检索结果-内蒙古大学图书馆

清华大学学报（自然科学版） 2012年第9期52卷 1210-1217页

作者：王魏柴天佑大连海洋大学信息工程学院大连116023 辽宁省海洋信息技术重点实验室大连116023 流程工业综合自动化国家重点实验室(东北大学) 沈阳110819

针对氧化铝生产过程中原矿浆制备工序碳酸碱浓度机理模型难以建立,无法实现在线检测的问题,通过对铝酸钠溶液温度和电导率的特性分析,提出一种基于同步聚类和稳定学习的碳酸碱浓度模糊建模方法。首先采用同步聚类算法将建模数据分类,并... 详细信息

针对氧化铝生产过程中原矿浆制备工序碳酸碱浓度机理模型难以建立,无法实现在线检测的问题,通过对铝酸钠溶液温度和电导率的特性分析,提出一种基于同步聚类和稳定学习的碳酸碱浓度模糊建模方法。首先采用同步聚类算法将建模数据分类,并对聚类中心及分类进行离线修正,然后对每类数据进行模糊TS(Takagi-Sugeno)建模,并采用稳定学习算法对模型参数进行在线校正,保证辨识误差有界。将该方法应用于氧化铝生产过程碳酸碱浓度的软测量,现场实际数据预测结果表明了方法的有效性。

关键词：铝酸钠溶液软测量同步聚类稳定学习模糊建模

来源：评论

学校读者我要写书评

暂无评论

基于实例加权和双分类器的稳定学习算法

引用

软件学报 2023年第7期34卷 3206-3225页

作者：杨帅王浩俞奎曹付元大数据知识工程教育部重点实验室(合肥工业大学) 安徽合肥230601 合肥工业大学计算机与信息学院安徽合肥230601 山西大学计算机与信息技术学院山西太原030006

稳定学习的目标是利用单一的训练数据构造一个鲁棒的预测模型,使其可以对任意与训练数据具有相似分布的测试数据进行精准的分类.为了在未知分布的测试数据上实现精准预测,已有的稳定学习算法致力于去除特征与类标签之间的虚假相关关系.... 详细信息

稳定学习的目标是利用单一的训练数据构造一个鲁棒的预测模型,使其可以对任意与训练数据具有相似分布的测试数据进行精准的分类.为了在未知分布的测试数据上实现精准预测,已有的稳定学习算法致力于去除特征与类标签之间的虚假相关关系.然而,这些算法只能削弱特征与类标签之间部分虚假相关关系并不能完全消除虚假相关关系;此外,这些算法在构建预测模型时可能导致过拟合问题.为此,提出一种基于实例加权和双分类器的稳定学习算法,所提算法通过联合优化实例权重和双分类器来学习一个鲁棒的预测模型.具体而言,所提算法从全局角度平衡混杂因子对实例进行加权来去除特征与类标签之间的虚假相关关系,从而更好地评估每个特征对分类的作用.为了完全消除数据中部分不相关特征与类标签之间的虚假相关关系以及弱化不相关特征对实例加权过程的干扰,所提算法在实例加权之前先进行特征选择筛除部分不相关特征.为了进一步提高模型的泛化能力,所提算法在训练预测模型时构建两个分类器,通过最小化两个分类器的参数差异来学习一个较优的分类界面.在合成数据集和真实数据集上的实验结果表明了所提方法的有效性.

关键词：实例加权特征选择分布变化稳定学习

来源：评论

学校读者我要写书评

暂无评论

基于稳定学习的多中心sMRI影像分析方法研究

基于稳定学习的多中心sMRI影像分析方法研究

引用

作者：钟志锴湖南理工学院

学位级别：硕士

结构磁共振(structural Magnetic Resonance Imaging,s MRI)脑影像分析是人类观察和了解大脑结构的重要影像学手段。随着统计分析技术的进步和计算设备的性能提升,传统单中心小样本量的s MRI影像分析已开始向多中心大样本量的s MRI影像... 详细信息

