基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。     

神经网络集成的分布式入侵检测方法

分布式入侵检测系统需具有分布式检测功能及部件增量更新能力.文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新.实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力.     

基于对比学习的终端区相似气象场景识别（英文）

为了提高终端区相似气象场景（Similar weather scenarios,SWSs）的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。     

基于采样通信的分布式多智能体系统稳定性分析与协同控制(英文)

研究了基于采样通信的分布式多智能体系统的稳定性分析与协同控制,并采用分布式状态反馈控制器来实现智能体间的协作。推导了一种线性不等式的形成定理,并将其用来分析系统的稳定性。同时提出了针对线性不等式约束优化问题的形成定理,将其用来设计相关的控制器,并给出了相关的算法。仿真实例验证了所提方法的正确性和有效性。     

抽油机故障诊断的分布驱动主动学习算法

抽油机示功图直观显示了抽油机工作情况，但实际工况情况呈现典型的长尾分布特性，类别严重不平衡。传统方法无法准确识别小类别工况，也无法获得井下工作状态准确识别。针对这一问题，提出一种基于分布驱动的多类别长尾数据代价敏感主动学习算法（Cost-sensitive active learning algorithm based on distribution -driven multi-class long-tailed data， CALA）。首先，考虑数据分布特性，以最小化代价为优化目标确定数据的最佳聚类簇数；其次，通过加入预分类误差代价来更新之前得到的最佳聚类簇数；然后，构建集成分类模型作为分类器；最后，通过迭代来平衡数据分布。采用某油田真实的示功图数据进行测试，显著性实验分析证明CALA在小类别工况诊断上具有更好的性能。     

绿色作业车间机器与AGV的集成调度研究

针对加工资源和运输资源集成下绿色作业车间调度问题,通过研究生产车间综合能耗模型,建立了机器和自动导引小车(Automated guided vehicle,AGV)集成调度下多目标优化模型。提出一种改进分布估计算法(Improved estimation of distribution algorithm,IEDA)对模型进行求解。首先,采用优良种群作为样本学习来构建概率分布模型以提高IEDA的全局搜索能力;然后基于一种类似激素调控机制的速度冷却控制方法设计出新的模拟退火函数,并将其融入到分布估计算法中以提高IEDA的局部搜索能力。最后通过数值实验来验证所提模型和算法的可行性和有效性。     

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。     

一种基于语义相似度的文本聚类算法

文本聚类在很多文本挖掘和信息检索系统中发挥着重要的作用。现有的聚类算法大多数都是基于向量空间模型,文档集合中出现的单词词频作为特征项。这些算法都存在数据维数过高、聚簇难以描述的问题,而且忽略了单词间的语义联系。本文提出了一种基于语义相似度的文本聚类算法——TCU SS(Text clustering usingsem an ticsim ilarity)算法。TCU SS算法将文档表示成概念列表,有效地解决了数据维数高和聚簇描述难的问题,并给出如何利用概念列表进行聚簇描述的方法。TCU SS算法利用两个概念列表中单词间的语义相似度作为文档间相近程度的度量,并以图为基础进行聚类分析,避免有些聚类算法对聚簇形状的限制。实验证明,TCU SS算法提高了聚类质量。     

考虑执行器动态的飞行器姿态分散式容错控制

针对飞行器姿态控制系统,基于分散式容错控制框架设计飞行控制系统的作动器损伤和卡死故障检测和辨识单元,以及观测器的辅助系统单元。首先,给出系统在作动器卡死、损伤,操纵面损伤故障下的姿态控制系统。其次,设计一种多观测器的作动器回路故障检测和辨识单元,利用一种决策机制判断当前所发生的确切作动器故障形式。接着,基于自适应滑模观测器隐含操纵面损伤故障和干扰信息,所得到的故障和隐含信息实时反馈给控制器以实现各种类型故障下的容错控制。最后,仿真结果显示所提方法的有效性。     

多目标混合流水车间调度问题求解算法

针对多目标不相关并行机混合流水车间调度问题，建立以最小化最大完工时间、机器总能耗和机器加工成本为目标的多目标数学模型。提出一种改进的基于分解的多目标进化算法（Improved multi-objective evolution algorithm based on decomposition,IMOEAD），采用均匀设计表生成初始权重向量，提高种群多样性，利用正态分布交叉并设计了自适应高斯变异来提高算法的全局搜索能力和局部搜索能力，在权重向量邻域中选择个体产生新解，运用非支配等级和拥挤距离更新外部档案。以反世代距离、世代距离和非支配解个数为性能指标，通过大量案例仿真，与非支配排序遗传算法Ⅱ和基于分解的多目标进化算法进行对比，结果验证了该算法的有效性。     

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。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于SPOC的深度学习模式策略研究

当下在线课程的发展已越来越重视实际教学中的使用及效果,SPOC缓解了MOOC课程参与度与完成度较低的学习者学习动机问题。深度学习能力是进一步提升SPOC在线课程的有效教学程度及学生能力培养的核心目标。要建构基于SPOC的深度学习模式,就要注重深度学习课程资源动态生成、突出基于建构迁移的深度学习教学设计、加强深度学习虚拟社区协同构建、深化深度学习评价行为分析。     

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。     

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。     

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。