城门:一座城记忆开始的地方——关东海城门系列

建筑,一种特殊的语言,不同于任何其他的文化。城门,一座城的记忆从这里开始。瑞典学者喜仁龙曾对北京的城墙和城门做过形象的比喻：＂如果我们把它（北京城）比作一个巨人的身躯,

关东海玻璃艺术作品

关东海 1989年在中央工艺美术学院获学士学位，1997年在中央工艺美术学院获硕士学位．2003年在英国胡佛汉顿大学获玻璃艺术硕士学位。现为清华大学美术学院工艺美术系副教授．玻璃艺术工作室主任。

基于softmax的加权Double Q-Learning算法

强化学习作为机器学习的一个分支,用于描述和解决智能体在与环境的交互过程中,通过学习策略以达成回报最大化的问题。Q-Learning作为无模型强化学习的经典方法,存在过估计引起的最大化偏差问题,并且在环境中奖励存在噪声时表现不佳。Double Q-Learning(DQL)的出现解决了过估计问题,但同时造成了低估问题。为解决以上算法的高低估问题,提出了基于softmax的加权Q-Learning算法,并将其与DQL相结合,提出了一种新的基于softmax的加权Double Q-Learning算法(WDQL-Softmax)。该算法基于加权双估计器的构造,对样本期望值进行softmax操作得到权重,使用权重估计动作价值,有效平衡对动作价值的高估和低估问题,使估计值更加接近理论值。实验结果表明,在离散动作空间中,相比于Q-Learning算法、DQL算法和WDQL算法,WDQL-Softmax算法的收敛速度更快且估计值与理论值的误差更小。

基于主动学习和二次有理核的模型无关局部解释方法

深度学习模型的广泛使用,在更大程度上使人们意识到模型的决策是亟需解决的问题,复杂难以解释的黑盒模型阻碍了算法在实际场景中部署。LIME作为最流行的局部解释方法,生成的扰动数据却具有不稳定性,导致最终的解释产生偏差。针对上述问题,提出了一种基于主动学习和二次有理核的模型无关局部解释方法ActiveLIME,使得局部解释模型更加忠于原始分类器。ActiveLIME生成扰动数据后,通过主动学习的查询策略对扰动数据进行采样,筛选不确定性高的扰动集训练,使用迭代过程中准确度最高的局部模型对感兴趣实例生成解释。并且,针对容易陷入局部过拟合的高维稀疏样本,在模型损失函数中引入了二次有理核来减少过拟合。实验结果表明,所提出的ActiveLIME方法引比传统局部解释方法具有更高的局部保真度和解释质量。

基于早期时间序列分类的可解释实时机动识别算法

战斗机机动识别是判断战斗机战术意图的基础,然而现有的机动识别方法实时性不强且不具有可解释性,无法满足空战中对实时性的要求且不利于人机互信。设计基于早期时间序列分类的实时机动识别算法,将完整机动切分为机动单元,使用集成学习算法对机动单元进行识别并实时监控,以满足实时性要求并获得高识别精度。算法使用可解释模型,通过特征贡献度进行模型解释,使模型更透明从而降低空战决策者的决策风险。选择盘旋、斤斗等9种不同机动动作进行仿真实验,结果表明:在完整机动动作执行到20%时,所提算法即可识别其机动类别,识别准确率可达93%。

基于Multivariate BiLSTM-FCNs的机动实时识别方法

机动的实时、准确识别对飞行员意图识别、空战态势感知具有重要意义。提出了将完整机动划分为若干机动单元,采用基于Multivariate BiLSTM-FCNs的方法自动提取并分析机动单元数据内部的时序特征和依赖关系,实现对机动单元的精确识别。然后通过机动单元窗口过滤噪声机动单元,实时监测机动是否执行或发生变化,实现机动单元到完整机动的实时识别。通过仿真实验识别了筋斗、盘旋、俯冲、爬升和破S机动。实验结果表明,在平均识别延迟率仅为26.19%的情况下,机动识别准确率高达96.67%。

强化学习驱动的海战场多智能体协同作战仿真算法

未来海战场形势瞬息万变,亟需依托人工智能技术实现对海战场环境的高质量作战仿真,以全面优化和提升我军战斗力,达成克敌制胜的目的。作战单元的协同合作是实现海战场作战仿真的关键环节,如何实现多智能体之间的均衡决策是作战仿真首要解决的问题。基于解耦的优先经验回放机制和注意力机制,提出强化学习驱动的多智能体协同作战仿真算法(multi-agent reinforcement learning-based cooperative combat simulation,MARL-CCSA)。在MARL-CCSA基础上,利用专家经验,设计一种多尺度奖励函数,并基于此函数构建一个海战场作战仿真环境,使MARL-CCSA在此环境中训练易于收敛。设计想定进行仿真实验,并与其他算法的效果进行对比,验证MARL-CCSA的可行性与实用性。

