基于迁移学习的SAR图像车辆目标识别方法研究

针对卷积神经网络因参数随机初始化引起的收敛慢和过拟合的问题,提出了一种基于迁移学习的卷积神经网络模型.将小样本的数据作为源域的训练样本,将源域训练得到的模型的参数作为目标域模型的初始参数,大样本数据作为目标域的训练样本进行网络微调,实现从源域到目标域的信息迁移.在卷积神经网络中采用神经元丢弃法和组合小卷积核代替大卷积核的方式,减少网络的参数,加快收敛速度,并且抑制过拟合问题.实验采用移动与静止目标搜索识别数据集,该数据集分为十类合成孔径雷达图像车辆目标,以数据集中的三类目标数据作为源域训练样本,十类目标数据作为目标域训练样本,实验结果表明,提出的方法在十类目标识别精度上达到了98.39％,同时具有较快的收敛速度.     

重构迁移学习的红外目标分类

红外图像目标分类在目标识别等领域有重要的应用价值,目前卷积神经网络在可见光图像分类方面达到了优异的性能。但对于红外图像来说,由于有标记样本数量少和图像成像差异大,直接使用现有的网络模型来处理红外图像无法取得理想效果。该文将可见光图像作为源域,将红外图像作为目标域,在深度网络中使用迁移学习方法来解决此问题。在迁移学习中,目标域网络提取的特征越能体现出本域数据的真实分布,那么在此基础上进行两个域的分布适配就更加有效,迁移后的目标域网络性能和泛化能力越好。该文首先利用大量无监督的红外样本训练了红外图像深度卷积自编码器,增强了红外图像域网络的特征表达能力。其次,通过减小源域和目标域的特征分布距离,使得两个图像域特征分布相似,从而将源域中深度网络的学习能力迁移到目标域。经过上述改进,相比于可见光图像预训练微调的方法,分类准确率提升了11.27%。     

基于迁移学习的跨域异常流量检测

基于已知数据的机器学习模型在实际异常流量检测任务中不完全可靠,为此,将不同分布的流量分别作为源域和目标域,建立跨域网络异常流量检测框架,提出了基于联合分布适配的迁移学习方法.通过寻找最优变换矩阵、适配源域与目标域之间的条件概率和边缘概率,实现源域与目标域间的特征迁移,从而解决由于源域与目标域分布差异大所引起的检测准确率下降等问题.实验结果表明,所提方法可以显著提升跨域流量的检测准确率.     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

适用于水下目标识别的快速降维卷积模型

针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

结合卷积神经网络和迁移学习的电机轴承故障诊断方法

针对轴承故障在变工况下有效数据样本不足时故障诊断效果不佳的问题，提出了一种基于卷积神经网络和迁移学习的电机轴承故障诊断方法。首先，将采集到的原始振动信号进行小波变换，得到有利于卷积神经网络训练的彩色二维时频图；其次，构建卷积神经网络，通过训练确定结构和参数，利用数据增强和Dropout机制抑制过拟合；最后，引进迁移学习，冻结训练好后的网络底层结构，用不同工况的小样本数据对网络的顶层结构进行微调。实例分析证明，小波变换和卷积神经网络结合的方式能实现特征自动提取并高度有效地利用样本，迁移学习的引入能实现其他工况下小样本的准确分类，解决实际工程应用中样本不足时故障诊断效果不佳的问题。     

基于子领域自适应的变工况下滚动轴承故障诊断

针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题,提出了一种子领域自适应的深度迁移学习故障诊断方法.首先,为充分利用卷积神经网络图像特征提取能力,将滚动轴承振动信号采用连续小波变换生成图像数据集;其次,源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构,子领域自...     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

基于域对抗网络和BERT的跨领域文本情感分析

跨领域文本情感分析时,为了使抽取的共享情感特征能够捕获更多的句子语义信息特征,提出域对抗和BERT(bidirectional encoder representations from transformers)的深度网络模型。利用BERT结构抽取句子语义表示向量,通过卷积神经网络抽取句子的局部特征。通过使用域对抗神经网络使得不同领域抽取的特征表示尽量不可判别,即源领域和目标领域抽取的特征具有更多的相似性;通过在有情感标签的源领域数据集上训练情感分类器,期望该分类器在源领域和目标领域均能达到较好的情感分类效果。在亚马逊产品评论数据集上的试验结果表明,该方法具有良好的性能,能够更好地实现跨领域文本情感分类。     

