检索结果-内蒙古大学图书馆

作者：蔡慧雯中国科学院大学

学位级别：博士

近年来，基于图像的物体分类研究得到了快速发展。尤其随着数据规模、计算资源的急速增长，深度学习技术甚至在大规模物体分类任务上取得了突破性进展。这些大规模物体分类方法一般基于样本充足、分布相对均衡的假设。然而，现实世界中... 详细信息

近年来，基于图像的物体分类研究得到了快速发展。尤其随着数据规模、计算资源的急速增长，深度学习技术甚至在大规模物体分类任务上取得了突破性进展。这些大规模物体分类方法一般基于样本充足、分布相对均衡的假设。然而，现实世界中的图像物体分类任务大多数情况下面临的是样本不均衡问题、小样本问题。针对这些方面，基于大规模样本及均衡样本的机器学习方法将不再适用。\n 本论文拟面向样本不均衡问题和小样本问题，在特征表达学习、小类样本重构以及分类器设计方面探索有效的解决方法。论文的主要工作和创新点归纳如下:\n 1.基于聚类结构局部线性判别分析的特征表达学习\n 一个物体分类问题通常分解为样本收集、特征抽取与分类器构造等步骤。目前的小样本问题解决方案大多集中于样本收集和分类器构造这两个方面，而特征表达一般采用经典方法。特征是分类的核心要素，为了学习有利于小样本问题的特征表达，本文针对物体分类这个特殊领域，提出一种基于聚类结构局部线性判别分析的特征表达方法。该方法在特征表达学习的优化模型中考虑类别样本数目分布，从而帮助小样本类在训练样本不足的情况下提取更具分辨能力的特征。大量的对比实验结果表明，本文提出的方法能够显著改善小样本不均衡情形下的物体分类性能。\n 2.基于特征子空间的样本重构方法\n 样本重构是解决样本不均衡问题的常用方法。研究表明欠采样技术与过采样技术都能有效提高样本不均衡情形下的分类效果。然而，无论是欠采样还是过采样，都是在某个类别内部随机重复样本或重构小类样本，并没有充分利用先验知识估计小类的可能分布，为小类与大类之间的判别提供依据。本文面向不均衡的多分类问题，从特征迁移的角度出发，提出了基于特征子空间的样本重构方法。首先，基于多视图的思想，将特征空间根据某种策略划分为多个特征子空间;然后，在每个特征子空间中，根据基于分类器的相似度度量，搜索大类别中与小样本类别最为相似的样本集合;最后，根据对应各特征子空间的样本集合，设计算法重构小类样本。这种样本重构方法能够借助不同信息来源之间的判别关系，为小样本类别与大样本类别之间提供足够的区别信息。实验结果表明，相比于多个典型的样本重构方法，本文提出的基于特征子空间的样本重构方法取得了更好更鲁棒的物体分类效果。\n 3.基于编码空间的分类器设计\n 面向小样本类别的分类器构造方法往往着眼于单个分类器的学习，在多分类问题中，直接采用one-vs-one或one-vs-all的方式分解为二分类问题。本文从多分类问题分解为二分类问题这个特殊环节入手，提出基于编码空间的分类器构造方法。该方法从编码的角度理解多分类问题的分解方式，根据小样本类别在分类器中的表现自动学习新的分类器编码方法，从而帮助小样本类别增加与大样本类别之间的编码距离，减少小样本类别在测试中的误判概率。大量实验结果表明，基于编码空间的分类器设计显著提升了小样本类别的识别性能。

关键词：物体分类特征表达样本不均衡图像处理机器学习

来源：评论

学校读者我要写书评

暂无评论

多工况与样本不均衡条件下的轴承故障诊断研究

多工况与样本不均衡条件下的轴承故障诊断研究

引用

作者：谭玉涛沈阳工业大学

学位级别：硕士

轴承是旋转机械中至关重要的组件之一,由于工作环境的恶劣性和长期运行的磨损,轴承故障成为了旋转设备故障的主要原因之一,因此开展轴承的故障诊断研究对于保证旋转设备的安全稳定运行具有重要意义,轴承故障诊断的关键是对振动信号的分... 详细信息