基于多模态特征融合的时间序列异常检测

多元时间序列的有效异常检测对于数据的分析挖掘具有重要意义。然而,已有的检测方法大多基于单模态,不能有效利用时间序列在多模态空间中的分布信息,对于多模态特征缺乏自适应融合方式且难以提取其时空依赖关系。为此,提出了一种多模态特征融合的时间序列异常检测方法,建立了一个多模态特征自适应融合模块,通过一维卷积网络和软选择方式对多元时间序列的多模态特征进行自适应融合。对于融合后的多模态特征,构建由时间注意力和空间注意力组成的时空注意力模块,同时提取其时间和空间依赖关系得到时空注意力向量,由时空注意力向量得到模型预测结果。通过学习正常样本分布,根据预测值与真实值的误差度量实现异常检测。在4个公开数据集上进行测试,结果表明,所提方法优于其他模型,证明了所提方法的有效性。

基于时空注意力机制的多元时间序列异常检测

物联网系统被广泛应用于各种基础设施,系统中涉及许多相互连接的传感器,这些传感器产生大量的多元时间序列数据。由于物联网系统容易遭受网络攻击,多元时间序列异常检测方法被用于及时监测系统中发生的异常,这对于保障系统安全至关重要。然而,由于高维传感器数据关系复杂,现有的大多数异常检测方法难以明确学习多元时间序列的相关性,导致异常检测的准确率较低。因此,提出一种基于时空注意力机制的多元时间序列异常检测方法(STA)。首先,以图形结构的形式学习传感器间的关系,再使用多跳图注意力网络为图中每个传感器节点的多跳邻居节点分配不同的注意力权重,用于捕捉序列的空间相关性。其次,采用基于长短时间记忆网络的时间注意力机制自适应地选择相应的时间序列,用于学习序列的时间相关性。在4个真实世界传感器数据集上的实验结果表明,STA可以比基线方法更准确地检验时间序列中的异常,其F 1分数分别优于最佳基线31.03%,14.29%,15.91%和21.74%。此外,消融实验和灵敏度分析验证了模型中的关键组件的有效性。总的来说,STA可以有效捕捉多元时间序列中的空间和时间相关性,提高模型的异常检测性能。

不平衡小样本基于局部域对抗适应网络的发动机振动预测模型

在发动机振动预测中,实际装配数据样本量小且类别不平衡,难以直接建立有效的预测模型。迁移学习方法能够通过迁移源域知识来提高目标域模型性能,为此,本文提出了基于局部域对抗适应网络的发动机振动预测模型。将领域按标签分为多个局部域,通过多个局部域对抗适应网络将目标域样本映射到源域,保证小样本中的少数类得到正确迁移。并通过伪标签来解决目标样本的域转换,使用源域分类器给出可靠的预测结果。本文在多个真实数据集上验证了所提方法的有效性和泛化性,与其他方法相比,振动预测准确率能够平均提升15%左右。

一种竞争自编码器的半监督异常检测方法

大多传统的无监督和有监督算法在异常检测上需要预先定义阈值,但很难找到最佳阈值,为解决这一问题,提出一种无阈值的半监督竞争学习模型用于时间序列的异常检测.该模型使用长短期记忆神经网络(LSTM)设计了一种竞争机制的自动编码器,有一个编码器和两个解码器,使用正常数据和未标记数据进行训练,正常数据用来训练正常解码器,对于未标记数据送入两个解码器当中,通过重构误差的大小来选择解码器.该结构具有良好的判别性能,不需要对其设定阈值.实验结果表明,该模型在对异常样本的召回率和F1分数都高于传统的自编码器模型.所以,该半监督竞争学习模型在时间序列的异常检测上是有效的.

融合CNN和二进制生成对抗网络的多元时间序列检索

多元时间序列在日常生活中普遍存在,给定当前的时间序列片段,如何高效且精确地从历史时间片段中找出其相似的时间片段极为重要.本文提出了一种全新的基于CNN和深度非监督二进制生成对抗网络(UCBGAN)来进行多元时间序列检索,它可以有效地获取多元时间序列的二进制表示.该网络由3部分构成—一个解码器,一个编码器和一个鉴别器,其中鉴别器和编码器除了最后一层外,共享参数.此外,本文引入了时序相似矩阵,通过构建时序相似矩阵,能进一步提高二进制编码的可鉴别性.在训练过程中,本文引入了对抗损失,相似对损失和重构损失.在多个数据集上的实验结果表明,该方法能有效提高多元时间序列检索的准确度.所以,该方法对于多元时间序列检索是有效的.

