卷积神经网络的可解释性研究综述

神经网络模型性能日益强大,被广泛应用于解决各类计算机相关任务,并表现出非常优秀的能力,但人类对神经网络模型的运行机制却并不完全理解.针对神经网络可解释性的研究进行了梳理和汇总,就模型可解释性研究的定义、必要性、分类、评估等方面进行了详细的讨论.从解释算法的关注点出发,提出一种神经网络可解释算法的新型分类方法,为理解神经网络提供一个全新的视角.根据提出的新型分类方法对当前卷积神经网络的可解释方法进行梳理,并对不同类别解释算法的特点进行分析和比较.同时,介绍了常见可解释算法的评估原则和评估方法.对可解释神经网络的研究方向与应用进行概述.就可解释神经网络面临的挑战进行阐述,并针对这些挑战给出可能的解决方向.

股票价格的一种线性分形预测方法

主要研究股票价格的变化规律及对其未来价格的预测方法．通过对股票市场价格进行小波分析，发现股票价格的变化服从自相似性，并且满足某种拟周期性．而自相似是分形的一个重要特征，就可将股票价格的变化作为分形来进行研究．利用这一结论，找出了股票价格变化的线性分形插值函数，并提出一种线性分形预测方法来对股票价格进行预测．在数值试验中，对四川长虹的股票价格进行了分析，利用上述线性分形预测方法进行预测，得到了一些令人满意的结果，说明该方法是可行的．

智能化软件新技术专刊前言

智能化软件新技术是使用人工智能与机器学习技术辅助软件工程的新兴技术.近年来以深度学习为代表的人工智能技术飞速发展,在计算机科学的各个领域中都开始发挥重要作用.随着软件工程领域对数据积累的重视,人工智能技术在软件开发过程中的应用也逐渐增加.利用人工智能技术辅助软件工程中的代码编写、纠错、测试等具体工作,可以大量节省人工劳动,提升软件开发效率.将人工智能技术更好地与软件工程的各个环节相结合,进一步提升软件开发过程的自动化、智能化程度,是智能化软件新技术研究的主要关注点.

自组织增量学习神经网络综述

自组织增量学习神经网络SOINN(self-organizing incremental neural network)是一种基于竞争学习的两层神经网络,用于在没有先验知识的情况下对动态输入数据进行在线聚类和拓扑表示,同时,对噪音数据具有较强的鲁棒性.SOINN的增量性,使得它能够发现数据流中出现的新模式并进行学习,同时不影响之前学习的结果.因此,SOINN能够作为一种通用的学习算法应用于各类非监督学习问题中.对SOINN的模型和算法进行相应的调整,可以使其适用于监督学习、联想记忆、基于模式的推理、流形学习等多种学习场景中.SOINN已经在许多领域得到了应用,包括机器人智能、计算机视觉、专家系统、异常检测等.

股价指数时间序列的分形性质分析

用一种新的信号处理工具—小波变换 ,对股价指数数据进行分析 ,发现股价指数数据类似于一类更广的噪声—分形噪声 ,从而推广了传统上处理股价指数时间序列时总假定其为白噪声或高斯噪声的假设 ,用分形噪声能更好地刻划股价指数数据的波动特性 .对上证指数和深证指数的实证分析显示 ,两市股价指数均存在正相关 ,我国股票市场不是弱式有效市场 .