多阶段特征重分布算法的小样本目标检测

深度神经网络在目标检测任务上需要训练大量的标签数据，然而在许多实际应用场景中标签数据难以获取。针对这一问题，提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换，解决了小样本任务下源域数据和目标域数据分布不一致的问题；通过多阶段学习策略将源域知识逐步迁移到小样本目标任务中，进一步提高知识迁移效率。在VOC数据集上的大量实验表明，与现有小样本目标检测算法相比，该算法在不同任务上的精度最高提升了9.06%。该算法在大幅提高小样本目标域类别检测性能的同时，较大限度地保持了对源域类别的检测精度，具有较大的实用价值。     

基于GA与BP神经网络的网络入侵检测组合模型研究

针对入侵检测系统产生的高维数据的处理问题,提出基于GA与BP神经网络的入侵检测组合模型进行特征选择。为了优化入侵检测分类算法,利用遗传算法适合复杂系统优化的特点,去除入侵检测数据多维特征属性中的冗余部分,将入侵检测数据特征属性对应到染色体,BP神经网络的分类准确率作为种群个体的适应度值,通过遗传算法的全局搜索能力,找出对分类算法最有影响的特征属性组合,从而达到降维的目的。采用KDD99数据集进行分析,实验表明,经过组合算法特征选择的数据能在分类正确率、运算时间、运算稳定性等方面取得更优的效果。     

多源非平衡交通检测数据的异常识别方法

为保证交通检测数据的准确性并服务于实时的交通状态判别和预测,交通大数据采用多种检测源数据协同处理并利用机器学习的方法进行异常识别.异常检测数据的识别主要基于机器学习中AdaBoost方法实现.在算法的训练过程中,为消除单一检测源数据的离群现象,训练数据选取同一路段上多种检测源提供的数据集.在算法的决策过程中,通过代价敏感方法的优势来改进AdaBoost的决策.实验结果表明:基于非均衡特性改进的AdaBoost模型迫使分类器更加关注了待识别的异常样本,增强了AdaBoost决策过程中训练决策树规则的代表性,提高了异常类样本的分类准确率.高速公路实例检测数据集验证了改进算法与相关经典算法的检测准确度、误检率、误警率等指标,其中改进模型与原模型相比,准确率提高了5.547%,误检率减低了6.792%.多种算法的ROC曲线对比表明改进的AdaBoost方法筛选交通检测样本的可靠度更高,可有效调整由非平衡数据导致的分类误差.     

基于差分响应图的无监督特征点检测网络

为了突破基于人工设计的特征点检测器的性能限制,提出了一种新的数据驱动的基于差分特征响应图的无监督特征点检测网络。该网络使用不同尺度的卷积核计算差分输出,利用差分响应图的绝对值大小筛选出大量特征点,并评判这些特征点重要性程度。同时采用旋转、光照、模糊等多种图像变换训练检测器,获得相应特征不变性,使得该网络更适用于小规模数据集训练。通过在3个常用数据集上进行实验,并与现有经典算法进行定性与定量的对比分析,结果表明,基于差分响应图的无监督特征点检测网络能较好地完成特征点检测任务,所需训练时间更短、边缘定位更准确、数据集规模依赖性更低,优化特征点检测性能。     

基于YOLOv5的遥感图像目标检测

为了解决在遥感图像目标检测任务中目标背景繁杂难以识别且目标尺寸复杂的问题,提出一种基于YOLOv5的遥感图像检测优化模型.首先,对输入数据进行马赛克增强,增加样本多样性,同时采用自适应锚框计算,寻求最优初值锚框;然后,把通过主干网络提取到的特征层进行特征融合得到最优特征层,再对定位损失进行优化,采用CIoU loss作...     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.     

基于C-GRU的微博谣言事件检测方法

提出基于卷积-门控循环单元(convolution-gated recurrent unit, C-GRU)的微博谣言事件检测模型。结合卷积神经网络(convolutional neural networks, CNN)和门控循环单元(gated recurrent unit, GRU)的优点,将微博事件博文句向量化,通过CNN中的卷积层学习微博窗口的特征表示,将微博窗口特征按时间顺序拼接成窗口特征序列,将窗口特征序列输入GRU中学习序列特征表示进行谣言事件检测。在真实数据集上的试验结果表明,相比基于传统机器学习方法、CNN和GRU的谣言检测模型,该模型有更好的谣言识别能力。