深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。     

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。     

基于卷积神经网络的近壁流动高分辨率平均速度场预测方法

本文设计并验证了基于卷积神经网络的边界层近壁流动高分辨率平均速度场预测方法:首先采用示踪粒子图像对数据集训练卷积神经网络，通过调整神经网络参数可以预测示踪粒子在数据集上的平均跨帧位移；然后使用该卷积神经网络预测像素空间中各像素位置的单粒子位移，得到高分辨率的平均速度场信息。将该方法用于预测湍流脉动较小的边界层近壁区的平均流动，能够将空间分辨率提高到单像素精度。误差分析发现，该方法获得的测速精度略优于传统单像素系综平均互相关算法，且对粒子浓度和示踪粒子图像对数目的要求明显低于后者。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的"自顶向下"的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5 982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。     

基于时间卷积轻量级网络的人体运动预测（英文）

针对人体运动高度复杂的运动学和时间相关性,本文提出了一种轻量级的多层残差时间卷积网络模型（Residual temporal convolutional network,RTCN）。该模型使用一维卷积高效获取人体运动的空间结构信息,提取人体运动时间序列中的相关性。在本文所提出的网络模型中应用残差结构来缓解深度网络中梯度消失的问题。在Human 3.6M数据集上进行的实验表明,与最新的方法相比,本文方法有效地改善了运动预测的误差,特别是在长期预测方面。     

超高速碰撞碎片云质量分布快速预测技术

在航天器防护构型设计中,快速预测空间碎片超高速碰撞防护屏产生碎片云的质量分布及其变化规律具有重要意义。本文初步探索了采用深度学习方法预测超高速碰撞碎片云的二维质量分布及其变化过程。训练数据来自约2000个弹丸（铝球）超高速正碰撞靶板（铝板）的光滑粒子流体动力学数值模拟结果,共考虑4个变量（弹丸速度范围3～8 km/s、弹丸半径范围2～8 mm、靶板厚度范围1～4 mm以及观测时间范围1～12 μs）。系统比较了反卷积模型和多层感知机两种模型的预测效果,重点考察了模型的外推能力（应用于训练参数范围之外）。研究结果表明:在训练参数范围内两种模型的预测精度都很高;反卷积模型能够捕捉到碎片云质量分布的颗粒特征,但外推能力较差;多层感知机模型将碎片云中的质量进行了局部均匀化处理,具有较强的外推能力;多层感知机模型通过学习1～12 μs的碎片云质量分布,能够以一定精度预测24 μs时刻的质量分布;反卷积模型的预测时间为毫秒量级,多层感知机模型的预测时间为秒量级。     

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。     

对抗黑盒攻击的混合对抗性训练防御策略研究

随着深度学习模型在无人驾驶等安全敏感性任务中的广泛应用,围绕深度模型展开的攻防逐渐成为机器学习研究的热点。黑盒攻击是一种典型的攻击场景,在攻击者不知道模型具体使用结构和参数等情况下仍能进行有效攻击,是现实场景中最常用的攻击方法。因此,分析深度学习模型的脆弱性并设计出更加鲁棒的模型来对抗黑盒攻击成为迫切需要。而传统基于单模型的单强度和多强度对抗性训练方法,在抵御黑盒攻击时性能十分有限;基于多模型的集成对抗性训练方法在抵御高强度、多样化攻击样本效果也不理想。本文提出一种基于贪婪强度搜索的混合对抗性训练方法,实验结果表明,所提出的混合对抗性训练能够有效抵御多样化的黑盒攻击,性能优于传统的集成对抗性训练。     

基于深度学习的对流天气下终端区流量预测方法（英文）

为提高对流天气下终端区流量预测的准确性和稳定性,提出了一种多输入深度学习模型(Multi-input deep learning,MICL)。在前人研究的基础上,扩展了影响终端区交通流的天气特征集,涵盖天气预报数据和机场气象报告(Meteorological Report of Aerodrome Conditions,METAR)数据。将终端空域根据功能划分为较小的空域,并通过天气预报数据建立天气危险指数(Weather severity index,WSI)特征,以更好地量化天气的影响。MICL模型结合了卷积神经网络(Convolution neural network,CNN)和长短期记忆网络(Long short-term memory,LSTM)模型的优点,采用双通道分别输入WSI数据和METAR报告数据,可以充分反映终端区天气的时间与空间分布特征。以广州终端区在典型对流天气下运行的真实历史数据设计多场景实验,结果表明MICL模型与K近邻算法(K-nearest neighbor,KNN)、支持向量回归(Support vector regression,SVR)、CNN、LSTM等既有机器学习或深度学习模型相比,在均方误差(Mean squared error,MSE)、均方根误差(Root MSE,RMSE)和平均绝对误差(Mean absolute error,MAE)等性能指标上表现优秀,在30 min至6 h不等的预测时间范围内均具有最佳的预测精度和稳定性。     

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。     

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。     

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。