一些近似开集的等价性质

利用拓扑空间中的内部、闭包、半内部、半闭包等算子,给出了正则开集、准开集、半准开集、β开集、半正则半开集、正则半开集等一些近似开集的等价性质.

局部一致性主动学习的源域无关开集域自适应

无监督域自适应在解决训练集(源域)和测试集(目标域)分布不一致的问题上已经取得了一定的成功.在面向低能耗场景和开放动态任务环境时,在资源约束和开放类别出现的情况下,现有的无监督域自适应方法面临着严峻的挑战.源域无关开集域自适应(SF-ODA)旨在将源域模型中的知识迁移到开放类出现的无标签目标域,从而在无源域数据资源的限制下辨别公共类和检测开放类.现有的源域无关开集域自适应的方法聚焦于设计准确检测开放类别的源域模型或增改模型的结构.但是,这些方法不仅需要额外的存储空间和训练开销,而且在严格的隐私保护场景下难以实现.提出了一个更加实际的场景:主动学习的源域无关开集域自适应(ASF-ODA),目标是基于一个普通训练的源域模型和少量专家标注的有价值的目标域样本来实现鲁棒的迁移.为了达成此目标,提出了局部一致性主动学习(LCAL)算法.首先,利用目标域中局部特征标签一致的特点,LCAL设计了一种新的主动选择方法:局部多样性选择,来挑选更有价值的阈值模糊样本来促进开放类和公共类分离.接着,LCAL基于信息熵初步筛选出潜在的公共类集合和开放类集合,并利用第一步得到的主动标注样本对这两个集合进行匹配纠正,得到两个对应的可信集合.最后,LCAL引入开集损失和信息最大化损失来进一步促使公共类和开放类分离,引入交叉熵损失来实现公共类的辨别.在Office-31、Office-Home和VisDA-C这3个公开的基准数据集上的大量实验表明:在少量有价值的目标域样本的帮助下,LCAL不仅显著优于现有的源域无关开集域自适应方法,还大幅度超过了现有的主动学习方法的表现,在某些迁移任务上可以提升20%.

结合未知类特征生成与分类得分修正的SAR目标开集识别方法

现有合成孔径雷达(SAR)目标识别方法大多局限于闭集假定,即认为训练模板库内训练目标类别包含全部待测目标类别,不适用于库内已知类和库外未知新类目标共存的真实开放识别环境。针对训练模板库目标类别非完备情况下的SAR目标识别问题,该文提出一种结合未知类特征生成与分类得分修正的SAR目标开集识别方法。该方法在利用已知类学习原型网络保证已知类识别精度的基础上结合对潜在未知类特征分布的先验认知,生成未知类特征更新网络,进一步保证特征空间中已知类、未知类特征的鉴别性。原型网络更新完成后,所提方法挑选各已知类边界特征,并计算边界特征到各自类原型的距离(极大距离),通过极值理论对各已知类极大距离进行概率拟合确定了各已知类最大分布区域。测试阶段在度量待测样本特征与各已知类原型距离预测闭集分类得分的基础上,计算了各距离在对应已知类极大距离分布上的概率,并修正闭集分类得分,实现了拒判概率的自动确定。基于MSTAR实测数据集的实验结果表明,所提方法能够有效表征真实未知类特征分布并提升网络特征空间已知类与未知类特征的鉴别性,可同时实现对库内已知类目标的准确识别和对库外未知类新目标的准确拒判。

基于YOLO-OpenMax的水声通信信号开集识别方法

水声通信信号调制方式随着技术进步从典型的传统调制方式发展为水声通信机厂商私有开发的新型调制方式,这使得现有的水声通信信号闭集调制识别技术实用性受到制约,但现阶段鲜有研究基于深度学习的水声通信信号调制方式的开集识别方法。针对此现状,提出一种基于YOLO图像检测识别网络和OpenMax模型的开集识别方法。利用YOLOv5网络的输出特点,将传统OpenMax模型的处理方法进行改进,提出一种两步测试方法,实现了在多径信道下的水声通信信号的开集识别。仿真实验表明:在归一化系数为0.5,信噪比等于10 dB条件下的归一化开集识别准确率达到90%以上,实测数据同样验证了本文方法的有效性。

基于GANomaly的水声通信信号调制方式开集识别

针对水声通信信号调制方式的开集识别问题,提出了一种基于GANomaly的新型开集识别方法。GANomaly网络模型结合了生成对抗网络(GAN)的生成能力和异常检测技术的判别能力,通过对抗训练,重构调制信号的时频特征并确定误差阈值,进而有效地区分已知和未知的调制方式。在信噪比>8 dB的条件下进行的仿真实验显示,该方法对已知调制方式信号的识别率均超过了86.00%,对未知调制方式信号的识别率超过了80.00%。仿真实验结果验证了所提方法对未知调制方式的有效识别能力,为水声通信领域开集识别问题提供了新的解决思路。

改进模糊推理分类器进行木材树种近红外光谱开集分类识别研究

开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。

拓扑空间中的强半开集

从一个新的角度引入了拓扑空间中的拟半开集、次强半开集、强半开集等概念,对这些概念之间的关系及其性质进行了讨论.

