基于最优架构搜索网络的液压泵故障诊断改进方法研究

针对神经网络结构搜索方法(NAS)在搜索最优结构时存在性能评估效率偏低,以及由于模型泛化性能力不足导致液压泵故障诊断精度过低等问题,提出一种改进的Data-free NAS方法。通过引入CAME优化器和热重启余弦退火优化算法,分别替代SGD优化器和LambdaLR优化算法,对Data-free NAS的诊断精度和计算效率等性能评估验证功能进行改进优化处理。通过液压泵实测故障实验验证分析可知:所提改进方法较原方法具有显著有效性和优越性;CAME优化器在优化模型的学习率和动量等权重超参数方面具有明显优势,精度和效率分别提升了7.24%和37.5%,且精度高达100%;热重启余弦退火优化算法可优化学习率参数,使效率提升了81.25%。

搜索网络中虚警干扰内容隔离技术研究仿真

在搜索性网络优化设计的研究中,对危险内容的目标搜索往往需要对相关内容设定固定的阀值,以保证搜索引擎在安全范围内搜索。但是,一些网络冗余内容中存在与危险内容类似的信息,造成阀值接近。传统的搜索方法在解决上述问题的过程中,虽然可以采用非固定特征过滤,但是一些虚警干扰往往与真实特征具有高度相似性,很难运用固定区间的阀值区进行描述,造成搜索虚警。为此提出采用加权约束残差修正算法的搜索网络中虚警干扰隔离方法。针对搜索网络中不同的虚警干扰特征进行分类处理,获取干扰特征的分布状态,并且针对所有的干扰特征进行变异处理。根据加强约束残差修正算法相关理论,计算虚警干扰特征的方差矩阵,得到对应的虚警干扰特征子空间,获取搜索网络中的干扰特征,并进行加权约束残差修正处理,实现虚警干扰隔离。建立搜索模型,实现搜索网络中的目标搜索。实验结果表明,利用改进算法进行搜索网络中虚警干扰隔离,能够保证隔离效果,最终得到理想的搜索结果。

穿越时空的成长——搜索网络魔女云中飞鹤

春花秋实,花开花落,小荷才露尖尖角。云中飞鹤,在网络世界腾云驾雾的女孩子以她独特的发展模式我行我素,疯狂地成长着,她的这种成长打破了正常的生长季节,穿越着时空,她的脚步跨越在电光火石和光缆宽带之中。

网络搜索数据与我国GDP的关联机理分析

网络搜索数据是研究我国宏观经济现象的重要微观信息依据。本文从需求、供给与政策三方面选取和筛选关键词合成网络搜索指数,并与我国GDP进行相关性研究。结果表明:网络搜索指数与GDP的相关性较高,且两者存在长期均衡关系与短期误差修正机制,当GDP逐渐偏离均衡,将会以1~2个月的调整速度从非均衡态过渡到均衡态;网络搜索指数的增长对我国GDP有促进作用。

基于网络搜索数据的GDP组合预测研究

网络搜索数据(Web Search Data, WSD)是研究宏观经济现象的重要微观信息依据。从需求、供给与政策环境等方面选取和筛选关键词来合成网络搜索指数,采用金枪鱼群(Tuna Swarm Optimization, TSO)算法优化的最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)模型,对GDP进行预测。结果表明,网络搜索指数与GDP具有强相关性,合成的网络搜索指数能较好地反映GDP的波动走势;网络搜索数据的加入使得预测结果呈现出强时效性,预测效果及预测精度都取决于对最优模型的选择,引入参数智能优化算法可提高模型的预测性能。提出的TSO-LSSVR&WSD模型充分利用网络搜索数据及组合预测优势,提高了GDP的预测精度和时效性,可应用于宏观经济指标预测中。

