双注意力随机选择全局上下文细粒度识别网络

针对细粒度图像识别任务中易忽视微小潜在性特征且外观差异细微等问题,提出一种基于双注意力随机选择全局上下文细粒度识别网络。首先,使用ConvNeXt作为主干网络,提出双注意力随机选择模块,对不同阶段提取到的特征进行通道随机选择和空间随机选择,使网络能够关注到其他潜在微小判别性特征;其次,利用全局上下文注意力模块将深层特征的语义信息融合到中间层,增强中间层定位微小特征的能力;最后,提出一种多分支损失,对中间层、深层和拼接层特征引入分类损失,结合不同分支提取到的特征,诱导网络获得多样性的判别特征。所提网络在Stanford-cars、CUB-200-2011、FGVC-Aircraft 3个公开细粒度数据集和真实场景下车型数据集VMRURS上分别达到了95.2%、92.1%、94.0%和97.0%的识别准确率,其性能相比其他对比方法有较大幅度提升。

面向辐射源识别的多尺度特征提取与特征选择网络

目前应用于辐射源识别的卷积神经网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理有两种方式:一种方式是将其变换为图像,另一种方式是提取IQ时序数据的浅层特征。前一种方式会导致算法计算量大,而后一种方式会导致识别准确率低。针对上述问题,提出一种多尺度特征提取与特征选择网络。该网络以IQ信号为输入,经多尺度特征提取网络提取IQ信号的浅层特征和多尺度特征,采用特征选择网络降低多尺度特征的数据维度,通过自适应线性整流单元实现特征增强,使用单个全连接层对辐射源进行分类。在FIT/CorteXlab射频指纹识别数据集上,与ORACLE、CNN-DLRF和IQCNet对比实验表明,所提网络在一定程度上提高了识别准确率,降低了计算量。

基于Vision Transformer的车辆重识别模型优化

针对车辆重识别任务中样本类内差异性大和类间相似度高的问题,提出了一种Vision Transformer框架下的车辆重识别方法。设计一种关键区域选择模块,整合Transformer中注意力分数矩阵,加强车辆的具有辨别性区域的关注程度,减小局部区域过度集中的注意力权重;构建一种包含对比损失和中心损失的混合损失函数,对比损失函数的引入增强了模型捕捉和比较样本之间的差异的能力,中心损失使得同一类别的样本更加紧密地聚集在一起,增强类间样本的区分度。实验结果验证了其有效性。

《钻头的识别与选择》课程设计

《钻头的识别与选择》是钻井工必备的职业技能,是《钻井工程》重要的组成部分。本文从教学内容、教学目标及重难点、学生分析、教学方法和学法、教学过程、教学反思六个方面来阐述如何教好这个单元课程。

棉铃虫齿唇姬蜂的寄主识别与寄主选择

【目的】提高优势天敌棉铃虫齿唇姬蜂Campoletis chlorideae室内繁育效率与质量,对其寄主识别能力和三级营养关系下的寄主选择进行研究。【方法】通过提供被寄生寄主与健康寄主,探究棉铃虫齿唇姬蜂的寄主识别能力;并通过寄主选择性试验,分别提供取食不同植物的同一寄主昆虫、取食相同食物的不同寄主,及取食不同食物的不同寄主时,比较该蜂的寄主选择偏好性。【结果】棉铃虫齿唇姬蜂倾向于在健康寄主上产卵,具有异己识别能力,一定程度上能避免过寄生的发生;当雌蜂触角被剪除后,其寄主识别能力显著降低。寄主选择性的研究表明,取食玉米叶或烟草的棉铃虫Helicoverpa armigera比取食人工饲料的棉铃虫对棉铃虫齿唇姬蜂具有更强的吸引作用,表现为在其内产卵数更多、寄生率更高,选择系数分别为0.77和0.74,显著高于人工饲料上的0.23和0.26。当面对取食相同食物的棉铃虫和斜纹夜蛾Spodoptera litura时,雌蜂更偏好寄生棉铃虫;而当雌蜂寄生取食不同食物的棉铃虫和草地贪夜蛾Spodoptera frugiperda时,明显偏好寄生取食含有玉米粉人工饲料的草地贪夜蛾,反之,当棉铃虫的食物由人工饲料更换为玉米叶时,该蜂的寄主选择偏好变为棉铃虫。【结论】棉铃虫齿唇姬蜂具有寄主识别能力,触角在其中发挥重要作用。来自植物-寄主昆虫的信息化学物质和寄主适合度在棉铃虫齿唇姬蜂的寄主选择偏好性中发挥重要作用。该蜂在选择偏好的寄主中有较高寄生率的同时,过寄生率也高,二者具有正相关性。

