基于特征差异增强的工程装备知识跨项目多源域迁移学习研究

工程装备智能化是发展智能建造的重要基础,项目知识是工程装备智能化的知识源泉,因此,工程装备知识跨项目的有效共享与利用是实现智能建造的重要环节.为了增强工程装备知识的跨项目利用效率与效果,本文提出了一种基于特征差异增强的多源域迁移学习框架.该框架利用混合深度神经网络提取源项目的通用时空特征表示,基于项目相似度度量筛选可迁移源项目,通过所设计的特征差异增强方法挖掘多源域的域特殊特征表示并进行集成,在避免负迁移的同时实现工程装备知识的跨项目有效转移.本文使用多个隧道工程项目的数据进行了实验,在六个盾构设备姿态预测知识转移任务的两个预测目标上,该框架相较于基线模型的预测准确性平均提升度分别为86.48%、117.01%,并具有良好的稳健性和情景适应性.实验结果表明:本文所设计的新框架可以挖掘多个源域项目的特性知识并整合其共性知识,通过集成多源域迁移学习的知识来提高知识利用率,为大型工程装备知识的跨项目转移提供了有效的方法和工具,有助于提升施工项目的知识管理与智能建造水平.     

基于改进迁移学习的高速铁路短期客流时间序列预测方法

高速铁路短期客流的预测能为客票分配、开行方案制定、车站客运组织等运营层面组织工作服务,以提高运力资源配置效率和运输服务水平。针对该预测工作往往缺乏有效样本、难于处理时间序列的非稳态性等难点,本文提出一种基于改进迁移学习的高速铁路短期客流预测方法。该迁移学习算法是在经典提升(Boost)算法基础上,结合时间序列特征所提出的。首先,通过时间序列的初筛机制得到源域时间序列与目标域时间序列的距离,并获取与目标域时间序列更相似的源域时间序列。然后,通过将整体时间序列分解为线性时间序列和非线性时间序列,采用季节性差分自回归移动平均模型进行线性拟合后,获取非线性时间序列作为初始源数据集合。最后,通过对训练样本和随机森林回归模型的权重调整实现多样本的迁移,能有效降低负迁移,提升算法稳定性。并以某铁路局客票数据为例进行高速铁路客运量预测及验证,结果表明改进迁移学习都能有效提升预测精度,证明该方法能高效地运用于实际的高速铁路短期客流预测中,有利于提升运力资源配置效率和高速铁路运输服务水平。     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。     

基于迁移学习的新产品销量预测模型

本文提出一种基于迁移学习的销量预测模型,以应对小样本数据下新产品销量预测问题。首先,对候选产品集与新产品进行多维特征相似比较,确定源域产品;然后,基于样本迁移的思想,利用类比合成法,在源域时间序列中匹配出与目标域时间序列高相关的多个模式,并采用最小二乘法和遗传算法筛选最佳模式,确定模式长度,以进行新产品的联合销量预测。实验结果表明:与其他经典预测方法相比,该方法能提高新产品销量预测准确度,并验证了模型的合理性和科学性,为新产品销量预测提供了有效思路。     

基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

基于迁移学习的室内波束选择优化方法

使用基于深度学习的室内波束选择方法可以显著提高波束匹配概率和搜索效率,但该方法需要大型数据集来调整其大量可训练参数,导致了额外的系统开销。针对这一不足,结合一种迁移学习技术,使得目标场景神经网络以小数据集方式获得与大数据集相近的匹配精度,从而减小基于深度学习的波束选择方法中数据集大小对匹配结果产生的影响。首先使用大型数据集在一个源场景中对源神经网络进行充分训练,使得网络参数能够充分包含信道状态信息以及环境信息;而后利用源神经网络参数对目标场景中的神经网络进行不同程度初始化,使该神经网络在经过小数据集训练后依然可以获得较好的波束匹配性能。仿真结果表明,针对室内波束选择场景,在数据集有限的情况下,使用迁移学习方法进行波束选择,同样可以获得较高的匹配精度。     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.     

