基于贝叶斯单源域领域泛化算法的天然气管道故障智能诊断

基于深度学习算法的故障智能诊断模型已被广泛应用于天然气管道运输安全领域,然而管道通常处于准稳态,使得训练集中的故障样本量受限。为此,针对天然气管道故障诊断中因训练集故障样本量有限,导致难以准确诊断的问题,提出了一种基于贝叶斯单源域领域泛化(BSDG)算法,部署了一种攻击防御策略,通过在攻击阶段明确伪目标域增强路径,并在防御阶段引导模型参数的后验分布向伪域样本得分更高的方向调整,增强模型在面对不同域扰动时的适应性和鲁棒性。研究结果表明:(1)基于贝叶斯网络建立的非定向攻击模型确保伪域样本既保留了与源域的相关性,又引入了足够的域差异来模拟潜在的目标域,由此提升了多源域和单源域设置下的领域泛化诊断准确率;(2)测试结果显示,BSDG算法在多源域泛化任务及两项单源域泛化任务中,相较于性能最优的对比算法,其准确率分别提高了9.79%、5.09%和27.98%;(3)裕度差异损失通过在学习决策边界的过程中引入不确定性,令分类器可以灵活且有效应对频繁的分布变化,显著性测试结果表明BSDG算法在多数场景下显著优于先进对比算法;(4)贝叶斯神经网络通过在权重上引入不确定性,有效提升了BSDG算法的泛化稳定性。结论认为,BSDG算法通过使用基于贝叶斯推理的攻击防御策略,有效扩展了源域模型的决策边界,解决了实际场景数据匮乏导致的深度神经网络泛化能力差的问题,为样本受限情形下的天然气管道故障诊断模型设计提供了理论支撑。

面向任务的机器人动作泛化研究

动作泛化是机器人被期望具备的功能,要求机器人不仅能重复人类示教的灵巧动作,还可以根据任务目标生成新动作,在小批量、多种类的生产要求下具有广阔的应用场景.针对面向任务需求快速学习和灵活泛化的目标,设计开发了机器人动作泛化框架.首先,进行少量示教,使用概率运动基元(probabilistic movement primitives,ProMP)构建动作的轨迹分布,以较少参数概括示教信息.其次,使用期望最大(expected maximum,EM)算法迭代估计模型参数,引入先验信息补充模型以保证稳定性.研究先验信息对泛化效果的影响,确定了合适的先验参数;研究傅里叶基函数对周期轨迹的拟合效果,提出轨迹分割与滤波方法以保证拟合精确平滑.利用模型的概率分布性质,将动作的概率范围收缩到特定位置,并进行整条轨迹的时间尺度缩放与空间位置变换,生成符合泛化要求的轨迹.最后,搭建了一个六自由度机器人喷涂场景进行动作泛化实验.结果表明:该框架能够快速生成多种泛化轨迹.单自由度轨迹学习平均消耗1.924 s,轨迹生成平均需0.004 s;六自由度轨迹学习平均消耗35.608 s,轨迹生成平均需0.011s.

独立性视角下的相频融合领域泛化方法

针对现有的领域泛化(DG)方法对领域特征处理粗糙和泛化能力弱的问题,提出一种基于频域特征独立性这一独特视角解决领域泛化问题的方法。首先,设计频域分解算法,将图像的深度特征快速傅里叶变换(FFT)后,再从相位信息中获得领域无关特征,以提高模型对领域无关特征的识别能力;其次,基于独立性视角,通过对样本的特征赋权,进一步消除频域特征中各属性的相关性,提取最有效领域无关特征,解决样本特征之间相关性带来的泛化能力差的问题;最后,提出幅度融合策略,拉近源域和目标域的距离,进一步提升模型对未知领域的泛化能力。在流行的图像领域泛化的数据集PACS和VLCS上的实验结果表明,所提方法的准确率均值比StableNet分别高0.44、0.59个百分点,且在各个数据集上均取得了优秀的性能。

社交媒体中“刺客”的隐喻性语义泛化

“刺客”经过认知隐喻的作用已然发生语义泛化,并成为当下流行语之一。从语义泛化的三个阶段,即语义隐喻、语义抽象以及语义泛化阶段分析“刺客”的语义泛化过程,发现其语域已经过自职业域到商品域、再到情感域的延伸,指谓范围更加宽阔,表达意义更加复杂。此外,在模因论视角下深度探讨其流行的原因。

新时代西方意识形态泛化现象解析与应对研究

意识形态泛化是指泛化意识形态概念,意识形态的功能、价值被过高估计,内涵外延得到扩大,超出其范畴应有的边界和限度,扩大了意识形态的范围和存在方式。西方意识形态泛化主要表现为意识形态的大众化、物质化、文化化、符号化,它使人们的主体精神被压制,影响了社会问题的根本解决,丧失了意识形态的根本属性。针对西方意识形态泛化对我国意识形态建设带来的负面影响,我们要使意识形态建设回归日常生活,防止异化的价值取向,把握意识形态话语权,抵制西方错误思潮,多途径多渠道推进意识形态建设工作。