MKE: 基于背景知识与多头选择的嵌套命名实体识别

目前,在嵌套命名实体识别研究中,基于片段的方法将命名实体识别转化为分类问题,通过微调预训练模型,能够较好地识别嵌套实体,但仍存在领域知识缺乏和无法实现实体多分类的不足。该文提出基于知识嵌入的多头模型,用于解决这些问题。模型的改进包括:①引入领域背景知识,知识嵌入层以实体矩阵的形式,实现背景知识的无损嵌入;②将命名实体识别过程转化为多头选择过程,借助注意力打分模型,计算候选片段得分,最终在正确识别嵌套实体边界的同时实现实体多分类。实验结果表明,以实体矩阵方式实现的背景知识嵌入,可以有效提高识别准确率,在7个嵌套与非嵌套命名实体识别数据集上取得SOTA表现。

钻探施工中孕镶金刚石钻头的适应性选择

孕镶金刚石钻头是进行地质岩心钻探必不可少的利器之一。本文总结全球3大知名公司金刚石钻头的特性及其与不同地层的对应选择关系,认为他们在钻头对地层的适应性及钻头分类方式方面较国内有一定的优势。在此基础上,针对国内目前存在的钻头胎体分类繁杂、选择困难、对地层的适应性较差的问题,本研究从钻头胎体类型、地层岩性和施工案例等3个方面,提出钻井施工中切实有效的钻头与地层对应选择方案,并研发出4种胎体配方能够满足从软岩层、中硬岩层—硬岩层、极硬岩层钻进需求,采用“字母+数字方式”对衍生的K系列、S系列钻头胎体进行标注,并在工程实践中取得良好应用效果。

基于混合式特征选择的辐射源个体识别

为提高辐射源个体识别的准确率和运算效率,提出了一种基于混合式特征选择的辐射源个体识别。封装式特征选择方法分类正确率高,但计算复杂度高,处理高维数据时效率低。嵌入式特征选择方法计算复杂度低,但依赖于特定分类器。针对上述问题,综合封装式和嵌入式特征选择方法的特点,首先对信号数据使用3种嵌入式方法(随机森林、XGBoost和Ligh-tGBM)初选特征,分别得到随机森林子集、XGBoost子集和LightGBM子集。然后使用封装式方法对初选后得到的子集进行第二次降维,其中搜索策略分别使用序列后向搜索策略和蚁群优化算法,分类算法使用LightGBM。混合式方法共得到6种特征选择模型,通过对比各个模型得到的分类正确率和最优子集中的特征个数,确定最佳混合式特征选择模型。

肿瘤标志物识别的特征选择综述

高通量测序技术的进步,产生了大量的组学数据。随着肿瘤数据信息化管理和精准医疗的快速发展,肿瘤标志物的识别对肿瘤的早期检测、诊断、预后和治疗方面具有重要意义。特征选择技术在肿瘤标志物的识别中起到了关键作用,通过机器学习模型筛选肿瘤标志物的成本较生物实验法更低廉且准确性更有保障。特征选择算法能从复杂的组学数据中筛选重要的特征集合。首先,介绍组学的不同类型及肿瘤标志物识别的重要意义;其次,介绍过滤式、包装式、嵌入式和整合式这4种不同类型的特征选择方法;再次,总结不同特征选择算法在肿瘤标志物识别中的应用;最后,探讨肿瘤标志物识别的挑战、研究突破点以及未来发展趋势。