基于梯度结构的图神经网络对抗攻击

图神经网络在半监督节点分类任务中取得了显著的性能.研究表明,图神经网络容易受到干扰,因此目前已有研究涉及图神经网络的对抗鲁棒性.然而,基于梯度的攻击不能保证最优的扰动.提出了一种基于梯度和结构的对抗性攻击方法,增强了基于梯度的扰动.该方法首先利用训练损失的一阶优化生成候选扰动集,然后对候选集进行相似性评估,根据评估结果排序并选择固定预算的修改以实现攻击.通过在5个数据集上进行半监督节点分类任务来评估所提出的攻击方法.实验结果表明,在仅执行少量扰动的情况下,节点分类精度显著下降,明显优于现有攻击方法.

塔里木河下游胡杨林耗水数值模型

基于SHAW(Simultaneous Heat and Water)模型,以基本观测要素、植被参数和土壤剖面水热观测数据为模型的输入,对河岸胡杨林的耗水过程、土壤剖面水分变化和能通量进行了较小时间尺度上的模拟研究。结果表明,采用SHAW模型模拟的胡杨耗水量与观测值间存在较大偏差。因此,为了进一步提升水热耦合SHAW模型在干旱区的实用性,引入了地下水位因子GSI(Groundwater-Soil water Interaction),建立了改进的SHAW(GSI-SHAW)模型,解决干旱区荒漠河岸林耗水过程模拟的方法问题。采用SHAW模型和GSI-SHAW模型对胡杨耗水量的模拟进行了对比研究。结果显示,SHAW模型和GSI-SHAW模型模拟的胡杨耗水量与观测值的相关性系数分别为0.853 3、0.907 5,其平均相对误差分别为21.4%、16.9%,可见,改进的SHAW模型的模拟值更加接近试验观测值。地下水位的考虑一定程度上提升了传统SHAW模型的模拟精度,为干旱区自然植被耗水量的计算提供了新的方法和科学依据。

修正温度法计算农作物蒸散量ET_0研究

作物腾散量是农业灌溉管理方面最主要参数。目前确定作物腾散量的方法很多,根据新疆维吾尔自治区21个典型气象站1981～2000年的20年月平均气象资料运用FAOPenman-Monteith法(1990)与温度法进行计算和系统对比分析,结果表明二方法具有较好的相关性,样本总数为126个,相关系数为0.925。通过验证误差在允许的范围之内。因此为今后灌溉管理和产量评估提供了较为简便实用的模型。

环境因子对胡杨树干液流动态的影响

[目的]分析胡杨生长期内各环境因子对树干液流速率的影响程度,为干旱区自然植被耗水量的计算提供了新的方法和科学依据。[方法]对塔里木河下游2012单木胡杨整个生长季内树干液流以及空气温度、风速、有效光合辐射强度、空气湿度、土壤温湿度等环境因子进行连续观测。[结果]胡杨在整个生长季内的液流呈单峰波动曲线,有明显的昼夜变化规律;在生长期内,不同的观测尺度下,影响胡杨液流速率的环境因子不同。回归分析结果表明,对于瞬时液流流速,相关性较大的环境因子主要是大气温度、10cm深处的土壤温度;对于日液流量,主要影响因子为太阳净辐射;对于月液流量,主要影响因子为大气温度和太阳净辐射。[结论]研究区内胡杨生长受大气温度和太阳净辐射影响程度较其他因素大,并且回归方程具有很高的拟合精度。

和田绿洲气温与相对湿度的GM(1,1)预测模型

利用1954-2002年的观测资料对和田地区影响蒸发能力的主要因素———平均气温与相对湿度建立了GM(1,1)模型,得到了比较满意的预测结果,对研究该地区蒸发能力的变化和中长期预测预报具有一定参考价值。

新疆和田地下水水化学成分特征灰关联分析

依据新疆和田地区55处地下水水样的水质化验数据,应用关联分析与相关分析相结合的分析方法,分析了地下水样中几种成分与总硬度、总碱度、电导率及矿化度4个指标之间的关系。结果表明,总硬度变化主要受Mg2+影响,水中HCO3-含量与总碱度关系密切,电导率主要受Cl-影响,SO42-与Cl-对矿化度有较大影响。再通过相关分析,发现它们之间线性相关性较好。

和田子项目区地下水水化学分析及利用对策

利用逐步回归分析法分析了和田子项目区地下水中电导率、总硬度、总碱度、矿化度相互之间及与其它离子的关系,通过点绘各因素两两之间的关系图进行人工分析,以对逐步回归分析法的结果进行修正,使其更符合客观实际,从而得到一种快速确定以上四种指标的方法。分析结果表明:子项目区地下水中总硬度与Mg2+关系良好,矿化度、K+&Na+、电导率、Cl-之间存在相当好的线性关系。并对地下水开发利用和土壤治理对策提出了建议。