基于变权Markov链的中小物流企业信用风险集对预测

中小物流企业信用表现的优劣直接关系物流服务供应链生态系统的平衡性和稳定性.针对现有研究仅侧重历史信用评估,无法有效判断企业未来风险演变的情况,本文构建集对-变权Markov模型预测中小物流企业未来信用风险趋势.首先,构建完善的中小物流企业信用特征指标体系,设计CRITIC-时间熵方法综合面板信用数据纵横向信息计算指标变...     

基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。     

融合域自适应和弱监督策略的遥感影像建筑物提取算法

常见的建筑物提取算法主要采用全监督的方式实现，得到的模型通常在训练数据集上表现良好，而在跨区域使用时效果不佳。基于生成对抗网络的域自适应方法虽然在一定程度上能够增强网络的迁移能力，但由于缺乏目标域关键信息，效果难以保证。设计了一种全新的端到端弱监督建筑物提取网络。首先，采用像素关联模块来提升生成网络的性能；然后，在此基础上综合运用域自适应和图像级弱标签两种策略来优化训练过程，从而大幅提升了网络模型的泛化扩展性能。采用3组数据对所提方法的有效性进行了验证，通过大量实验证明了所提方法可以有效提升建筑物提取的性能。同时，通过消融实验验证了网络中各个模块的有效性。     

高频数据下基于PGARCH模型的VaR估计方法及应用

高频数据在风险价值VaR度量和预测方面的价值日益凸显,文中基于高频数据为嵌入日内收益过程的PGARCH模型提出一类稳健M估计,同时给出相应的VaR估计方法,并基于沪深300指数和恒生指数的5分钟高频数据对时间内和时间外的VaR进行估计预测.实证结果表明,高频数据下PGARCH模型的M估计所提供的VaR估计方法可更加准确的预测VaR,预测结果均优于日间低频数据的估计结果和基于高频数据的QMLE估计结果,该方法可以很好地应用于风险管理中.     

基于迁移学习的雷达杂波幅度统计模型选择

在对目标进行探测和识别的过程中, 雷达杂波幅度统计模型选择是重要步骤。为了提升杂波幅度统计模型选择的准确率, 基于样本分布适配, 提出了一种加权再均衡分布适配的迁移学习方法, 实现了仿真数据的信息向实测海杂波IPIX数据的迁移。通过与已有算法进行比较, 实验结果表明改进后的算法在IPIX数据集上能取得更好的分类准确率, 在迁移学习公共数据集Office-Caltech10上的验证结果也表明了算法的普适性。     

基于深度网络的蓝军装备模型参数生成方法研究

蓝军装备的建模仿真是构建对抗仿真环境不可缺少的部分。针对蓝方系统可获取的参数有限、具有“贫信息”“小样本”特性的问题,提出一种基于深度网络的蓝军装备模型参数生成方法。通过设定信息注入蓝军装备的仿真模型,生成仿真数据,利用数据训练深度神经网络。得到的网络对该型装备的未知参数预测具有一定的泛化能力,可直接用于预测或作为迁移学习的源模型。以蓝军某型拦截弹的建模仿真为例对该方法进行应用验证,使用了多层感知机和循环神经网络2种网络对比例导引系数进行学习与预测,均获得了较好的效果。     

滑动窗口二次自回归模型预测混沌时间序列

提出一种新颖的非线性时间序列预测模型,即滑动窗口二次自回归(MWDAR)模型.MWDAR模型使用部分的历史数据及其二次项构造自回归模型.模型参数用线性最小二乘法估计.应用模型进行预测时,预先选定窗口大小以及模型一次项和二次项的阶次.在每个当前时刻,先根据窗口内的数据估计模型参数,然后根据输入向量及模型参数做出预测.这种预测方法不仅适合小数据集的时间序列预测,而且对大数据集具有极高的计算效率.分别用Henon混沌时间序列数据和真实的股票交易数据作了MWDAR方法与局域线性化方法的1步和多步预测对比实验.结果显示MWDAR方法无论在预测精度上,还是在计算效率上都优于局域线性化方法.     