行动者认知、制度结构与政策工具选择——基于广东省J市低收入人口识别机制设计过程的分析

政策工具选择是行动者认知、政策情景、制度结构等多因素共同作用的结果,行动者认知与制度结构的动态性可能引起政策工具选择的变化。选取广东省J市低收入人口识别机制设计过程作为研究案例,以过程追踪为分析手段,提炼行动者认知与制度结构影响政策工具选择的作用机制。研究发现,科学知识与实践知识的互动促进了政策工具创新,但由于政治考量和制度的制约,政策工具选择出现了路径依赖。政策工具选择变动是政策学习与认知锁定两个机制先后作用的结果。

基于改进分类器动态选择算法的滚珠丝杠副状态识别

为提升滚珠丝杠副的性能状态识别精度,提出一种改进的分类器动态选择算法。该算法借助邻域成分分析(NCA),准确并自适应地定义测试样本的邻域,无需选择距离度量方式,从而更加准确地衡量多分类器系统中各子分类器对于测试样本进行正确分类的潜力,解决了传统分类器动态选择算法精度受限于距离度量方式选择是否合适的问题。将所提出的分类器动态选择算法应用于滚珠丝杠副状态识别中,首先利用AdaBoost算法离线训练反向传播(BP)神经网络集合,然后依据实时信号特征,采用改进的分类器动态选择算法从分类器集合中选取最合适的子分类器进行状态鉴定,从而实现更好的识别效果。实验结果表明,提出方法的状态识别准确率能够达到97.22%,高于BP神经网络、AdaBoost与传统分类器动态选择算法,且对于不同的性能状态均有较高的识别精度。

PDC钻头条件下随钻岩性识别方法研究

使用PDC钻头钻井速度快、岩屑细碎，给随钻岩性识别带来较大的困难。针对这一问题。通过录井仪从现场采集到诸如机械钻速、钻压、泵压和扭矩等参数，这些参数从不同方面反映了地层的岩石性质。与岩性之间的关系密切。采用三层BP神经网络来描述录井仪采集到的参数与岩性之间的关系。用张店油田的张2104井的2500～2700m井段资料建立岩性预测模型。通过对张2104井的2000～2200m井段和张2201井的2600～2800m井段的测试表明，张2104井的砂泥岩层的预测精度为93．6％，张2201井砂泥岩层的预测精度为89．2％。其中纯砂岩和泥岩的预测精度将近100％，过渡性岩石的预测失误是产生误差的主要原因。通过分析表明，用神经网络预测PDC随钻岩性是一个比较可靠的方法。

草间钻头蛛、大草蛉和中华通草蛉对茶尺蠖、小绿叶蝉的选择效应

室内研究了草间钻头蛛Hylyphantes graminicola雌蛛对茶尺蠖Ectropis oblique1龄幼虫和小绿叶蝉Em-poesca flavescens成虫、大草蛉Chrysopa pallens和中华通草蛉Chrysoperla sinica的2龄幼虫对茶尺蠖卵、1龄幼虫的选择捕食作用。对试验数据应用Ivelev指数、Jacobs指数和Manly指数及Murdoch作图法进行了比较分析。结果显示,草间钻头蛛对茶尺蠖1龄幼虫和小绿叶蝉成虫的选择性不明显,选择性不因猎物数量的增加而转移。而大草蛉和中华通草蛉对茶尺蠖卵均有明显的正选择效应。

Web网页识别中的特征选择问题研究

对Ｗｅｂ网页识别中有关特征选择的两个重要问题进行了较为深入的探讨．提出了一种新的描述特征选择方法，并将其与３种已有的描述特征选择方法进行实验比较，证实其有效性；此外还对５种在文本归类中，具有代表性的识别特征选择方法在Ｗｅｂ网页识别中的实际应用效果进行了评估比较，并发现信息增益和统计方法，选择识别特征效果最佳．

新特征选择方法下的信号调制识别

针对通信信号的特点,该文提出了一种适用范围较广的新的特征选择方法。它运用高效、稳健的遗传算法,按照使同一类别特征的集群程度和不同类别特征的分离程度达到最佳的评价准则,筛选出一高质量的特征子集,并结合证据理论的精细结构,在一个较大的信噪比变化范围内,得到了较高的调制识别率,计算机模拟结果证实了该方法的优越性。

