基于稀疏流形聚类嵌入模型和L_1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.

样本标签污染条件下的雷达辐射源个体识别技术

针对辐射源个体识别(Specific Emitter Identification,SEI)中由于数据集存在错误标签导致识别率下降的问题,提出了1种有监督和无监督融合的错误标签识别和纠正方法。首先采用无监督密度峰值聚类方法将数据集中出现的标签错误样本找出,再使用K折交叉实验对这些标签异常的样本进行预测投票,将得票数多的标签作为错误标签纠正的结果。经过清洗的数据集再通过卷积神经网络进行训练,得到1个较为理想的辐射源个体识别的网络模型,保证了在样本污染条件下,辐射源个体识别网络仍能具有较好的识别率。文章所提方法的识别率相比未经处理的数据集的识别率在标签错误率小于30%时平均提高3.3%;在标签错误率大于30%时,也能使个体识别率达到90%左右,验证了文章所提方法在对错误标签的识别和纠正上可以取得较好的效果。

基于改进堆栈自编码的诊断错误标签修正

在基于数据驱动的故障诊断领域,正确的标签样本是诊断准确度的保障,但由于人工标记等原因,训练样本常受到错误标签的干扰。针对错误标签的问题,提出基于改进堆栈自编码的错误标签修正方法。该方法通过堆栈自编码和孤立森林给样本赋予伪标签,调整编码器对样本的注意程度,从而使编码器更注重于正确样本。基于数据分布偏差的考虑,利用基于随机森林的交叉验证获取样本的信息熵,对标签进行修正。齿轮和轴承试验表明,该方法在多个错误标签比例下均能降低样本的错误标签率,正确修正错误标签,提高故障诊断的准确率。

基于证据理论的三向密度峰值聚类

为避免聚类标签错误传播,并且充分挖掘邻域信息,提出一种基于证据理论的三向密度峰聚类方法。在分配非分组点时考虑到K近邻的聚类信息,有利于提升聚类精度;用证据理论来描述和合并这些近邻信息,使建立的三向聚类模型能够将它们分配到最可能的聚类中,从而有效地避免了密度峰值聚类算法中错误标签的传播。在多个数据集上的实验对比结果表明,提出的方法能够有效避免聚类标签错误传播,并且实现了较高的聚类精度。

带有错误标签的张量数据的稳健多分类模型

传统机器学习方法大多都是基于正确标签的训练数据进行监督学习,但实际观测到的训练数据标签极可能受到污染,而错误标签的存在会导致传统模型产生有偏估计。现存的关于错误标签的稳健模型往往基于向量数据进行分类,面对存在错误标签的高阶张量数据时只能将其转化为低阶格式,由此产生过拟合问题且破坏张量结构。针对上述问题提出一种稳健的张量多分类模型(RMLTMLR),基于最小γ-散度估计、张量管道秩及相应的核范数来处理带有错误标签的低秩张量,在利用张量结构特点的同时使模型对污染标签具有稳健性,提高多分类准确率。进行的大量实验表明RMLTMLR模型在不同类别和污染程度的张量数据上有着优良的分类效果,与非稳健的模型相比,分类准确率显著提升。

数据恶劣条件下的辐射源个体识别方法综述

文章分析对比了数据恶劣条件下的辐射源个体识别方法。总结了包括不平衡、错误标签、小样本和弱标注4种情况下的个体识别方法,探讨了辐射源特征提取方法的优点和局限性,对方法中作为技术关键和难点的特征提取方法进行了概括,并指出深度学习在深度特征提取上的优势,以及在辐射源个体识别领域所具有的广泛应用前景,以期对各种情况下的辐射源个体识别方法做出较为全面的补充。

Nakagami-m信道RFID系统通信误码率研究

随着RFID技术应用领域的增加,RFID系统性能的评估也日趋重要。为了评估RFID技术在衰落信道下的性能,分析了RFID系统中的调制与编码技术,通过分析反向散射调制的误码率,导出了Nakagami-m衰落信道下标签的错误率,给出了不同信道衰落参数和编码参数下的数值仿真结果。结果表明,衰落参数越大,重复编码次数越多,标签错误率越低。

多目标跟踪算法的最优子模式分配概率度量

针对最优子模式分配(OSPA)度量标准只能适应测量轨迹距离的缺点,提出最优子模式分配概率(OSPAP)度量标准。通过计算真实轨迹与预测轨迹之间的基本概率和标签错误的惩罚概率评价跟踪算法的性能。在现实的跟踪系统中,无法获得跟踪目标的真实轨迹,但是基于概率的多目标跟踪算法的概率较易获得。实验结果表明,采用该标准得到的度量数据与实际情况一致,能够在实际的跟踪系统中实时地反映概率跟踪算法的性能。

食品营养标签标示瑕疵但书条款适用研究

自2021年新修订的?食品安全法?中第148条但书条款实施以来,以食品标签瑕疵为由请求惩罚性赔偿的案件增加,其中既有作为消费者切实保障自身利益的,也不乏投机者利用惩罚性赔偿机制乘机牟利的.司法实务中,由于但书条款未能就适用前提、适用范围、适用条件予以明确界定,法官对食品安全标准的价值判断的相同,也会产生不同的判决.本文针对此类问题进行了分析,提出把“食品安全标准”的范围限制在?预包装食品营养标签通则?内、综合考虑经营者是否有效进行了货物查验、需要明确惩罚性赔偿的适用并不以对消费者造成人身损害为必要条件、应该注意区分营养标签标示错误的类型等建议,以供参考.

一个稳健判别方法及应用

在判别分析过程中,当一些学习数据的类别标签发生错误时,传统方法的判别效果不佳.为克服这一缺陷,提出一个基于混合模型的稳健判别方法,参数估计分两步完成.一个模拟数据和一个实际数据的判别结果表明,方法可显著提高分类正确率,比传统方法具有明显的优势.

一种基于最大边界投影和l_(2,1)范数正则化的属性选择算法

当数据含有噪声或标签错误时,传统的属性选择方法(如粗糙集)无法得到正确结果,为此提出一种针对含噪、标签错误数据的属性选择方法.首先用最大边界投影方法获得数据的最佳投影;然后通过对投影矩阵进行2,1范数正则化操作,进而获得行稀疏的投影矩阵,据此获得对关键属性的挖掘;最后给出方法的收敛性和针对标签错误数据的有效性证明.实验结果表明,所提出的算法克服了噪声和标签错误的影响,较好地实现了针对含噪、标签错误数据的属性选择.