结构磁共振(structural Magnetic Resonance Imaging,s MRI)脑影像分析是人类观察和了解大脑结构的重要影像学手段。随着统计分析技术的进步和计算设备的性能提升,传统单中心小样本量的s MRI影像分析已开始向多中心大样本量的s MRI影像分析迈进。然而研究中发现,采集、处理参数,被试人群等诸多干扰因素不可避免导致不同中心影像数据的统计分布存在较大的差异性,极大影响了多中心分析效果和跨中心稳定性。在此背景下,本文依托湖南省自然科学基金面上项目《基于机器学习的脑影像磁共振空间结构分析方法研究》,从稳定学习的角度出发,对多中心s MRI影像稳定分析方法进行了探索性研究,主要工作总结如下: 本文首先将结合稳定学习和深度神经网络的稳定网络引入到多中心s MRI影像分析任务中。针对3D s MRI影像设计了专用的稳定网络架构。该网络使用了10层残差网络作为特征提取网络,后端使用融入了稳定学习模块的线性分类器。最后,在Beijng,Cambridge,Icbm,Oulu 4个中心上进行了多中心男女性别分类对比实验,在留一测试和更严苛的留一训练中验证了稳定网络相比于其他对比方法更优的多中心二分类效果,同时也发现了其在跨中心稳定性存在的不足。进一步,本文提出了基于特征-二类标签独立性最大化的稳定学习方法。不同于稳定网络最大化特征之间的独立性,该方法最大化特征子集与二类标签的独立性。首先,为防止可能出现的加权后类别样本量失衡,提出了保持类别样本均衡的加权采样模型;然后,专门设计了基于负熵最大化的自适应特征子集选择模型,并理论证明和给出了自适应特征子集的最优选择权重的解析解;最后将其融入到深度神经网络设计了轮换优化算法。在上述4中心男女性别分类对比实验中,验证了本文方法相比于其他对比方法更优的多中心二分类效果和更好的跨中心稳定性,并使用3D-Grad-CAM技术可视化展示了男女性别的典型差异脑区。最后,本文将应用于二分类问题的基于特征-二类标签独立性最大化的稳定学习方法拓展到多分类任务中,提出了随机二类独立性最大化的方法,并设计了相应的轮换优化算法。在ADNI 1,ADNI 2,AIBL 3个中心上进行了多中心老年痴呆症、轻度认知障碍和正常的3分类对比实验。实验结果验证了随机二类独立性最大化方法相比于其他对比方法更优的多中心多分类效果和更好的跨中心稳定性。

关键词：结构磁共振成像多中心脑影像分析稳定学习稳定网络

来源：评论

学校读者我要写书评

暂无评论

面向目标变量的因果贝叶斯网结构稳定学习算法

面向目标变量的因果贝叶斯网结构稳定学习算法

引用

作者：徐伟山西财经大学

学位级别：硕士

2021年人工智能已被列入十四五规划与2035远景目标纲要中,这为我国人工智能前沿理论、核心软硬件等关键短板领域指明了未来十余年的发展方向和目标。贝叶斯网络是人工智能学科表示和处理不确定性知识的重要图模型方法,研究因果关系是实... 详细信息

2021年人工智能已被列入十四五规划与2035远景目标纲要中,这为我国人工智能前沿理论、核心软硬件等关键短板领域指明了未来十余年的发展方向和目标。贝叶斯网络是人工智能学科表示和处理不确定性知识的重要图模型方法,研究因果关系是实现强人工智能的一条可能途径。将因果关系引入贝叶斯网络,因果贝叶斯网结构学习作为一项技术能通过因果图模型直观反映出数据中对象之间的因果关系。已有因果贝叶斯网结构学习存在三个方面不足:全局因果贝叶斯网结构学习计算开销巨大且人们往往并不关注所有变量构成的网络、未知分布下的因果贝叶斯网结构学习稳定性不高、结构学习中常用信息度量函数无法很好刻画数据集中属性间的依赖关系。本文所做工作紧紧围绕这三个方面,针对因果贝叶斯网结构学习存在的问题,开展面向感兴趣目标变量的因果网结构(即局部因果贝叶斯网络结构)稳定学习的相关研究,重点分两部分:首先进行目标变量的因果特征选择,即初始无向图结构稳定学习;然后基于无向图结构进行因果方向的确定,即面向目标变量的因果网结构稳定学习。第一,针对在未知分布环境下特征选择结果不够稳定的问题,本文提出了一种面向目标变量的因果特征选择稳定学习算法。首先对基于相关性的特征选择和基于马尔科夫毯的特征选择中存在的问题进行了研究与分析,接着引入因果不变性与特征选择中的稳定学习思想对未知分布数据进行处理,从而提出面向目标变量的因果特征选择稳定学习算法并对其时间复杂度进行分析,最后在8个真实数据集上进行实验验证,实验结果证明了该算法的稳定性以及筛选特征用于分类的准确率优于已有其他算法。第二,针对现有的因果网结构学习算法无法适应未知分布环境、全局因果网结构学习计算开销巨大、信息度量函数无法良好表示类别占比不同数据集中属性间的依赖关系三方面问题,本文提出了一种面向未知分布环境目标变量的因果贝叶斯网结构稳定学习算法。首先基于第一部分工作提出的算法进行因果特征选择,接着提出基于类的加权信息度量函数WMI来确定变量间的方向,进而提出基于因果特征的贝叶斯网结构稳定学习算法并对其时间复杂度进行分析,最后在4个标准网络数据集上进行实验,实验验证了算法在结构学习工作上的良好表现。