轴承是旋转机械中至关重要的组件之一,由于工作环境的恶劣性和长期运行的磨损,轴承故障成为了旋转设备故障的主要原因之一,因此开展轴承的故障诊断研究对于保证旋转设备的安全稳定运行具有重要意义,轴承故障诊断的关键是对振动信号的分析与处理,故本文以信号处理为基础,结合图像编码、深度学习的研究方法,逐步开展对变负载工况、样本不均衡、变负载小样本强噪声条件下的轴承故障损伤程度诊断等方面的研究。针对变负载工况下轴承振动信号呈现非线性、非平稳特性,轴承损伤程度复杂特征难以提取,提出一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)结合轻量级卷积神经网络的滚动轴承损伤程度识别方法。该故障诊断模型利用SSA来自适应调节Squeeze Net网络中的超参数,利用两种数据集对所提方法进行验证,对比其他诊断方法,结果表明,优化后的网络模型能够准确地实现滚动轴承损伤程度和寿命状态的识别,具有较强的跨负载自适应能力和鲁棒性。针对轴承在复杂环境下工作,其故障数据难以大量获取,正常数据与故障数据比例严重失衡造成的深度模型训练不充分、诊断精度低等问题,提出一种基于最小二乘生成对抗网络(Least Squares Generative Adversarial Networks,LSGAN)结合Swin Transformer的轴承故障诊断方法,利用LSGAN扩充不平衡或缺少的部分样本,引入Swin Transformer进行轴承故障状态识别,使用三种数据集验证所提方法的有效性。通过数据可视化对模型分类效果进行评估,结果表明,所提模型在训练样本数量较少时仍能满足故障诊断中的需求,为不平衡数据下的轴承故障诊断研究提供了新的思路。针对变负载工况小样本强噪声环境下,传统深度学习模型抗噪性差,模型训练不充分等问题,提出一种自适应最大二阶循环平稳盲反卷积(Adaptive Maximum Second-order Cyclostationarity Blind Deconvolution,ACYCBD)结合马尔可夫变迁场(Markov Transition Field,MTF)的滚动轴承故障诊断方法。通过ACYCBD自适应增强噪声背景下轴承故障的冲击信号,采用MTF将预处理后的一维振动信号转变为具有时间信息的二维特征图像并输入Mobile Vi T模型中训练,在两种数据集验证模型在小样本强噪声条件下的有效性。结果表明,所提方法在噪声环境下具有更高的抗干扰能力和泛化性能。

关键词：滚动轴承故障诊断变负载工况样本不均衡深度学习

来源：评论

学校读者我要写书评

暂无评论

计及样本不均衡的轨道零部件缺陷检测与模型加速研究

计及样本不均衡的轨道零部件缺陷检测与模型加速研究

引用

作者：涂振威西南交通大学

学位级别：硕士

截至2021年底,全国铁路营业里程突破15万公里,城市轨道交通运营里程8708公里,轨道交通在现代综合交通运输体系中的骨干作用日益凸显,随之而来对于轨道基础设施的安全检测需求日益增加。钢轨、轨枕和扣件作为轨道的重要组成部分,其服役... 详细信息

截至2021年底,全国铁路营业里程突破15万公里,城市轨道交通运营里程8708公里,轨道交通在现代综合交通运输体系中的骨干作用日益凸显,随之而来对于轨道基础设施的安全检测需求日益增加。钢轨、轨枕和扣件作为轨道的重要组成部分,其服役状态直接影响列车的运行安全,如何通过有效的检测手段,对零部件缺陷进行实时有效的检测,是轨道巡检的重点研究方向。但现有检测技术仍存在识别率低和速度慢等问题。为此,本文以轨道零部件作为研究对象,研究基于深度学习的缺陷检测方法,重点解决缺陷检测中的样本不均衡和模型复杂等问题,实现边缘端实时且准确的缺陷检测。论文的主要工作如下:首先,对轨道零部件的精准识别和定位是高质量缺陷检测的前提和基础,因此本文在讨论目前主流的目标检测算法和实例分割算法的基础上,提出了适用于本文轨道零部件识别定位的优化算法,并分别采用基于批量归一化层γ系数的剪枝算法和TensorRT推理优化两种方法对定位模型进行加速,实现精准快速的零部件定位。其次,针对样本不均衡问题,通过分析轨枕、扣件和钢轨三种轨道零部件的缺陷特征,提出了对应的缺陷检测方法:1)针对轨枕缺陷样本不均衡且轨枕裂缝缺陷细微的特点,提出基于深度集成学习的轨枕缺陷检测方法,利用多种深度网络扩充轨枕缺陷特征,并构建集成分类器分担个体风险,进一步提升轨枕缺陷检测的准确性;2)针对扣件缺陷样本稀缺且扣件几何特征明显的特点,提出实例分割+几何特征的缺陷判定准则,首先利用实例分割算法进行扣件定位,然后提取扣件掩码进行轮廓查找并计算像素长度,通过定量方法对比两侧扣件的像素长度差实现扣件缺陷判断,本方法有效抑制了缺陷样本稀缺带来的负面影响;3)针对钢轨缺陷样本不均衡且缺陷类别易混的特点,提出实例分割+缺陷细分类的级联检测网络,实现双分辨率和高分辨率的钢轨缺陷检测。在实例分割阶段引进Focal Loss类别损失函数以均衡正负样本,在缺陷细分类阶段采用轻量级分类网络MobileNet v2以实现快速分类,本方法有效提升了钢轨缺陷的检出率和细分类准确率。最后,将本文提出的轨道零部件缺陷检测算法部署至Jetson AGXXavier嵌入式设备中,最终实验表明本文方法具有较高的检测精度和较快的检测速度,可满足实时缺陷检测要求,具有较高的实用价值。

