基于多任务深度神经网络的企业纳税行为甄别研究

随着数字经济时代的到来,丰富的数据资源有利于全面精准地刻画企业纳税情况,但数据来源广、类别不平衡以及噪音多等问题,也给企业纳税行为的甄别工作带来挑战。本文融合企业报表以及证监会、海关和税务等部门的多来源涉税数据,基于K-S检验和随机森林算法,构建了企业纳税行为甄别指标体系;将不同行业企业纳税行为甄别工作视为不同任务,提出基于多任务深度神经网络的企业纳税行为甄别模型,充分利用了不同行业任务间的相关性和差异性信息;针对样本数据集不平衡问题,引入焦点损失函数进一步改进了甄别模型。研究发现,相对于传统Logistic、支持向量机和神经网络等单任务模型,本文多任务模型的企业纳税行为甄别能力、泛化能力和稳健性更强。当模型预测某企业纳税不遵从的概率超出阈值时,即可判定该企业为重点稽查对象,以辅助税务部门提升稽查效率。本研究为政府智慧税务治理工作提供了新的思路。

基于双耳表征梅尔频谱特征无人机音频识别

为了提高探测模型根据无人机飞行中产生的噪声在实际场景对多类无人机识别的准确率,提出了基于双耳表征的梅尔频谱和多任务深度神经网络的入侵无人机音频识别模型。针对采用单一声道音频丢失空间信息的问题,提出双耳表征的梅尔频谱提取无人机音频特征作为数据输入,提高对无人机音频的表征能力;为提高模型训练速度和收敛性,在参照AlexNet的基础上增加BN层和Dropout层设计的深度神经网络;针对无人机音频类间相较于环境噪声异质性较小的问题,采用多任务学习的方式训练音频识别模型来提高模型泛化能力。通过手工制作的无人机声纹库上进行一系列对比实验证明了无人机音频识别模型中提出策略的优越性,相比其它无人机音频识别模型能够更好地完成识别任务。

高速列车牵引变流器故障诊断研究

针对高速列车牵引变流器冷却滤网状态异常引发的牵引变流器故障问题,通过综合分析牵引变流器故障分类和滤网堵塞程度之间的相关性,提出一种基于多任务深度学习的故障诊断方法。首先,构建了包含牵引变流器故障诊断主任务及滤网堵塞程度子任务的多任务深度神经网络(multi-task deep neural networks,简称MT-DNN);然后,为了准确预测牵引变流器失效退化趋势,将多任务深度神经网络预测结果与自组织映射(self organizing map,简称SOM)方法结合,构建了多任务深度神经网络自组织映射模型(multi-task deep neural networks self-organizing map,简称MTDNN-SOM),该方法根据历史故障数据特征变量演化规律定义退化状态曲线,直接反映故障特征量和退化状态之间的关系,最终实现了牵引变流器滤网脏堵故障诊断和维修预测。试验结果表明,该方法在精度和效率上都明显优于单任务或传统故障诊断方法,得到了较好的效果。

基于深度学习的简化多信道并行光性能监测

提出了一种基于信号光谱和多任务深度神经网络(MT-DNN)的多信道并行光性能监测(OPM)方案,采集多信道光谱图进行预处理来设计幅度直方图(Ahs),可实现波分复用(WDM)系统多信道调制格式识别(MFI)和光信噪比(OSNR)监测。在建立的3信道WDM相干光通信系统中,对由PDM-4QAM/16QAM/64QAM组合的10种调制格式的3信道信号实现了MFI准确率为100%、OSNR监测的平均绝对误差(MAE)为0.16 dB的精准监测。为进一步研究所提OPM方案的性能以应对复杂的传输环境,提出了迁移学习辅助的多任务深度神经网络(TL-MT-DNN)用于多信道MFI和OSNR并行监测。结果表明,所提方案可移植性较好,还可节省大量样本和训练周期,其MFI准确率仍可达100%,3信道OSNR监测的MAE分别为0.24 dB、0.20 dB和0.19 dB。