基于不均衡数据与迁移学习的面部微表情识别

针对面部微表情识别研究中各类别数量不均衡造成的数据不均衡问题,文章采用端到端的深度学习方法,利用迁移学习将基于深度卷积神经网络的人脸识别模型VGGFace从人脸识别领域迁移到面部表情识别领域,并引入聚焦损失函数作为目标函数来降低数据不均衡的影响。对不均衡数据集(CASME II)进行的对比实验结果表明,采用端到端的深度学习方法自动提取特征的效果更好,微表情识别的准确率和F1值更高。

基于GrC-NN和DS证据理论的电动汽车故障诊断

文章针对电动汽车故障数据庞杂、非线性的问题,提出了一种基于粒计算神经网络(granular computation-neural network,GrC-NN)和Dempster-Shafer(DS)证据理论的电动汽车故障诊断方法。该方法采用GrC对电动汽车故障信息进行属性约简,使用约简后的样本训练反向传播(back propagation,BP)神经网络与径向基函数(radial basis function,RBF)神经网络,并将测试数据输入到神经网络中分别进行初步诊断,最后利用DS证据理论对初步诊断结果进行决策级融合,得到最终诊断结果。仿真结果表明,该方法能有效简化神经网络结构,提高电动汽车故障诊断的准确度。

基于FRFT的Wigner-Ville分布交叉项抑制方法

针对多分量线性调频信号的魏格纳-维尔分布(Wigner-Ville Distribution,WVD)交叉项干扰问题,提出一种抑制交叉项的方法。该方法利用分数阶傅里叶变换(Fractional Fourier Transform,FRFT)在最佳FRFT域中对给定的线性调频信号具有最好的能量聚集性,将多分量线性调频信号在FRFT域上分解为若干个单分量信号,线性叠加单分量信号的WVD,从而达到抑制交叉项的效果。此外,当多分量线性调频信号为周期信号时周期间存在干扰,进一步提出了在基于FRFT的WVD交叉项抑制方法中增加周期遮蔽处理。仿真结果表明,在保持较高的时频分辨率时,该方法能够有效抑制交叉项,并且有一定的抗噪声能力。

不该发生的事

今天是星期六,我和妈妈去一个超市买东西。 路上,我看见一位阿姨突然对一位农村大姐大声骂道:“我这个皮包是三百多元钱买的,湿了你能赔(péi)得起码?”原来。