关键词：轨道零部件缺陷检测样本不均衡模型加速计算机视觉

来源：评论

学校读者我要写书评

暂无评论

面向样本不均衡条件的混合气体检测方法研究

面向样本不均衡条件的混合气体检测方法研究

引用

作者：夏皖豫哈尔滨理工大学

学位级别：硕士

工业和生活环境中常存在各种各样的气体,这些气体通常是以混合物形式存在。基于MOS气体传感器阵列的混合气体检测已成为当前热点研究领域。然而,在实际条件下存在因训练样本不均衡而导致传统的机器学习模型性能下降的问题。本文研究在... 详细信息

工业和生活环境中常存在各种各样的气体,这些气体通常是以混合物形式存在。基于MOS气体传感器阵列的混合气体检测已成为当前热点研究领域。然而,在实际条件下存在因训练样本不均衡而导致传统的机器学习模型性能下降的问题。本文研究在样本不均衡条件下的混合气体成分识别和浓度预测方法,主要研究内容如下:针对类不均衡混合气体识别准确率低的问题,本文提出ADASYN-GA-SVM混合气体成分识别方法。首先,采用分层五折交叉验证,确保每个子集中各类别样本量的比例与原始数据集中的各类别样本量的比例相同。利用自适应综合过采样(ADASYN)方法自适应地将决策边界转移到难以学习的样本上,对数据集中少数类样本进行扩充,并与原训练集组成新训练集。再结合支持向量机(SVM)对小样本数据的良好处理能力,实现混合气体成分识别。为了进一步提高模型的气体成分识别准确率,采用遗传算法(GA)优化SVM模型的惩罚因子和核参数。实验结果表明,对不均衡样本采用不同样本扩充方法后的识别准确率均有提升,其中ADASYN-GA-SVM混合气体成分方法的平均识别准确率比扩充前提高6.8%。针对类不均衡混合气体浓度预测精度低的问题。本文提出SMOTE-PSOMLSSVR方法对混合气体进行浓度预测。利用合成少数类过采样(SMOTE)方法降低过拟合、增加样本多样性的特点,对训练集中的少数类进行扩充。再结合多输出最小二乘支持向量机回归(MLSSVR)方法预测精度高和鲁棒性强的特点,实现混合气体的浓度预测。为解决MLSSVR中两个正则化参数和核参数选择问题,利用粒子群算法(PSO)的收敛速度快、易实现等优点对MLSSVR模型中的超参数进行寻优。实验结果表明,该模型采用样本扩充后的均方根误差(RMSE)和平均绝对百分比误差(MAPE)比扩充前分别提高0.3462和0.6828。

关键词：混合气体样本不均衡样本扩充 MLSSVR

来源：评论

学校读者我要写书评

暂无评论

面向样本不均衡的文本分类算法研究

面向样本不均衡的文本分类算法研究

引用

作者：熊思诗北京邮电大学

学位级别：硕士

随着人工智能的高速发展,文本分类技术在各行各业的智能化业务中得到普及,提高了文本内容的处理效率。然而这一应用正面临着来自复杂数据场景的严峻挑战。自然采集的数据集由于自身分布差异或采集难度不同往往呈现出样本分布不均衡的特... 详细信息