采用自适应预筛选的遥感图像目标开集检测研究

开放动态环境下目标类别不断丰富,遥感目标检测问题不能局限于已知类目标的鉴别,还需要对未知类目标做出有效判决。该文设计一种基于自适应预筛选的遥感开集目标检测网络,首先,提出面向目标候选框的自适应预筛选模块,依据筛选出的候选框坐标得到具有丰富语义信息和空间特征的查询传递至解码器。然后,结合原始图像中目标边缘信息提出一种伪标签选取方法,并以开集判决为目的构造损失函数,提高网络对未知新类特征的学习能力。最后,采用MAR20飞机目标识别数据集模拟不同的开放动态遥感目标检测环境,通过广泛的对比实验和消融实验,验证了该文方法能够实现对已知类目标的可靠检测和未知类目标的有效检出。

q-开集及其性质

给出了q -开集的定义及其相应性质 ,讨论q-开集同半开集、准开集 ,α -集之间的关系 .

面向开集识别的稳健测试时适应方法

开集识别旨在研究测试阶段突现未见类别对于机器学习模型的挑战,以期学习模型既能分类已见类别又可识别/拒绝未见类别,是确保机器学习模型能够在开放世界中高效稳健部署的重要技术.既有开集识别技术通常假设已见类别的协变量分布在训练与测试阶段维持不变.然而在实际场景中,类别的协变量分布常不断变化.直接利用既有技术不再奏效,其性能甚至劣于基线方案.因此,亟需研究新型开集识别方法,使其能不断适应协变量分布偏移,以期模型在测试阶段既能稳健分类已见类别又可识别未见类别.将此新问题设置命名为开放世界适应问题(AOW),并提出了一种开放测试时适应方法(OTA).该方法基于无标注测试数据优化自适应熵损失与开集熵损失更新模型,维持对已见类的既有判别能力,同时增强了识别未见类的能力.大量实验分析表明,该方法在多组基准数据集、多组不同协变量偏移程度下均稳健地优于现有先进的开集识别方法.

(α,β)-γ开集与(α,β)-γ-T_i空间（英文）

本文首先给出(α,β)-γ开集定义,获得了(α,β)-γ开集性质;然后引入了(α,β)-γ-Ti空间和(α,β)-γ-T*i空间概念(i=0,1/2,1,2,5/2),并得到它们更广泛的拓扑性质.

基于EfficientNet-WGANomaly的雷达辐射源个体开集识别

现代战场电磁环境日趋复杂,辐射源种类繁多,传统闭集环境下雷达辐射源的识别方法应用于开集环境上识别精度较低、鲁棒性较差。为了有效解决辐射源个体开集识别问题,提高辐射源个体识别的精度,借鉴图像异常检测的思想,提出了基于EfficientNet-WGANomaly的雷达辐射源个体开集识别方法。采用短时傅里叶变换对雷达辐射源信号进行时频特征转换,将一维信号数据转换成二维时频图,利用EfficientNet-WGANomaly模型对二维时频图进行特征重构和图像重构,未知信号重构前后的特征及图像差异性较大,利用图像异常检测的差异性区分已知信号和未知信号,并对已知信号进行个体识别。仿真实验表明,提出的方法有效解决了雷达辐射源个体开集识别的问题。

关于L-Fuzzy半开集的一点注记

针对LF半开集(我们称其为LF-r半开集)作了进一步的研究,得出通常的LF半开集与LF-r半开集互不蕴含及在满层的LF拓扑空间中,LF半开集是LF-弱r半开集等结果。

开集环境中基于增量学习的网络流量分类研究

面对网络流量新类别不断涌现的挑战,以及随之而来的开集识别和模型更新需求,文章提出了一种基于增量学习的开集网络流量分类方法。对于开集识别,支持向量机和K均值聚类算法的级联结构可以持续识别新类和已知类;对于模型更新,基于候选支持向量筛选的“样本回放”和新旧模型加权融合的“参数回放”方法,能有效解决“有类增量的灾难性遗忘”问题。与ISK和DACS方法相比,该方法应用在开集流量识别和分类任务中表现出显著优势,F1分数能提高1百分点至8百分点,分类速度也优于现有方法。

