自编码器动态主导融合的多模态情感分析

多模态情感分析过程中,对情感判定起主导作用的模态常常是动态变化的。传统多模态情感分析方法中通常仅以文本为主导模态,而忽略了由于模态之间的差异性造成不同时刻主导模态的变化。针对如何在各个时刻动态选取主导模态的问题,提出一种自编码器动态主导融合的多模态情感分析方法。该方法首先对单模态编码并获得多模态融合特征,再利用自编码器将其表征到共享空间内;在此空间内衡量单模态特征与融合模态特征的相关程度,在各个时刻动态地选取相关程度最大的模态作为该时刻的主导模态;最后,利用主导模态引导多模态信息融合,得到多模态鲁棒性表征。在多模态情感分析基准数据集CMU-MOSI上进行广泛实验,实验结果表明提出方法的有效性,并且优于大多数现有最先进的多模态情感分析方法。     

挥发性有机物治理技术的研究进展

挥发性有机物是一类重要的空气污染物,其中含有大量有害物质,对人类和环境造成了严重的危害。近年来,人们意识到挥发性有机物带来的影响,对挥发性有机物的治理逐渐成为研究的热点。简要介绍了挥发性有机物的定义、来源及危害,以及国内外对挥发性有机物的研究现状,并概括了挥发性有机物的治理方法。     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

基于持续学习和联合特征提取的特定辐射源识别

针对特定辐射源识别(SEI)识别准确率较低和单次样本学习花销较大的问题,该文提出一种基于增量式学习的SEI方法,设计多个连续增量深度极限学习机(CIDELM)。从截获信号中分别提取变分模态分解(VMD)后的Hilbert谱投影和高阶谱,降维后作为射频指纹(RFF)用于分类;在极限学习机(ELM)中采用稀疏自编码结构对多个隐含层进行无监督训练,并利用参数搜索策略确定最佳隐含层数和隐节点个数,实现对多批次标记样本的连续在线匹配。实验结果表明,该方法对不同调制方式、载波频率和收发距离均能表现出良好兼容性,能够实现对于多个辐射源个体的有效识别。     

面向非均衡类别的半监督辐射源识别方法

针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法。该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类。同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能。在4类失衡仿真数据集上的实验结果表明,存在40%无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34%和2.69%,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路。