兴国客家方言性别词的泛化用法

从词义源头来看,兴国客家方言中的性别词可以分为两类:一是标记人的名词,如“公、婆、母、嫲”;二是标记动物的名词,如“牯、牸、雄”。这些性别词在同类泛化基础上进一步扩大外延,跨越不同的语义范畴,由有生命的物体泛化至无生命的对象。它们的语义泛化过程分别是:公/嫲:人→人→动物→植物→物;婆/母:人→人→动物→物;牯:动物→动物→人→物;牸/雄:动物→动物→人。这些性别词大都经历了语素义虚化、性别标记功能弱化的语法化过程,即以隐喻的方式,通过类推机制,以原语素语义特征为内涵,词根逐步虚化成类词缀、词缀。兴国方言性别词的泛化用法,亦折射出客家人的文化精神:万物有灵、崇拜神祇的民间信仰;天人合一、和谐共生的哲学意识;尊卑有序、男女有别的道德规范等。

走出师德理解泛化的误区

无论职前教师教育,还是在职教师培训,师德培养都是重要内容。优质教师队伍的建设离不开师德培养,在此过程中,需要谨防师德泛化的认识误区。所谓师德泛化,即我们把教师素养中智、能、体之外的内容都归为师德。师德外延扩大化的结果是窄化了教师的精神世界。

学习困难与泛化能力感知的软件缺陷预测过采样方法

软件缺陷数据的类别分布不平衡特点给软件缺陷预测任务带了巨大的挑战。合成过采样是解决这一问题最为主流的技术,但如何设计合适的采样策略避免因引入异常样本而导致的过度泛化风险,始终是软件缺陷预测过采样方法面临的难点。针对这一问题,本文提出一种结合样本学习困难程度和合成泛化影响的过采样方法(GDOS)。具体来说,GDOS方法通过样本的局部先验概率和潜在合成方向上的样本分布信息衡量样本的安全系数与泛化系数,并以此度量样本的选择权重。通过抑制潜在过泛化区域的样本合成概率,给予相对安全的近邻合成方向更高的选择概率,为高质量样本的合成提供保障。在26个PROMISE数据集上的实验表明,GDOS在MCC、pd、pf、F-measure等指标上较于经典的采样方法和专门提出的软件缺陷预测采样方法均取得了更优的性能表现。

机理约束下钻井机械钻速智能预测泛化方法

钻井机械钻速的准确预测可辅助油气井钻井前科学配置资源,对制订更加合理的钻井作业方案以及钻井提效、降本增效具有重要现实意义。智能化预测钻井机械钻速已成为行业研究热点,为解决常规智能模型在不同井间迁移能力较差的问题,在对综合录井数据进行降噪、补全等预处理的基础上,利用钻井专业知识构造约束条件,引入了域对抗神经网络(DANN),建立了机械钻速模型在不同井间的迁移机制,结合滑动窗口、增量更新与实时录井数据,形成了机械钻速模型随井下工况的实时更新方法。研究结果表明:(1)数据层约束和网络层约束均可提高智能模型的精度与稳定性,且双机理约束下的BP模型相比于普通BP模型预测精度明显提高;(2)基于域对抗神经网络的机械钻速预测模型可有效地将邻井(源域)数据知识迁移到测试井(目标域);(3)基于增量学习算法建立的双滑动窗口数据更新机制,使模型实时适应地下钻进环境变化,预测精度和泛化能力进一步提升;(4)机理约束、迁移训练与实时更新对模型泛化性能的强化作用具有叠加效应,新井机械钻速预测平均相对误差降低至20.2%。结论认为,建立的机械钻速预测模型及迁移方法相较于传统钻速预测模型,具有更好的迁移性和更高的准确度,减少了迁移过程中重复训练时间,为机械钻速智能预测提供了新的思路和方向。

基于数据增强与领域泛化的轴承跨域故障诊断

在实际故障诊断任务中,待诊断任务往往不可预知,现有的一些迁移学习方法在构建迁移模型时,大多只集中在单一数据来源的学习上,并且极大依赖于目标域数据的样本数量等。针对此问题,提出一种基于数据增强与领域泛化的故障诊断方法。提出一种将一维振动信号转换为二维特征指标灰度图的数据预处理方法;利用带有梯度惩罚的深度条件Wasserstein对抗网络对多源域数据进行数据增强;最后,采取多域对抗学习策略,缩小多域间的分布差异,从而实现各域的特征域自适应。在轴承数据集上对所提方法的有效性和可靠性进行了充分的实验验证。实验结果表明:所提方法具有较高的稳定性和泛化性能,并且诊断精度优于其他方法。