关键词：贝叶斯网络因果特征选择结构学习稳定学习

来源：评论

学校读者我要写书评

暂无评论

引入稳定学习的多中心脑磁共振影像统计分类方法研究

引用

湖南理工学院学报（自然科学版） 2024年第1期37卷 15-19页

作者：杨勃钟志锴湖南理工学院信息科学与工程学院湖南岳阳414006

针对现有统计分析方法在多中心统计分类任务上缺乏稳定性的问题,提出一种引入稳定学习的多中心脑磁共振影像的统计分类方法.该方法使用多层3D卷积神经网络作为骨干结构,并引入稳定学习旁路结构调节卷积网络习得特征的稳定性.在稳定学习... 详细信息

针对现有统计分析方法在多中心统计分类任务上缺乏稳定性的问题,提出一种引入稳定学习的多中心脑磁共振影像的统计分类方法.该方法使用多层3D卷积神经网络作为骨干结构,并引入稳定学习旁路结构调节卷积网络习得特征的稳定性.在稳定学习旁路中,首先使用随机傅里叶变换获取卷积网络特征的多路随机序列,然后通过学习和优化批次样本采样权重以获取卷积网络特征之间的独立性,从而改善跨中心分类泛化性.最后,在公开数据库FCP中的3中心脑影像数据集上进行跨中心性别分类实验.实验结果表明,与基准卷积网络相比,引入稳定学习的卷积网络具有更高的跨中心分类正确率,有效提高了跨中心泛化性和多中心统计分类的稳定性.

关键词：多中心脑磁共振影像分析卷积神经网络稳定学习跨中心泛化

来源：评论

学校读者我要写书评

暂无评论

基于稳定学习的图神经网络模型

引用

湖南理工学院学报（自然科学版） 2023年第4期36卷 16-18页

作者：李文彬许雁玲钟志楷杨勃湖南理工学院信息科学与工程学院湖南岳阳414006

图神经网络(GNN)在对图样本进行分类工作时效果差强人意,无法发现数据背后真实的功能网络.为提高图神经网络在图分类上的稳定性,提出一种基于稳定学习的图神经网络模型(Stable-GNN).该模型将基于随机傅里叶特征的样本加权采样干预技术... 详细信息

图神经网络(GNN)在对图样本进行分类工作时效果差强人意,无法发现数据背后真实的功能网络.为提高图神经网络在图分类上的稳定性,提出一种基于稳定学习的图神经网络模型(Stable-GNN).该模型将基于随机傅里叶特征的样本加权采样干预技术与图神经网络结合,尝试在神经网络训练过程中,剔除虚假因果特征,提高模型在图样本分类上的稳定性.实验结果表明,该方法能有效发现真实的关联网络,提高图网络的稳定性.

关键词：图神经网络稳定学习图样本分类

来源：评论

学校读者我要写书评

暂无评论

双向钳制网络：实现重复观测数据下的稳定预测

引用

复旦学报(自然科学版) 2025年

作者：胡世杰于健博冯赞雷雨萱杨晓峰阮航复旦大学工程与应用技术研究院复旦大学微电子学院

针对重复观测数据（ROD）环境下得到的模型预测结果波动大的问题，双向钳制网络（BCA）被提出。其核心是一条额外构建的反向路径，它将预测过程分为两个阶段。首先，反向路径将目标值中的一致性传递到隐层用于对齐类内数据的隐特征，提... 详细信息

针对重复观测数据（ROD）环境下得到的模型预测结果波动大的问题，双向钳制网络（BCA）被提出。其核心是一条额外构建的反向路径，它将预测过程分为两个阶段。首先，反向路径将目标值中的一致性传递到隐层用于对齐类内数据的隐特征，提取组内数据的共性特征以消除噪声的影响；接着，基于对齐后的特征学习目标值的映射过程，输出稳定的预测结果。BCA在光学关键尺寸测量任务的真实数据上进行了测试，实验结果表明：BCA性能优于其他常用的模型，使模型的稳定性提升了近90%的同时还使模型的预测精度提升了近10%。实验结果验证BCA在真实工业ROD数据下的有效性。

关键词：深度学习神经网络光学关键尺寸测量稳定学习

来源：评论

学校读者我要写书评

暂无评论

基于对比学习的轴承剩余使用寿命稳定预测方法

基于对比学习的轴承剩余使用寿命稳定预测方法

引用

作者：钱磊合肥工业大学

学位级别：硕士

近年来,深度学习的高速发展给轴承剩余寿命预测提供新的研究思路,基于深度学习的研究方法倾向于利用神经网络从原始振动数据中提取高维特征,并以此预测轴承的剩余使用寿命。这类方法不仅可以处理复杂的非线性预测问题,而且不需要相应专... 详细信息