基于超球面三元组编码的干扰模式开集识别

干扰模式识别是现代军事通信对抗中必不可少的一环,随着复杂电磁环境当中各种新型恶意干扰样式层出不穷,对于未知型干扰的判决也变得愈发重要。因此,要求干扰模式识别算法保持对于已知型干扰高精度识别的同时,也能够完成对于未知型干扰的判决,以排除未知型恶意干扰的影响。基于此,该文将未知型干扰存在时的干扰模式识别问题建模为开集识别问题,并提出一种基于超球面3元组编码的干扰模式开集识别方法。所提方法基于超球面3元组对输入的时频图像进行降维编码以提高识别精度,然后采用元识别分类器准确地完成干扰模式开集识别任务。通过仿真试验证明该算法在干信比大于–2 dB时能够高效地完成开放空间中的干扰模式识别任务。

基于对抗互易点学习的无人机通信干扰开集识别方法

无人机通信由于空对地无线信道的开放性,易受到各种有源或无源的物理层干扰,这些干扰会严重影响无人机通信的性能,导致无人机通信质量下降甚至通信中断等问题。因此,为保障无人机在复杂环境下能实现安全可靠的通信,对各类干扰的有效检测和精准识别尤为重要。传统的无人机通信干扰识别方法通常考虑闭集干扰场景的假设,即只能识别训练过程中使用过的干扰模式,而难以有效判断新出现的未知干扰模式。然而,在实际复杂电磁环境中,由于无法事先获知所有可能的干扰模式,无人机通信系统需要同时应对已知和未知的干扰,即面临开集干扰场景。为此,本文提出了一种基于对抗互易点学习的无人机通信干扰开集识别方法。首先设计了基于残差神经网络(ResNet)的对抗互易点学习框架,以从I/Q数据中有效地提取干扰特征,并确保已知和未知干扰类在特征空间中的良好分离。接着,考虑到在不同干信比和不同干扰信号的特征分布的差异性,设计了联合自适应阈值开集分类器,实现对已知和未知干扰模式的准确识别。为验证所提方法的有效性,考虑无人机空对地通信的多种因素,并基于双射线传播模型生成了一个无人机通信干扰数据集。仿真结果表明,所提方法在不同干信比情况下识别性能均优于基线方法,在干信比为10 dB时,达到了88.1%的归一化识别精度,实现了对无人机通信干扰的有效开集识别。

基于改进EVM的雷达PRI调制类型开集识别

雷达脉冲重复间隔(PRI)的调制类型是分析雷达工作状态和任务的重要手段。针对常见PRI调制类型识别算法无法识别未知调制类型的问题,文中提出一种基于改进极值机(EVM)的雷达PRI调制类型开集识别方法。首先,采用残差-双向长短时记忆网络进行PRI序列的特征提取;其次,结合原型学习,利用基于距离的交叉熵损失和原型损失对特征提取网络进行训练;最后,在特征空间中引入已知类特征的线性组合以模仿未知类的行为,提出了改进的EVM模型。实验结果表明,与EVM相比,文中所提方法能够提升雷达PRI调制类型的识别准确率,且在开放的电磁环境下具有良好的开集适应性。

关于半预开集的一个注记

研究了半预开集的一些性质,给出了半预开集的一个刻画。证明了对于半预开集A,(T_A)~α=(T~α)_A成立。给出了拓扑空间中任意子集的一种分解,并证明了一个拓扑是α-拓扑的充分必要是对任意子集A,(T_A)~α=(T~α)_A成立。

多算子开集与[α,β]-γ-Ti空间

基于双算子开集给出多算子开集的概念,并获得了[α,β]-γ-开集的相关性质,然后引入[α,β]-γ-Ti空间的概念(i=0,1/2,1,2,5/2),研究了它们的拓扑刻画。最后给出[α,β]-γ-Ti空间与(α,β)-γ-Ti空间之间的关系。

开集场景下基于多重高斯残差原型网络的辐射源个体识别

为解决开集场景下未知辐射源的个体识别算法鲁棒性较低、识别性能不高的问题,结合残差网络和多重高斯原型学习基本思想,提出多重高斯残差原型网络,对信号的灰度矢量图进行识别。通过生成约束,同一类别的潜在特征会紧密聚集在与之对应的高斯原型周围,增加未知类样本的存储空间;判别约束则是将不同类别的高斯原型分离开来,增加不同类别高斯原型之间的距离,提高对已知类别的分类判别能力。实验结果表明,所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能,尤其是在开集场景下,其AUC值较对比算法分别提升0.207和0.221,进一步表明所提网络模型具有较好的识别分类能力。