随着人工智能的高速发展,文本分类技术在各行各业的智能化业务中得到普及,提高了文本内容的处理效率。然而这一应用正面临着来自复杂数据场景的严峻挑战。自然采集的数据集由于自身分布差异或采集难度不同往往呈现出样本分布不均衡的特点。模型训练过程容易被样本数量更多的类别所主导,从而在稀有类上的分类表现不佳,这限制了基于深度学习的分类模型在实际场景中的落地。因此,样本不均衡下的分类问题是亟待解决的现实问题。论文面向样本不均衡的文本分类展开研究,旨在构建不均衡数据集下性能更优的文本分类模型。主要工作包括:1.在样本类别分布不均衡的场景下,标准交叉熵损失学习到的特征空间也会不平衡,并且模型性能会随着不平衡比上升而退化。针对此问题,论文提出了基于原型监督对比学习增强的文本分类算法。为了增强模型的表征学习能力,在特征提取器之后设计了一个双分支神经网络,该网络由特征学习分支和分类器学习分支并行组成,前者由原型监督对比损失指导训练,后者由带原型相似度惩罚的分布感知边际损失指导训练。论文所提方法更偏向于表征少数类概念,有助于模型对不均衡数据维持一个平衡且分类边界清晰的特征空间。2.大多数不均衡分类方法总是以牺牲多数类性能为代价来提升少数类精度。针对此不足,论文提出了一种简单且高效的特长多元化的自适应多专家文本分类算法。各个专家模型采用不同作用机制的损失函数训练,使每个专家模型都有差异化的优势类别。为了寻求专家模型间的最优组合方式,设计了权重自适应学习模块,为可信专家模型分配更高的聚合权重。该算法提升了各个类别上的分类性能,具有更强的泛化能力和更稳定的模型效果。3.面向内容智能审核的实际需求,论文设计并实现了交互界面简洁、易于操作的中文不良文本分类系统。该系统集成了论文所提先进算法,可帮助审核员承担绝大比例流量的文本审核工作,具有一定的实用性。论文对上述两种算法在自构建的数据集及公开数据集上进行了大量实验与分析,验证了其创新性和先进性。此外,还将训练好的模型部署到了实际应用系统中,进一步发挥了其价值。因此,论文的研究具有理论和应用的双重意义。

关键词：文本分类样本不均衡对比学习多专家模型

来源：评论

学校读者我要写书评

暂无评论

基于DeepLabv3的样本不均衡图像语义分割研究

引用

成都工业学院学报 2022年第3期25卷 16-21页

作者：王汉谱刘志豪谷旭轩廖建英贺志强涂兵彭怡书湖南理工学院信息科学与工程学院湖南岳阳414006 湖南理工学院机器视觉与人工智能研究中心湖南岳阳414006

卷积神经网络(Convolutional Neural Networks,CNN)在处理语义分割上具有独特优势,但是小目标、稀少目标等样本不均衡问题成为影响分割精度的重要因素。由此提出一种以DeepLabv3网络为基本框架,结合了Focal Loss和GPB/OWT/UCM边缘分割... 详细信息

卷积神经网络(Convolutional Neural Networks,CNN)在处理语义分割上具有独特优势,但是小目标、稀少目标等样本不均衡问题成为影响分割精度的重要因素。由此提出一种以DeepLabv3网络为基本框架,结合了Focal Loss和GPB/OWT/UCM边缘分割的图像语义分割方法。首先,利用DeepLabv3网络中Resnet101编码器进行特征提取,所得特征经过空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块后获得多尺度信息,再通过解码器恢复到原图分辨率,进行图像的像素级分割;然后,引入Focal Loss替换原来网络中的交叉熵损失函数,即在原来每个单像素损失值上加权重,加强对困难样本特征的学习;最后,融合GPB/OWT/UCM边缘分割算法,使得小目标区域的语义信息仅由低等级特征去单独决定,从而优化小目标和稀少目标的边缘细节的分割。实验结果表明:在PASCAL VOC 2012数据集上,该方法所得均交并比(Mean Intersection over Union,MIoU)为80.23%,相比于原来DeepLabv3网络,MIoU值提升了0.71%,改善了样本不均衡问题。

关键词：语义分割样本不均衡多尺度信息边缘细节

来源：评论

学校读者我要写书评

暂无评论

基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法

引用

电器与能效管理技术 2022年第3期 23-29,38页

作者：裘星尹仕红张之涵谢智伟江敏丰郭兴林杨建明郑建勇深圳供电局有限公司广东深圳440304 东南大学电气工程学院江苏南京210096

采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡。传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容... 详细信息

采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡。传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容易产生梯度消失等问题。在原始ACGAN的模型基础上,在其判别真假损失函数上添加梯度惩罚函数,使得判别器和生成器在相互优化过程中梯度下降更快,更容易达到纳什均衡,从而使原始样本的不均衡情况得到有效改善。通过公共数据集PLAID进行测试分析,并验证了所提方法的有效性。