近年来,深度学习的高速发展给轴承剩余寿命预测提供新的研究思路,基于深度学习的研究方法倾向于利用神经网络从原始振动数据中提取高维特征,并以此预测轴承的剩余使用寿命。这类方法不仅可以处理复杂的非线性预测问题,而且不需要相应专业知识和人工干预训练就能取得不错的预测效果。然而,大多数深度学习模型在数据降维过程中忽略了轴承原始振动数据的序列关系,严重影响了模型预测的准确性。同时,由于影响轴承寿命的因素过多,不同的工况或材质都会使轴承的退化趋势不同,导致测试集和训练集之间数据分布差异较大。通过领域适应方法可以提高模型跨域轴承寿命预测性能,但是该方法在训练阶段需要使用目标域数据。因此,领域适应模型无法缓解在未见域的轴承寿命预测性能的衰减。针对这两种问题,本文开展研究工作如下: (1)针对深度神经网络预测轴承剩余使用寿命时会忽略轴承原始数据的时间序列信息,本文探索了一种基于对比学习的轴承剩余使用寿命预测方法。首先,该方法通过引入对比学习来构建轴承振动数据的正负样本,并利用余弦相似度从负样本中挑选出与正样本最相似的难负样本,以提高模型的细粒度识别能力。接着,该方法将正样本和难负样本送入编码器中进行特征提取、并通过GRU模型预测轴承振动数据。最后,结合对比损失(info NCE)和均方误差(MSE)优化模型参数。实验结果表明,该方法在测试轴承上都取得了优秀的预测精度。 (2)针对训练模型时目标领域轴承数据不可见的问题,本文提出了一种基于稳定学习的轴承剩余寿命预测泛化方法。该方法首先使用时域,频域和时频域指标提取轴承原始振动数据中的物理特征,并在特征中添加噪声提高模型的泛化能力。然后,设计了稳定学习编码器来提取单个源领域物理特征中的因果特征表示,去除无关特征,并通过均方误差和网络权重和偏置正则化约束因果特征和轴承剩余寿命之间的映射关系。最后,通过门控循环单元预测轴承寿命。实验结果表明,该方法在不同工况下的不可见目标域中都取得不错的寿命预测性能。

关键词：轴承剩余使用寿命预测神经网络对比学习稳定学习

来源：评论

学校读者我要写书评

暂无评论

带有工况中心修正的多模型在线建模

引用

控制理论与应用 2013年第6期30卷 773-780页

作者：丛秋梅苑明哲柴天佑王宏中国科学院沈阳自动化研究所信息服务与智能控制技术研究室辽宁沈阳110016 辽宁石油化工大学信息与控制工程学院辽宁抚顺113001 东北大学自动化研究中心辽宁沈阳110819 东北大学流程工业综合自动化国家重点实验室辽宁沈阳110819 沈阳中科博微自动化有限公司辽宁沈阳110179

针对运行工况频繁波动、单一模型难以描述过程特性的问题,提出了带有工况中心修正的多模型在线建模方案,包括工况识别机制、局部模型、多模型合成机制.工况识别机制根据工况特征变量分析工况范围,由相近度修正工况中心;局部模型采用Hamm... 详细信息

针对运行工况频繁波动、单一模型难以描述过程特性的问题,提出了带有工况中心修正的多模型在线建模方案,包括工况识别机制、局部模型、多模型合成机制.工况识别机制根据工况特征变量分析工况范围,由相近度修正工况中心;局部模型采用Hammerstein模型,非线性增益由带有稳定学习算法的小波神经网络建立,线性模型由带控制量的自回归模型(ARX)建立;多模型合成机制采用加权求和方法.在线修正工况中心可反映工况的时间变化特性,参数稳定学习算法改善了模型精度和自适应能力.采用此方法建立污水处理过程化学需氧量(COD)软测量模型,结果表明,模型在工况大范围变化时仍具有满意预测效果.

关键词：工况多模型建模稳定学习污水处理过程

来源：评论

学校读者我要写书评

暂无评论

基于稳定Hammerstein模型的在线软测量建模方法及应用

引用

化工学报 2015年第4期66卷 1380-1387页

作者：丛秋梅苑明哲王宏辽宁石油化工大学信息与控制工程学院辽宁抚顺113001 中国科学院沈阳自动化研究所信息服务与智能控制技术研究室辽宁沈阳110016 中国科学院院重点实验室网络化控制系统重点实验室辽宁沈阳110016 沈阳中科博微自动化有限公司辽宁沈阳110179

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部... 详细信息

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。

关键词： Hammerstein模型在线建模软测量预测稳定学习污水处理过程稳定性

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：