基于新型空间注意力机制和迁移学习的垃圾图像分类算法

随着我国各级政府大力推动垃圾强制分类,分类回收各环节中实现标准化、自动化的垃圾分类识别需要适合云端部署的高准确率、低延时要求的细粒度图像分类模型.本文发挥深度迁移学习的优势建立了一套端到端的迁移学习网络架构GANet (garbage neural network);针对垃圾分类中类别易混淆、背景干扰等挑战,提出一种新型的像素级空间注意力机制PSATT (pixel-level spatial attention).为克服类别多和样本不平衡挑战,提出使用标签平滑正则化损失函数;为改善收敛速度以及模型稳定性与泛化性,提出了阶梯形OneCycle学习率控制方法,并给出了结合Rectified Adam (RAdam)优化方法和权重平滑处理技术的组合使用策略.实验使用了"华为云人工智能大赛.垃圾分类挑战杯"提供的按照深圳市垃圾分类标准标注的训练数据,验证了GANet在垃圾分类问题中的显著效果,获得了全国二等奖(第2名);同时,提出的PSATT机制优于对比方法,且在不同主干网络架构上均得到了提升,具有良好的通用性.本文提出的GANet架构、PSATT机制和训练策略不仅具有重要的工程参考价值,也具有较好的学术价值.     

基于共现分析的分类器链标签序列优化方法

针对分类器链模型采用随机生成方式确定标签序列会极大影响分类器链性能的问题。通过共现分析技术深入挖掘标签间的潜在关系, 提出一种基于贪心算法和n-gram模型的两种标签序列优化策略以提升分类器链模型性能。基于贪心算法的策略通过计算和排序标签之间共现率来生成优化的分类器链标签序列, 而基于n-gram模型的策略则通过最大化标签之间条件概率来生成优化的分类器链标签序列。最后通过多个多标签基准数据集进行实验验证, 实验结果表明, 与当前流行的各种分类器链模型相比, 所提的两种策略很有竞争力, 可以明显提升多标签分类效果。     

基于GAN的通信干扰波形生成技术

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。     

充填体强度影响因素及组合预测模型

水灰比、堆积密实度和比表面积是充填体强度的重要影响因素，但有关各因素对强度影响显著性的研究较少，为此通过3因素5水平正交试验，分别对龄期为3d，7d和28d的试块开展单轴抗压强度试验.对试验结果进行方差分析，获得不同龄期各因素F统计值比(水灰比∶堆积密实度∶比表面积):3d为698.404∶26.148∶0.910，7d为862.626∶35.465∶1.286，28d为1585.404∶31.695∶1.338.分析各因素F统计值和P值，确定因素显著性大小关系为:水灰比>比表面积>堆积密实度;水灰比和比表面积为主要影响因素，堆积密实度为次要因素，所以控制水灰比可以有效控制充填体强度.绘制各因素水平趋势图，以最有利于充填体抗压强度原则确定最优组合为水灰比1.2，比表面积410m²/kg，堆积密实度0.6%.改变最优配比中水灰比值，开展30组不同水灰比的3d，7d和28d试块的抗压强度试验.以试验强度为原始数据，结合灰色预测、模糊分类和马尔可夫理论，建立3d，7d和28d试块强度组合预测模型；分析实测值与GM(1，2)模型、曲线回归模型和组合模型预测平均相对残差，结果表明，组合模型较其他模型具有较高的精度和稳定性.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于核函数强化学习的抗干扰频点分配

针对学习未知动态的干扰图样问题，提出一种基于核函数强化学习的雷达与通信抗干扰频点协作算法。与需要获得干扰模式、参数等先验知识的研究相反，所提算法能够利用过去时隙中频点的使用情况来优化抗干扰频点分配策略。首先，通过核函数的强化学习来应对维度诅咒问题。其次，基于近似线性相关性的在线内核稀疏化方法，确保了抗干扰频点分配算法的稀疏性。最后，仿真结果验证了所提算法的有效性。得益于稀疏化码字对于系统动态特性的学习，所提算法与传统基于Q学习的抗干扰频点分配算法相比，收敛时间更短，并且可以快速规避外部未知干扰源的干扰。     

An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.     

非锚固式大型立式热质储罐强度分析

针对大型储罐在多种载荷作用下易发生强度破坏的问题，以某热质储罐为研究对象，利用有限元法分析热质储罐在自重、内压、液柱静压力、风载荷、地震载荷、雪载荷以及温度载荷作用下的应力强度以及变形，模拟大角焊缝区域翘曲情况，并依照JB4732—1995进行强度评定，为此类大型立式储罐的设计提供参考。     

溶解气回注提高致密油藏采收率效果及敏感性

针对致密油藏水平井产量递减快，衰竭开发采收率低等问题，提出了衰竭开发后期回注溶解气提高采收率的方法。基于新疆玛湖凹陷百口泉组地质油藏特征，建立了致密油藏多级压裂双水平井机理模型，系统研究了上述方法在致密油藏中的生产特征及敏感性。结果表明，溶解气回注可以有效提高致密油藏采收率，缓解水平井产量递减的速度。采出程度随注入量、注入速度及吞吐轮次逐渐增加；气体分子的扩散作用可增加基质的受效范围，扩大气体的作用半径；弱非均质性储层（变异系数0.2）采用溶解气吞吐提高采收率效果最佳。敏感性分析结果表明，吞吐轮次对注溶解气提高采收率的影响最大，其次是注入时间、注入速度、扩散系数、焖井时间。另外，建立的代理模型可准确预测和优化致密油藏注溶解气提高采收率效果。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.