面向目标分类识别的多任务学习算法综述

多任务学习(MTL)可以在训练中联合利用多个任务的监督信号，并通过共享多个相关任务之间的有用信息来提升模型性能。本文从目标分类识别应用角度，全面梳理和分析了多任务学习的机制及其主流方法。首先，对多任务学习的定义、原理和方法进行阐述。其次，以应用较为广泛、具有代表性且具有共性特点的细粒度分类和目标重识别为例，重点介绍多任务学习机制在目标分类和识别任务应用的2类方法：基于任务层的多任务学习和基于特征层的多任务学习，并针对每种类型进一步分类分析不同的多任务学习算法的设计思想和优缺点。接着，对本文综述的各种多任务学习算法在通用数据集上开展性能对比。最后，对面向目标分类和识别任务的多任务学习方法的未来趋势进行展望。     

基于无监督学习和粒子滤波的非视距信号检测

全球卫星导航系统(GNSS)是目前应用最广泛的定位技术, 研究城市峡谷中的定位问题时, 由于高楼大厦的阻塞, 仍存在非视距传播导致的性能退化问题。为此, 提出了无监督学习粒子滤波(UL-PF)算法。在卫星信号分类阶段, 使用核k-means聚类的无监督学习分类方法, 在定位阶段, 使用通过聚类算法优化的粒子滤波方法。所提算法考虑了采样粒子在状态空间分布中的内在相似性, 探索在每个聚类中选择一个粒子作为重要粒子, 利用时间序列相关技术提高重采样粒子集的多样性。实验表明:在城市场景中, 所提算法的平均定位精度从传统算法的15 m提高到约5 m, 收敛时间从500 s缩短到200 s左右。      

基于线粒体COI基因序列的挂墩稻弄蝶分类地位研究

对稻弄蝶属Parnara 4种20个样本的线粒体COI基因序列(1 380 bp)的特征、遗传距离进行了分析,并以2种谷弄蝶Pelopidas为外群,采用最大简约法(MP)和贝叶斯法(BI)构建系统树.结果表明:种间最小序列差异为3.3%,种内个体间最大序列差异为0.9%;系统树显示挂墩稻弄蝶Parnara batta与直纹稻弄蝶Parnara guttata是2个明显不同的分支;其种间的平均遗传距离为3.5%.综合地理分布与形态差异,挂墩稻弄蝶应该是一个独立的种.     

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性，提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进，在本征图和惩罚图的基础上引入类间惩罚图，用来描述各个类中心之间的距离，并对目标函数进行改进，提出类间边界Fisher分析模型；对所提模型进行二维化拓展，提出基于二维类间边界Fisher分析的降维模型，使其能够直接处理二维矩阵数据，有效保留结构信息；通过计算协方差矩阵将多元时间序列集转化为等长特征集，利用降维模型将等长特征集投影到低维空间，达到数据降维和特征表示的目的。实验结果表明：所提方法能够有效对多元时间序列进行降维，达到良好的分类效果。     

卫星遥测数据实时压缩算法设计与实现

为了满足多星并行遥测数据处理和海量数据高并发分析的性能需求，便于后续进行数据挖掘、智能预警，本文提出并实现了一种卫星遥测数据实时压缩算法。针对遥测数据的特点，提出了遥测自适应分类方法，采用改进型RLE（Run Length Encoding，行程编码）压缩和增量压缩结合的算法，结合数据库技术，实现了遥测数据的压缩。在某型号卫星研制项目中，采用了该算法进行数据压缩，统计分析表明：该算法起到了很好的压缩效果。     

基于多尺度CNN模型的多时相PolSAR图像作物分类

农作物分类是偏振合成孔径雷达(PolSAR)数据的重要应用之一。由于单时相PolSAR数据获取的信息有限，因此，采用多时相PolSAR数据，其含有农作物生长周期更丰富的特征信息。针对多时相PolSAR数据在极化特征分解时造成的“维数灾难”问题，提出了一种非负性约束稀疏自编码器(NC-SAE)的特征压缩方法，用于对分解后的特征数据进行压缩，以获得分类所需的有效特征。此外，构建了一种多尺度特征分类网络(MSFCN)，该网络可以提高农作物的分类性能，且优于目前传统的卷积神经网络和支持向量机方法。通过使用欧空局提供的数据进行仿真实验，对分类结果进行性能评估，并与传统方法比较。实验结果表明:所提的方法具有很好的农业应用前景。     

基于CNN-BiGRU的学术文本分类研究

针对传统的文本分类模型存在特征提取能力不足和分类准确率较低等问题，提出一种基于卷积神经网络和双向门控循环单元相结合(CNN-BiGRU)的文本分类方法。首先，以图书情报领域相关主题文本摘要为数据源，通过Word2vec进行文本向量化；其次，通过CNN获得输入文本信息的局部特征，并使用BiGRU保留文本中的顺序相关性；然后，选择softmax分类器输出分类结果；最后，与传统的机器学习分类方法和单一的深度神经网络模型分类方法进行对比实验。结果表明，在数据量大的情况下，文中提出的CNN-BiGRU分类模型具有更好的分类效果，其准确率、召回率和F1值均达到了95%以上，能够在一定程度上解决学术文本“信息过载”等问题。     

基于改进式YOLOv2的红外图像目标识别方法

针对智能化导引头信息处理算法设计验证需求，本文对多类型目标、海陆空背景辐射特性数据进一步挖掘，提出引入深度学习算法应用于外场红外数据二次分析挖掘的方法。选择采集得到的包括车、船、无人机(UAVs)、客机等类型的红外数据，针对红外图像与可见光图像不同的成像特性，利用改进式YOLOv2红外目标检测与分类算法，融合多级特征，增加一个重组特征图，实现对红外弱小目标智能化快速分类研究，对提取的海量视频库中的目标红外辐射特征进行分类整理。     

液氧煤油发动机知识分类模型及自动分类标记平台设计

采用自然语言处理技术提取文档特征，运用规则知识库与神经网络模型，在对液氧煤油发动机技术原有文件资料人工知识分类标记的基础上，实现新增技术成果所属的专业分类、知识分类、专业技术分类、关键技术分类等维度的自动分类标记，形成智能化、常态化知识资源自动积累机制，能够保障液氧煤油发动机文件资料的分类积累，为设计创新提供借鉴和参考。