神经网络结构搜索在脑数据分析领域的研究进展

神经网络结构搜索(neural architecture search,NAS)是自动化机器学习的重要组成部分,已被广泛应用于多个领域,包括计算机视觉、语音识别等,能够针对特定数据、场景、任务寻找最优的深层神经网络结构.将NAS引入至脑数据分析领域,能够在图像分割、特征提取、辅助诊断等多个应用领域大幅度提升性能,展现低能耗自动化机器学习的优势.基于NAS进行脑数据分析是当前的研究热点之一,同时也具有一定挑战.目前,在此领域,国内外可供参考的综述性文献较少.对近年来国内外相关文献进行了细致地调研分析,从算法模型、研究任务、实验数据等不同方面对NAS在脑数据分析领域的研究现状进行了综述.同时,也对能够支撑NAS训练的脑数据集进行了系统性总结,并对NAS在脑数据分析中存在的挑战和未来的研究方向进行了分析和展望.

基于神经网络架构搜索的X射线图像违禁品检测算法

为了提高卷积神经网络设计的自动化程度并进一步提高复杂背景下违禁品检测的准确率和速度,提出了一种基于神经网络架构搜索的X射线图像违禁品检测算法。首先,设计逐层渐进式搜索策略和多分支搜索空间,并基于批量归一化指标为每一个layer结构搜索最佳侧分支;然后,逐层搜索构建新的骨干网络组件;最后,组成由数据驱动的新目标检测模型。该算法在数据集HiXray、OPIXray、PIDray上分别取得了83.4%、87.2%、70.4%的检测精度。实验结果表明,本文算法能够自适应数据集并自动搜索出性能更好的Backbone组件,与FCOS、YOLOv4等主流算法相比,有效提高了复杂背景下违禁品检测的准确率和速度。

基于t检验和逐步网络搜索的有向基因调控网络推断算法

为了克服基于条件互信息的路径一致算法(PCA-CMI)无法识别调控方向的缺陷,并进一步提高网络推断准确率,提出了一种基于t检验和逐步网络搜索的有向网络推断算法(DNI-T-SRS)。首先,对不同实验条件下的表达数据进行t检验以辨别基因调控的上下游关系,指导路径一致(Path Consensus)算法中条件基因的选取,根据CMI2(Conditional Mutual Inclusive Information)剔除网络中的冗余边,得到了基于t检验的有向调控关系推断算法CMI2NI-T(CMI2-based Network Inference guided by t-Test);然后,建立有向调控关系对应的米氏微分方程模型对数据进行拟合,根据贝叶斯信息准则进行逐步网络搜索以修正网络推断结果。利用CMI2NI-T推断DREAM6挑战中的两个测试网络,所得到的曲线下面积(AUC)分别为0.7679和0.9796,相较于PCA-CMI分别提高了16.23%和11.62%;通过进一步的数据拟合后DNI-T-SRS的推断准确率分别达到了86.67%和100.00%,相较于PCA-CMI分别提高了18.19%和10.52%。实验结果表明,所提DNI-T-SRS算法能够有效剔除间接调控关系并保留直接调控连接,得到精确的基因调控网络推断结果。

神经网络架构轻量化搜索的飞行器控制律自学习方法

针对在运用Soft actor-critic(SAC)强化学习算法实现复杂的飞行器控制律自学习过程中,超参数设定高度依赖于人工经验进而造成设计难度大的问题,提出一种基于神经网络架构轻量化搜索策略的飞行器控制律自学习方法。该方法在将神经网络架构设计问题转化为图拓扑生成问题的基础上,结合LSTM循环神经网络的图拓扑生成算法、基于权重共享的深度强化学习参数轻量化训练与评估机制,以及基于策略梯度的图拓扑生成器参数学习算法,给出了一种面向深度强化学习的轻量化自动搜索框架,实现了SAC训练算法中神经网络架构超参数的自动优化,进而完成了控制律的自学习。以三维空间返回着陆控制为例,验证了所提方法的有效性和实用性。

