主动采样的行为克隆方法

深度强化学习在学习过程中需要与环境进行大量的交互,训练效率低下。模仿学习通过从专家示范中学习,可以有效地应对这一挑战,但是需要收集大量的专家示范轨迹,在复杂任务中往往导致高昂的示范代价。本文提出一种基于主动学习的行为克隆算法,通过主动挑选示范起始状态来减小示范代价。该方法基于不确定性采样和不相似性采样两种策略,从状态候选集中挑选最有价值的状态作为起始状态,然后向专家查询固定长度的示范轨迹,希望从尽可能少的示范中学习出有效策略。在多个不同任务上的实验表明,本文方法可以用更少的示范轨迹进行行为克隆,降低了强化学习中的专家示范代价。     

基于挖掘性学习和探索性学习相结合的管理学原理教学方法研究

在分析高校《管理学原理》教学现状及存在问题的基础上,本研究借鉴挖掘性学习和探索性学习理论并结合长期教学实践,提出了基于挖掘性学习和探索性学习相结合的《管理学原理》教学方法及改革思路。     

内隐学习的研究综述

内隐学习从提出至今已有三十多年的历史,由于其所具有的重要理论与实践价值,这一领域已吸引了众多学者的关注与探索.本文试对目前关于内隐学习的研究成果做一梳理,以期让人们较系统的了解这一领域并为今后的研究提供参考.     

基于视频的行人再识别

行人再识别是指在无交叉区域的多摄像机视频监控系统中,匹配不同摄像机中的相同行人目标。本文提出了一种基于视频的行人再识别方法,用HOG3D来描述一组视频的时空特征,在训练集上用预训练的DenseNet来微调模型参数,利用迁移学习得到的模型来提取视频中行人的表观特征,融合两种特征来描述视频序列中的行人。最后将融合的高维特征降维,并用度量学习方法计算行人对之间的距离。本文在PRID 2011和iLIDS-VID这两个视频数据集上进行了使用,实验结果表明本文的方法取得了较高的累积匹配得分。     

基于网络学习共同体的高职学生实践学习效果研究

学生未来职业发展的知识面的拓宽和技能提升是职业技术学院开展实践教学的最终目标,而网络学习共同体则是实现该目标的一种全新的模式。这一模式作为一种为大学生提供丰富的实践学习资源和拓展了职业实践教学的方法,在国内外日益普及。本研究以高职学生在网络环境中所形成的学习共同体为研究对象,对其实践学习的效果进行了调研。研究结果发现：学生实践学习自我效能感显著提高;共同体成员间有交互,但交互强度不够;学生在职业角色扮演中实现了一定的转变。这些结论最终反映了网络学习共同体有助于提升学生的实践学习效果和工作经验,增强学生就业竞争力．为学生今后从事未来职业打下了基础。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点，提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识，通过无监督学习的方式，计算未标记数据与少量有标记数据之间相似度，从而对少数类样本进行扩充。利用构造后的数据集进行模型训练，从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题，在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法，该方法虽然在准确率上低于传统方法，但是在召回率与F₁值的表现上超越传统方法。     

"学习型组织"与建设学习型高职教师队伍

党的"十六大"提出建设学习型社会,向小康社会迈进的奋斗目标.学校首先应该成为学习型组织,而教师职业的特殊性要求教师应成为学习型社会的先行者和示范者.对于创建学习型组织和建设学习型高职教师队伍,高职院校的领导要高度重视,加强领导和引导,提高广大教师的思想认识,增强其责任感和使命感.     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。