超低空拦截导弹武器系统的UKF-IMM目标跟踪算法

针对超低空拦截导弹武器系统的特点,提出了运用基于交互多模型的无迹卡尔曼滤波算法(UKF-IMM)对来袭目标进行状态估计的滤波方法.根据来袭目标的运动特点建立了特定的模型集,模型集由CV模型、比例导引模型和"当前"统计模型组成.每个模型分别采用UKF滤波器进行滤波,UKF-IMM滤波器的输出为各滤波器状态输出的概率加权融合.仿真结果表明,该模型集能够概括超低空拦截导弹拦截目标的运动样式,模型之间切换迅速,滤波算法收敛速度快.运用UKF-IMM滤波算法能够实现超低空拦截导弹火控系统对来袭目标及时准确地跟踪.     

基于知识元的突发事件风险熵预测模型研究

突发事件风险预测中受到多因素高维数据和小样本数据信息不完备的约束,无法定量识别和描述事件风险的不确定性.本文根据突发事件已认知的知识要素描述事件的共性本体特征,构建了基于知识元的突发事件风险预测模型.该模型利用状态监测系统的实时数据,根据最佳投影方向对观测样本数据进行降维,将投影特征值隐含的风险信息在风险指标论域内进行扩散,获得突发事件不同风险等级发生的概率,利用风险熵预测突发事件发生的可能性.以2008年长沙突发雨雪冰冻事件为例,对提出的风险预测方法的可行性和有效性进行了验证.研究结果表明,基于知识元的突发事件风险熵能够定量地反映概率事件发生时传递的风险信息,可为应急管理部门科学决策提供依据.     

基于ADASYN-IFA-Stacking的再入院患者风险预测方法

在医疗领域,非计划性再入院花费占据了医院总支出的很大一部分,如何降低再入院率,预防再入院情况的发生已经成为了医疗管理领域一个亟待解决的问题.在针对如何能够对再入院患者精确地进行识别这一问题进行深入研究以后,提出了一种基于ADASYN-IFA-Stacking的再入院患者风险预测方法,这一方法主要分为了不均衡数据处理、集成学习模型构建以及参数优化三个部分.不均衡数据处理解决了由于类间不均衡给模型带来的偏倚问题,集成学习模型则可以对多个子分类器的优势进行结合,使用萤火虫算法进行模型最优参数的选择能够进一步提升模型的预测性能.通过在获取到的再入院病人数据集上进行十折交叉验证实验后,结果显示所提出的预测方法要优于现在流行的支持向量机、分类与回归树、随机森林等其它机器学习方法.     

基于流形学习的多核SVM财务预警方法研究

在进行财务困境预测时, 为了客观全面地反映企业的财务状况, 纳入较多的预警指标, 数据集维度将变得很大, 传统方法求解此类问题效果并不理想. 流形学习处理高维数据具有较好的降维效果,多核SVM对于分布不平坦的数据具有很好的分类性能. 基于此, 提出了“流形学习+多核SVM”的混合算法财务预警模型, 该模型适用于具有大量指标集的财务预警. 实验结果表明, 与传统预警方法相对比, 其具有更优的预测性能.     

雷达小样本目标识别方法及应用分析

针对雷达小样本目标识别问题,结合元学习和迁移学习提出一套综合解决方案,旨在根据实际应用场景的不同提供合适的模型学习方式和分类方式,从而提升雷达小样本目标识别效率和准确率.同时,通过多组对比实验深入分析小样本学习算法在实际雷达目标识别场景下的模型性能变化,得出两个可有效指导工程化应用的重要结论.元学习模型在源任务信息充足...     

基于混合生存分析的动态信用评分方法

当今国内外经济形势复杂多变,不确定因素增多,金融市场中信用风险的动态性显著增强,动态信用风险评价成为金融机构迫切需要解决的问题.为此,本文提出了一种基于混合生存分析的动态信用评分方法.该方法由三部分组成:首先,构建基于混合生存分析的动态信用评分模型,包括违约状态判别模型和违约时间估计模型,用于预测评价对象"是否违约"以及"何时违约";其次,利用面板数据构建多重生存状态向量,用于表征信用特征和生存时间的动态关联;最后,基于生成的多重生存状态向量,利用期望最大算法迭代估计模型参数.实验研究表明该方法的预测效果显著优于基于单分类、基于集成学习以及基于生存分析的信用评分方法.