基于神经网络架构搜索与特征融合的小样本脉搏波分类方法

基于深度学习的脉搏波分类依赖大量有标注数据,现有脉搏波带有疾病标注的数据少、标注方法不统一,导致模型准确率低、泛化能力弱。针对此问题,提出一种基于神经网络架构搜索与特征融合的小样本脉搏波分类方法。首先,在并行的双维度拆分卷积分支与因果空洞卷积分支中进行态射搜索,每次搜索结束,获取超网络分支的子网络作为候选网络进行训练评估。双维度拆分卷积分支提取脉搏波横、纵向维度时空特征,因果空洞卷积分支提取脉搏波节律特征。然后,利用特征融合方法整合分支多尺度特征。最后,依据评估指标得到最佳网络模型完成分类。实验结果表明,所提方法在两个小样本脉搏波数据集上准确率为97.04%和95.96%,F1值为97.04%和95.95%,具有较好分类效果。

基于搜索分析深度学习网络(SaNet)的粗粒土级配识别

粗粒土广泛应用于路基、土石坝等填方工程中,然而传统筛分法耗时低效,无法满足级配快速的质量检测需求。为解决上述问题,构建了黄河粉土、石英砂粗粒土“图像-级配”关系数据库,共22380张图像;针对二维图像与三维级配的不匹配的矛盾,构建了任意图像输入数量的搜索-分析网络(searcher-analyzer network,SaNet),基于该网络训练所得模型精度随图像数的增加稳定提升,黄河粉土,石英砂的级配识别平均误差分别为1.63%,1.21%,拟合优度分别为0.995,0.992。结果表明:基于SaNet架构构建的机器学习模型具有较高的级配识别精度,能够满足填方工程中实时无损的级配检测需求。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于神经网络架构搜索的细粒度花卉图像分类方法研究

为了提升深度卷积神经网络设计的自动化程度,并进一步提高细粒度花卉图像的分类准确率,提出了一种改进的基于DARTS的神经网络搜索方法,用于自动构建细粒度花卉图像分类模型。首先,通过构建注意力-卷积模块,形成全注意力-卷积搜索空间,增强网络对可判别特征的关注度。其次,通过构建具有更多浅层特征输入节点的密集连接缩减单元(DCR cell),保留更多的浅层特征信息,减少可判别特征信息的损失并促进多尺度特征融合。最后,在堆叠最佳cell时调整DCR cell的位置,构建参数量大小不一的网络模型,以便在更多的终端设备上部署。结果表明,该方法耗时4.5 h搜索到了最佳神经网络模型,在Oxford 102和Flower 17上的分类准确率分别为96.14%和94.12%。与AGNAS等方法相比,在Oxford 102上提高了1.40百分点,在Flower 17上提高了3.09百分点。

网络搜索数据与宏观经济景气指数的关联研究

网络搜索数据作为研究我国宏观经济现象的重要微观信息依据,具有显著意义。本文分别从消费、投资、进出口、工业生产、政策、劳动力及经济形势七方面选取并筛选关键词,进而合成网络搜索指数,通过深入的相关性研究发现,网络搜索指数与宏观经济之间呈现较高的相关性。这意味着网络搜索指数一方面能为宏观经济政策制定者提供更为准确且及时的决策参考,使政策制定更具针对性和有效性,助力宏观经济的稳定与发展;另一方面也能为市场参与者提供有价值的信息,帮助其更精准地把握市场动态,从而做出更明智的投资和经营决策,促进市场健康有序运行。

遥感影像目标检测多尺度熵神经网络架构搜索

针对传统神经网络架构搜索需要耗费大量时间用于超网训练,搜索效率较低,搜索得到的模型无法高效解决遥感影像中多尺度目标检测困难、背景复杂度高的问题,本文提出采用多尺度熵神经网络架构搜索的方法进行遥感影像目标检测。首先,在搜索空间的基础模块中加入特征分离卷积以代替残差模块中的常规卷积,减少遥感影像中由于背景复杂度高而造成的信息间干扰,提高网络模型在复杂背景下的检测性能;然后,引入最大熵原理,计算搜索空间中每个候选网络的多尺度熵,将多尺度熵与特征金字塔网络相结合,以兼顾遥感影像大、中、小目标的检测;最后,在不进行参数训练的情况下利用渐进式进化算法搜索得到多尺度熵最大的网络模型用于目标检测任务,在保证模型检测精度的同时,提升网络搜索效率。本文方法在RSOD、DIOR和DOTA数据集上的平均检测精度均值分别达到93.1%、75.5%和73.6%,网络搜索时间为8.1 h。试验结果表明,与当前基准方法相比,本文方法能够显著提升网络的搜索效率,在目标检测任务中更好地结合了不同尺度下的特征并解决了影像背景复杂度高的问题。

