基于图对比学习的稳健交通流量预测

作为智能交通系统的核心技术,稳健的交通流量预测是一个长期存在但具有挑战的任务。不论是工业界还是学术界,现有模型需要大量训练数据、易受数据噪声影响而表现不稳健,是限制该领域发展与实际应用落地的重要因素。而在学术界,图对比学习可以通过数据增强与对比损失来降低数据需求量,同时提升模型抵抗数据噪声的能力。提出一种交通流量图对比学习(TFGCL)框架,用于稳健的交通流量预测。TFGCL框架有3个创新点：针对交通流量图(TFG)数据的独特时空特性,TFGCL框架从时间和空间2个角度出发,提出3种TFG数据增强方法。针对TFG数据中语义相似的假负样本,提出一个过滤策略使TFGCL框架能够免受其干扰,从而学习到高质量的表征。TFGCL框架通过联合交通流量预测任务和图对比学习任务进行同时训练。在3个真实交通数据集上与8个基线模型进行对比实验,结果表明：TFGCL框架的预测性能更为稳健,较最优基线模型最高提升6.24%,TFGCL框架的稳健性尤其体现在数据缺失较为明显的数据集和长时交通流量预测任务中。     

面向智能环境的活动模式迁移学习

针对智能环境中活动模式的学习和挖掘花销大、难以实际操作等问题,提出了能够有效地将已有活动模式迁移到新环境的整体框架。迁移学习框架将活动模式的迁移过程分解为轨迹的迁移和触发持续时间的迁移,首先对已有活动模式中的活动轨迹以及触发持续时间模糊化;然后采用备选轨迹生成(ATSG)算法在新环境中生成备选轨迹集;最后采用相似度计算(SC)算法进行活动模式中的轨迹与备选轨迹间的匹配,利用活动轨迹映射(TM)算法和触发持续时间迁移(TDT)算法对活动信息进行迁移,从而在新环境中得到活动模式。理论分析和实验结果表明,相比于基于频繁模式挖掘得到活动模式的方法,本文方法大幅度地降低了得到活动模式所需的时间开销,同时,利用本文方法获取的活动模式取得了较好的活动识别效果。      

基于异构网络表示学习的评分预测模型

深入分析电商行业的用户个性化数据并提供推荐服务近年来已成为业界的热点。推荐服务的基础是对用户的潜在兴趣进行挖掘,并对商品的感兴趣程度进行预测。因此,以此为背景,研究用户对商品的评分预测。对电商业的关系型数据在推荐系统中的应用进行了研究,提出了通过使用网络表示学习进行评分预测的方法。首先,将关系型数据构建成异构网络,用户和商品为网络中的节点。然后,设计了兼顾网络结构信息和节点之间相似性的个性化异构网络采样方法,并对节点进行表示学习。最后,将学习到的用户、商品表示向量输入到神经网络中进行训练,利用优化后的神经网络模型进行评分预测。实验结果表明:所提方法在YELP 13、Movielens 100k、Movielens 1m数据集上都有较高的准确率,对比常用方法,准确率提升6.5%以上。      

基于眼动数据的网络搜索行为预测方法

预测用户的网络搜索行为对改进搜索引擎和提升用户体验十分重要.现有大多数方法是基于用户的交互数据,如查询、点击和鼠标移动等.提出一种基于眼动数据的用户网络搜索行为预测方法.通过眼动实验,采集用户在网络搜索任务时的眼睛运动数据,将这些数据转化成两种数据格式:直方图和序列.直方图数据描述用户注意力的分布情况,序列数据呈现用户的扫视路径.使用4种学习算法对用户决策或用户意图进行预测,同时研究两种数据格式的性能.结果显示,两种数据格式均适合于预测用户决策,而序列数据更适合于预测用户意图.该结果表明,利用眼动数据能够有效预测网络搜索行为.      

两轴稳定平台的过顶盲区问题

过顶盲区问题是目标在导弹的小离轴角附近区域运动时,由于框架角速率限制产生的稳定平台不能正常跟踪目标机动的一种现象.根据光电探测系统成像的几何关系,分别对直角坐标框架和极坐标框架稳定平台的目标成像关系进行了分析,进而给出极坐标框架稳定平台的过顶盲区的数学描述,并对这种盲区的成因进行了分析.结合三种情况的目标机动速度,在Matlab的Simulink环境下对极坐标框架稳定平台的过顶盲区现象进行了仿真.最后,基于分区域变参数的PID控制方法,给出了目标在过顶盲区内作垂直向上机动时的一种控制方案,并与普通PID控制进行了对比仿真研究.实际仿真结果表明,通过数学分析得到的极坐标框架稳定平台的过顶盲区模型与实际情况相符合,并且基于分区域变参数的PID控制方法能够改善极坐标框架稳定平台的跟踪特性.      

飞机机电综合管理框架下的液压系统仿真平台

在机电综合管理框架下,设计了飞机液压系统仿真平台,介绍了仿真平台的设计思想和总体架构,阐述了仿真平台各系统的工作原理和实现方式,分析了根据流量压力模拟液压负载用户外特性的思想,采用平均油温计算法对飞机在不同飞行阶段油液温度进行了模拟.给出了飞机液压综合管理仿真系统的设计方案以及仿真测试结果.仿真结果表明:在液压系统仿真平台上,能够有效地实现实际液压系统的所有功能特性,为飞机机电综合管理的最终实现提供有利支撑.     

