基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先,采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后,对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。     

Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.     

投影寻踪动态聚类模型

投影寻踪聚类模型在多因素聚类分析中被广泛应用并取得了满意的效果,然而,该模型还存在诸如密度窗宽参数取值经验确定等不足,有待改进提高.本文针对投影寻踪聚类模型的不足,首次把投影寻踪的思想和动态聚类方法结合起来构造投影指标,基于免疫进化算法,建立了投影寻踪动态聚类新模型.新模型一方面在整个运算过程中毋需人为给定参数,聚类结果客观、明确,另一方面,它还具有稳定性好、操作简便等特点.洪水分类的实际应用表明,投影寻踪动态聚类模型切实可行,取得了很好的效果,在多因素聚类分析领域具有广阔的应用前景.     

基于支持矢量机和循环累积量的调制识别算法

利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征矢量,采用支持矢量机将分类特征矢量映射到高维空间并构建最优分类超平面,实现对QAM调制信号的自动识别。该算法解决了样本在低维空间中的不可分问题,具有良好的泛化推广性能,并且可在多种调制信号环境下实现对感兴趣信号类型的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

一种高速多维报文分类算法

报文分类作为一种核心技术,在消息处理,内容过滤,Web信息检索和支持QoS的路由器等领域有重要应用。RFC算法是目前具有代表性的一种报文分类算法,具有匹配速度快,占用内存少、支持范围匹配等优点,但是它不能处理具有变长字符串域。结合多模式匹配算法的思想,对RFC算法进行了有益扩充,使新算法能够根据变长字符串域进行分类。试验结果表明,改进的算法在有效扩展KFC算法的适用范围的基础上,仍具有良好的性能。     

最小二乘支持向量机分类器的高稀疏化及应用

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM。它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性。算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题。对多个分类问题的测试表明,HS-LSS-VM具有稀疏率高,分类性能强,且稀疏化速度较快等优点。     

浅谈IP VPN客户端故障诊断分析

随着IP VPN业务的不断发展,而如何迅速的配置好客户端以便建立与服务器的虚拟专用网络是我们所面临的一个新的课题。本文对工作中所出现的配置客户端的常见问题进行了剖析,从多个方面对此进行了探讨,并提出了相应的解决方法。     

校园网IP地址分配方式的使用分析

IP地址分配方式是校园网建设的一个重要组成部分，良好的IP地址分配方式能够有效地控制网络地址冲突，减少日常管理和维护工作负担，提高工作效率。文章提出了在校园网传统IP地址分配方式的基础上，结合目前较先进的技术进行实际应用方面的设计。     

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.     

浅论气象术语标准研制的问题与对策

为避免气象术语中出现循环定义、定义不协调、定义与术语不匹配、定义重复术语名称或使用代词等问题,运用术语学原理分析,提出研制术语时要注意“语料收集、定义研制、术语分类、辨析关系”的对策建议,这对提高术语研制质量,增强表达交流效果,完善气象标准体系具有重要作用。