关键词：生成对抗网络辅助分类器负荷识别样本不均衡样本扩充

来源：评论

学校读者我要写书评

暂无评论

基于样本不均衡和特征优选多源融合的输电线路故障类型辨识

引用

电测与仪表 2024年第12期61卷 79-89页

作者：孙文成李健彭宇辉余前勇谢迎谱雷梦飞国家电网有限公司西南分部成都610041 国网电力科学研究院武汉南瑞有限责任公司武汉430074

输电线路发生各种类型故障时将严重威胁系统的安全稳定运行,传统基于故障录波的输电线路故障诊断方法侧重于利用故障录波提供的零序电流信息,难以准确辨识所发生故障的类型。文章提出了基于样本不均衡和特征优选多源融合的(kepler optim... 详细信息

输电线路发生各种类型故障时将严重威胁系统的安全稳定运行,传统基于故障录波的输电线路故障诊断方法侧重于利用故障录波提供的零序电流信息,难以准确辨识所发生故障的类型。文章提出了基于样本不均衡和特征优选多源融合的(kepler optimization algorithm-convolutional neural network-bidirectional long short-term memory network-selfattention,KOA-CNN-BiLSTM-Selfattention)输电线路故障类型辨识方法,获取输电线路分布式在线监测装置提供的行波数据,整合形成输电线路的实际有效故障波形数据库及带标签信息数据库;基于融合改进(synthetic minority over-sampling,technique,SMOTE)算法进行样本均衡,采用时域函数、快速傅里叶变换(fast fourier transform,FFT)、小波包分析、波形函数提取不同输电线路故障类型的时域、频域、时频域及波形脉宽等故障特征,基于Deep Lasso(deep least absolute shrinkage and selection operator)回归完成特征优选再进行多源信息融合,最后采用KOA-CNN-BiLSTM-Selfattention算法完成输电线路的故障类型辨识。通过基于输电线路历史故障跳闸数据的算例验证了所述方法的正确性和有效性。

关键词：样本不均衡特征优选多源融合深度学习故障辨识

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络增强句嵌入的中医文献多标签分类方法研究

引用

世界科学技术-中医药现代化 2025年第2期27卷 420-430页

作者：陈靖耀李敬华于彤中国中医科学院中医药信息研究所北京100700

目的提出一种使用图神经网络增强句嵌入的中医文献多标签分类方法,能够有效获取相似文章之间的关联,通过与文本语义信息的相互融合,提高分类性能。方法获取论文句嵌入数据,建立中医文献异构网络,通过图神经网络GraphSAGE模型学习论文在... 详细信息

目的提出一种使用图神经网络增强句嵌入的中医文献多标签分类方法,能够有效获取相似文章之间的关联,通过与文本语义信息的相互融合,提高分类性能。方法获取论文句嵌入数据,建立中医文献异构网络,通过图神经网络GraphSAGE模型学习论文在异构网络上的表征信息和自身的句嵌入信息,将得到的特征向量输入模型进行多标签分类。结果在中医文献数据集下,基于图神经网络的模型的多标签分类精确率和F1值,达到了0.83与0.72,优于主流基线模型。结论本文提出的方法在中医文献多标签分类任务中具有有效性。

关键词：多标签分类样本不均衡中医文献异构网络图神经网络

来源：评论

学校读者我要写书评

暂无评论

基于改进ViT的网络流量分类方法

引用

计算机工程与设计 2025年第2期46卷 431-437页

作者：李道全高洁聂若琳胡一帆青岛理工大学信息与控制工程学院山东青岛266520

目前网络流量分类方法中存在模型结构复杂、特征提取不足等问题,提出一种基于稀疏注意力的改进ViT(SA-ViT)网络流量分类模型。去除数据集中无关字段并转化为灰度图,划分为块序列输入编码器提取特征;引入Longformer稀疏注意力对Self-atte... 详细信息

目前网络流量分类方法中存在模型结构复杂、特征提取不足等问题,提出一种基于稀疏注意力的改进ViT(SA-ViT)网络流量分类模型。去除数据集中无关字段并转化为灰度图,划分为块序列输入编码器提取特征;引入Longformer稀疏注意力对Self-attention进行优化,使其具有更高的局部与全局特征表达能力;通过对比图像相似度实现流量分类。通过网络公开数据集进行检测,其结果表明,所提算法在分类准确率、精确率以及F1分数等方面有较大提升,验证了该模型的科学性与可行性。

关键词：流量分类 Vision Transformer(ViT) 稀疏注意力 Longformer 编解码器样本不均衡灰度图

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：