适用于连续数值标签的兴趣漂移增量学习方法

针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果.     

基于语义相关的多模态社交情感分析

社交平台允许用户采用多种信息模态发表意见与观点,多模态语义信息融合能够更有效地预测用户所表达的情感倾向。因此,多模态情感分析近年来受到了广泛关注。然而,多模态情感分析中视觉与文本存在的语义无关问题,导致情感分析效果不佳。针对这一问题,提出了基于语义相关的多模态社交情感分析（MSSA-SC）方法。采用图文语义相关性分类模型,对图文社交信息进行语义相关性识别,若图文语义相关,则对图文社交信息使用图文语义对齐多模态模型进行图文特征融合的情感分析;若图文语义无关,则仅对文本模态进行情感分析。在真实社交媒体数据集上进行了实验,由实验结果可知,所提方法能够有效降低图文语义无关情况对多模态社交媒体情感分析的影响。与此同时,所提方法的Accuracy和Macro-F1指标分别为75.23%和70.18%,均高于基准模型。      

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题,提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题,分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型,最终实现对卫星云图的分类,提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试,消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的,且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

基于A2C算法的低轨星座动态波束资源调度研究

巨型低轨星座为载人飞船、空间站、遥感卫星等用户航天器提供低时延、大容量的通信通道存在波束资源分配优化的难题。针对采用离散时间的深度强化学习A2C(advanced actor-critic)的智能优化框架进行了研究，结合遗传算法中个体和基因概念、形成了可有效满足多用户、动态、并发接入需求的波束资源调度算法。基于仿真分析，提出的算法可在多种典型场景下具有适用性，支持在20 s内完成超过3 000个任务的有效规划，任务成功率不低于91%。通过算法优化实现复杂度的降低，相对传统遗传算法可节约时间45%以上。同时对传统A2C算法框架中的收敛问题进行了优化，解决了传统全连接A2C算法无法收敛的难题，同时相比DQN(deep q-network)算法框架收敛速度提升38%以上。     

一种深度学习分割遥感影像道路的损失函数

传统的根据光谱特征或形态学算法来分割道路,存在精度低、阈值难确定等缺点,而深度学习中已有的方法并未考虑道路的特性,只是利用通用方法来分割道路.针对上述不足,提出了一种针对道路特有形态的深度学习损失函数——形态损失函数.首先使用连通性算法将预测结果划分为若干个相互分离的连通区域,分别计算这些区域的面积与外接圆面积的比值,...     

Non-linear methods in remotely sensed multispectral data classification

The aim of this research is to develop an effective approach being able to deal with the stochastic nature of remote sensing data. In order to achieve this objective it is necessary to structure the methodological knowledge in the area of data mining and reveal the most suitable methods for the prediction and decision support based on large amounts of multispectral data. The idea is to establish a framework by decomposing the task into functionality objectives and to allow the end-user to experiment with a set of classification methods and select the best methods for specific applications. As a first step, we compare our results from Bayesian classification based on non-parametric probability density estimates of the data to the results obtained from other classification methods. Tree scenarios are considered, making use of a small benchmark dataset, a larger dataset from Corine land cover project for Bulgaria and analyzing different features and feature selection methods. We show that the theoretically optimal Bayesian classification can also achieve optimal classification in practice and provides a realistic interpretation of the world where land cover classes intergrade gradually.     

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

基于粒子群优化LSTM的股票预测模型

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。      

自适应短文本关键词生成模型

关键词抽取对文本处理影响较大，其识别的准确度及流畅程度是任务的关键。为有效缓解短文本关键词提取过程中词划分不准确、关键词与文本主题不匹配、多语言混合等难题，提出了一种基于图到序列学习模型的自适应短文本关键词生成模型ADGCN。模型采用图神经网络与注意力机制相结合的方式作为对文本信息特征提取的编码框架，针对词的位置特征和语境特征编码，解决了短文本结构不规律和词之间存在关联复杂信息的问题。同时采用了一种线性解码方案，生成了可解释的关键词。在解决问题的过程中，从某社交平台收集并公布了一个标签数据集，其包括社交平台发文文本和话题标签。实验中，从用户需求角度出发对模型结果的相关性、信息量、连贯性进行评估和分析，所提模型不仅可以生成符合短文本主题的关键词，还可以有效缓解数据扰动对模型的影响。所提模型在公开数据集KP20k上仍表现良好，具有较好的可移植性      

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器,预测图像中剩余像素对应的类别标签。在实际应用中,由于人工标记样本成本过高,只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题,提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息,构建基于有标签样本记忆模块,并根据样本间的特征关联,利用不断更新的记忆模块学习无标签样本的潜在类别分布,构建无监督分类模型,并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明,所提方法能有效提升小样本高光谱图像分类的准确性。      

一种全局的无关线性图嵌入故障特征提取算法

针对故障特征数据维数高、非线性且系统难以建立物理模型的故障诊断问题,提出了一种全局的无关线性图嵌入故障特征提取算法.通过监督学习建立原始特征的关系图,以线性图嵌入为框架进行特征降维.特征的降维过程既保留了同类数据的局部结构,又考虑了异类数据之间的全局分布,同时最大程度地消除了特征之间的统计相关性.在标准故障数据集上的实验结果表明:与已有的经典算法相比,能更有效地提取出故障的典型特征,因而更有利于故障诊断系统训练网络的快速收敛,实现快速、准确的故障诊断.