基于卷积神经网络统一搜索的推荐能力建设

随着信息时代的发展,推荐系统对满足用户需求至关重要。然而,现有系统存在诸如信息稀缺和语义关系挖掘不足等问题。为此,提出了一种基于卷积神经网络的推荐系统,系统由异质信息特征融合模块、局部信息推荐模块、多标签分类的全局信息推荐模块和异质信息搜索推荐模块组成,旨在改善传统方法在搜索引擎查询推荐中的不足。实验结果显示,在MovieLens数据集上,所建系统的精确率为0.8879,召回率为0.7958,均方根误差为0.8531。在未来的研究中,可以通过进一步优化模型参数、引入更多异质信息源以及考虑用户反馈对模型进行改进。

基于神经网络架构搜索的铁道障碍物目标检测模型优化研究

利用神经网络实现对列车运行环境的自动感知已成为保障列车安全运营的一种重要手段。然而,传统的神经网络模型设计往往依赖人工试错和经验积累,不仅耗时、费力,而且难以保证最终模型的性能最优。为此,文章提出一种零成本神经网络架构搜索方法来优化铁道障碍物目标检测模型。其首先构建一个全面的模型架构空间,并在此基础上,根据实际应用中的计算量需求对搜索范围进行有效约束,确保最终选择的模型在满足精度要求的同时也兼顾运行效率要求;接着,利用零成本神经网络架构搜索算法,快速预测各种架构的实际效果,无需进行冗长且耗时的实际训练;最后,通过比较不同模型的预期性能得分,选取最优者作为最终方案。实验结果表明,采用该方法,实现了0.711的均值平均精度以及6.12ms的单帧平均推理时间,效果显著优于同等计算量下基准模型的。

网络搜索数据与CPI的相关性研究

网络搜索数据蕴含了三亿多市场主体的兴趣与关注,反映其行为趋势与规律,为研究宏观经济问题提供了必要的微观数据基础;本文从商品市场的角度建立概念框架,以均衡价格理论为基础,揭示了网络搜索数据与居民消费价格指数(CPI)之间存在一定的相关关系及先行滞后关系;实证结果表明:网络搜索数据与CPI之间存在协整关系,模型拟合度达到0.978,预测绝对误差为0.48,宏观形势搜索指数和供求关系搜索指数相对于CPI的先行周期分别为五个月和两个月;同时模型具有很强的时效性,比国家统计局的数据发布提前一个月左右;与传统的预测方法相比,模型还具备一定的转折点预测能力.

基于网络搜索数据的房地产价格预测

本文以北京、上海、天津、重庆等16个大中城市的二手房价格和新房价格为研究对象,以来自我国最大搜索引擎的百度搜索指数为数据基础,使用6种计量模型分别对16个城市的二手房价格和新房价格进行了拟合和预测,得到预测二手房和新房价格变动情况的最优模型。结果显示:网络搜索数据不但能够较好地预测房价指数,而且能够分析经济主体行为的趋势与规律,有一定的时效性。预测的月度房地产价格能够比官方数据发布提前约两周时间。

基于网络搜索的销量与市场份额预测:来自中国汽车市场的证据

本文提出,网络搜索行为是一个衡量消费者购买意愿的指标,能够用于购买行为的预测。尽管信息搜索一直被看作消费者决策过程当中的重要一环,但是有关在线搜索与线下交易之间关系的实证研究有限。本文以消费者在搜集信息和购买决策过程中留下的真实数据为研究基础,探讨在线搜索与线下交易之间的关系。实证结果显示,网络搜索对汽车销量存在显著的正向影响。此外,本文基于fractional logit模型验证了消费者网络搜索对市场份额的影响。保留样本分析表明,在其他信息不可获取时,网络搜索数据能够对销量和市场份额预测起到重要作用。