融合人工智能专业知识的程序设计课程建设

针对人工智能现有课程体系中相关课程开设较晚的现状,分析人工智能和程序设计课程的教学现状和关联性,探讨在低年级教学中将程序设计课程和人工智能专业内容相结合的可能性,以南京大学人工智能学院的相关课程为例,介绍课程建设和教学实践过程,以期提升人工智能人才培养的针对性,为相关课程教学提供参考。

小样本困境下的深度学习图像识别综述

图像识别是图像研究领域的核心问题,解决图像识别问题对人脸识别、自动驾驶、机器人等各领域研究都有重要意义.目前广泛使用的基于深度神经网络的机器学习方法,已经在鸟类分类、人脸识别、日常物品分类等图像识别数据集上达到了超过人类的水平,同时越来越多的工业界应用开始考虑基于深度神经网络的方法,以完成一系列图像识别业务.但是深度学习方法极度依赖大规模标注数据,这一缺陷极大地限制了深度学习方法在实际图像识别任务中的应用.针对这一问题,越来越多的研究者开始研究如何基于少量的图像识别标注样本来训练识别模型.为了更好地理解基于少量标注样本的图像识别问题,广泛地讨论了几种图像识别领域主流的少量标注学习方法,包括基于数据增强的方法、基于迁移学习的方法以及基于元学习的方法,通过讨论不同算法的流程以及核心思想,可以清晰地看到现有方法在解决少量标注的图像识别问题上的优点和不足.最后针对现有方法的局限性,指出了小样本图像识别未来的研究方向.

序列数据的数据增强方法综述

为了追求精度,深度学习模型框架的结构越来越复杂,网络越来越深。参数量的增加意味着训练模型需要更多的数据。然而人工标注数据的成本是高昂的,且受客观原因所限,实际应用时可能难以获得特定领域的数据,数据不足问题非常常见。数据增强通过人为地生成新的数据增加数据量来缓解这一问题。数据增强方法在计算机视觉领域大放异彩,让人们开始关注类似方法能否应用在序列数据上。除了翻转、裁剪等在时间域进行增强的方法外,也描述了在频率域实现数据增强的方法;除了人们基于经验或知识而设计的方法以外,对一系列基于GAN的通过机器学习模型自动生成数据的方法也进行了详细的论述。介绍了应用在自然语言文本、音频信号和时间序列等多种序列数据上的数据增强方法,亦有涉及它们在医疗诊断、情绪判断等问题上的表现。尽管数据类型不同,但总结了应用在这些类型上的数据增强方法背后的相似的设计思路。以这一思路为线索,梳理应用在各类序列数据类型上的多种数据增强方法,并进行了一定的讨论和展望。

基于自组织增量学习神经网络的信息融合技术

针对传统神经网络在实际信息融合过程中存在的一些缺陷,提出一种基于自组织增量学习神经网络(self-organizing incremental neural network,SOINN)的信息融合方法。对不同类型传感器接收到的异构数据,使用增量式正交分量分析(incremental orthogonal component analysis,IOCA)方法进行数据自适应降维和特征提取,将提取出的不同类型特征输入到SOINN中,根据不同数据类型生成相应的神经元连接区域,建立神经区域间的联想记忆,从而实现在数据层、特征层以及决策层3个层面上的信息融合。实验结果表明:该方法能够实现对机器人传感器采集到的多源异构数据进行自适应降维和自组织学习,形成机器人的决策判断和行为指令。

一种自适应在线核密度估计方法

给定一组观察数据,估计其潜在的概率密度函数是统计学中的一项基本任务,被称为密度估计问题.随着数据收集技术的发展,出现了大量的实时流式数据,其特点是数据量大,数据产生速度快,并且数据的潜在分布也可能随着时间而发生变化,对这类数据分布的估计也成为亟待解决的问题.然而,在传统的密度估计算法中,参数式算法因为有较强的模型假设导致其表达能力有限,非参数式算法虽然具有更好的表达能力,但其计算复杂度通常很高.因此,它们都无法很好地应用于这种流式数据的场景.通过分析基于竞争学习的学习过程,提出了一种在线密度估计算法来完成流式数据上的密度估计任务,并且分析了其与高斯混合模型之间的密切联系.最后,将所提算法与现有的密度估计算法进行对比实验.实验结果表明,与现有的在线密度估计算法相比,所提算法能够取得更好的估计结果,并且能够基本上达到当前最好的离线密度估计算法的估计性能.