基于模式识别的钻头选型新方法

针对目前钻井过程中因钻头选型不合理、钻头与所钻地层不匹配,导致钻头使用效果差的问题,建立了一种基于模式识别的钻头选型新方法。利用模式识别理论,对已钻井地层及使用的钻头进行聚类分析,建立了地层-钻头标准模式,然后利用K-NN算法对待钻地层进行识别归类,通过地层-钻头标准模式即可选出最佳钻头。该方法在青海油田东坪、牛东区块的2口井中进行了钻头选型现场试验,给出了钻头优选方案,实钻数据表明,与未使用推荐钻头的邻井相比,2口井的钻速和进尺都有了很大提高,提速效果明显。研究结果表明,基于模式识别的钻头选型新方法既考虑了地层多种抗钻特性参数,又考虑了钻头使用效果,钻头优选方案更合理,可以更好地实现钻井提速提效的目的。

用于水声目标识别的自适应免疫特征选择算法

针对水声目标小样本识别中样本数目有限而特征数目不断增加,导致分类系统分类性能下降的问题,提出了一种新的自适应免疫特征选择算法(AIFSA).该算法先利用先验知识生成初始种群,接着利用交叉、变异和新的自适应免疫算子指导种群进化,每代中对分类贡献大且选择特征数目少的个体适应度值高.AIFSA具有可以利用先验知识、收敛速度快以及优化特征子集维数小的优点.提取了实测4类水声目标的多域特征,进行特征选择和分类识别仿真实验,结果表明:AIFSA可以选择有效特征子集,在特征维数下降60%的情况下,支持向量机分类器的平均正确分类率下降很小;AIFSA与标准遗传算法相比,收敛快、稳定,所得优化特征子集具有更高的正确分类率和更好的范化性能.

语音识别特征参数选择方法研究

语音识别系统的性能与识别器所用的特征参数密切相关 ,用正交实验设计进行特征参数选择 ,提出一种系统性的实用的特征参数选择方法 研究了特征参数排列顺序对识别系统最终识别率的影响 ,讨论了这种特征参数选择方法的可扩展性 与目前常用识别器相比 ,新方法的词错误率下降了 37% 实验结果表明 ,正交实验设计用于特征参数选择是有效的 。

新型手性咪唑鎓环番的合成及对氨基酸的对映选择性识别

以L-氨基酸为手性源，合成了一系列新型手性咪唑鎓环番，并进行了结构表征．在碱性条件下，L-氨基酸和乙二醛、甲醛缩合生成了（S）-2-（1-咪唑）羧酸钠，转化为甲酯后与乙二胺进行胺解反应制得开链手性咪唑二酰胺，然后与二溴化合物在高稀淡技术和无水条件下进行季铵化关环反应，再进行阴离子交换制得目标分子（4—6）．以手性咪唑鎓环番为主体分子，研究了对氨基酸及其衍生物的对映选择性识别作用．

基于支持向量机的近红外特征变量选择算法用于树种快速识别

将稳定度自适应重加权采样特征变量选择算法用于支持向量机定性分析(Support vector machine-stability competitive adaptive reweighted sampling,SVM-SCARS)。该算法通过对数据多次采样建模计算各变量的稳定度值,稳定度值能更加客观准确地评估变量在建模中的作用,因此可作为变量重要性的评价依据。通过循环迭代方式,采用自适应重加权采样技术逐步筛选变量,然后以每次循环所得变量子集建立SVM模型,并以模型交叉验证分类正确率(Correct classification rate of cross validation,CCRCV)评估子集优劣,确定最优特征变量子集。将该算法结合漫反射近红外光谱技术建立了制浆造纸常用木材的树种识别模型,实现了对4种桉木和2种相思木的快速识别分类。最终共筛选出15个特征变量建立分类模型,模型对各树种分类的正确率达97.9%,具有较好的分类效果。与全光谱模型和递归特征消除支持向量机模型相比,SVM-SCARS能够筛选出更少的特征变量,且模型具有更好的预测性能和稳定性。研究结果表明,SVM-SCARS算法能够有效优化光谱特征变量,提高近红外在线分析模型在木材材性分析中的稳健性和适用性。