基于Unet++网络的数字岩心图像分割泛化能力

图像分割是数字岩心技术的重要组成部分,深度学习为数字岩心图像分割提供了新方法。在优选的深度学习模型的基础上确定网络结构、训练数据量来平衡计算效率,进一步在不同类型的岩心数据集上讨论网络的泛化能力及其影响因素。结果表明:Unet、Segnet和Unet++网络中,Unet++网络可以在保证分割精度的同时具有最好的物性参数预测效果;Unet++网络在训练数据量和预测数据量为1∶1,网络结构设计2次采样的条件下,Unet++网络的分割精度可以达到98%;基于多类岩心训练的Unet++网络分割不同岩心图像的平均分割精度达95%,相较于岩心的类型,岩心图像的质量更能影响Unet++网络的识别效果。

单源域泛化中一种基于域增强和特征对齐的元学习方案

基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一种单源域泛化中基于域增强和特征对齐的元学习方案(meta-learning based on domain enhancement and feature alignment,MetaDefa)。利用背景替换和视觉损害技术为每一张图像生成多样且有效的增强图像,保证了源域和增强域之间的语义信息一致性;多通道特征对齐模块通过关注源域和增强域特征空间之间的相似目标区域和抑制非目标区域的特征表示充分挖掘图像信息,进而有效地提取充足的可迁移性知识。通过实验评估,MetaDefa在office-Caltech-10、office31和PACS数据集上分别取得了88.87%、73.06%和57.06%的精确度。结果表明,MetaDefa方法成功实现了源图像和增强图像之间的语义一致性和对域不变特征的充分提取,从而显著提升了单源域泛化模型的泛化性能。

基于CSI实例标准化的域泛化人体动作识别模型

为了实现完全不依赖目标域数据的Wi-Fi跨域人体动作感知,提出了一种基于CSI实例标准化的域泛化人体动作识别模型INDG-Fi。INDG-Fi使用实例标准化去除CSI特征表示的领域信息,接着构建共享特征提取的动作分类器和域分类器,并通过动作偏向学习和对抗性的域学习,将编码层提取的特征偏向人体动作引起的信号特征,同时远离领域信号影响。为了让模型关注受人体动作影响更显著的子载波信号,在编码层中加入子载波注意力模块。实现结果表明,所提INDG-Fi在不可见的用户和位置的感知性能分别为97.99%和92.73%,能够实现鲁棒的跨域感知。

域泛化问题中基于Mixup与对比损失的特征转换模型

当表示基础数据分布的域在训练和测试数据集之间存在差异时,传统的深度神经网络的性能会大幅下降。域泛化方法旨在仅使用源域的训练数据来提高在未知目标域上的泛化能力。主流的域泛化算法通常对一些流行的特征提取网络(如ResNet)进行修改,或者在特征提取网络之后添加更复杂的参数模块。流行的特征提取网络通常在大规模数据集上进行了较好的预训练,因此具有较强的特征提取能力,而对其进行修改会削弱这种能力。添加更复杂的参数模块会导致更深的网络,并且对计算资源要求更高。本文基于域泛化中流行的特征提取网络,提出了一种新的特征转换模型,不做任何更改或添加任何模块。通过结合对比损失和数据增强策略(即Mixup),该特征转换模型的泛化能力得到了提升,并提出了一种新的样本选择策略来与Mixup和对比损失相协作。在基准数据集PACS和Domainnet上的实验结果表明,该方法优于传统的域泛化方法。

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization,BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。

SQL-to-text模型的组合泛化能力评估方法

数据库的结构化查询语言(SQL)到自然语言的翻译(SQL-to-text)能提高关系数据库的易用性。近年来该领域主要使用机器学习的方法进行研究并已取得一定进展,然而现有翻译模型的能力仍不足以投入实际应用。由于组合泛化能力是SQL-to-text模型在实际应用中提升翻译效果的必要能力,且目前缺少对此类模型组合泛化能力的研究,因此提出一种SQL-to-text模型的组合泛化能力评估方法。基于现有的SQL-to-text数据集生成大量SQL和对应的自然语言翻译(SQL-自然语言对),并按SQL-自然语言对所含SQL子句的个数将其划分为训练数据与测试数据,使测试数据中的SQL子句皆以不同的组合方式在训练数据中出现,从而得到可评估模型组合泛化能力的新数据集。评估结果表明,该方法对查询知识的使用程度较高,划分数据的方式更加合理,所得数据集符合评估组合泛化能力的需求且贴近模型的实际应用场景,受到原始数据集的限制程度更低,并证实现有模型的组合泛化能力仍需提升,其中针对SQL-to-text任务设计的关系感知图转换器模型组合泛化能力最弱,表明原有的SQL-to-text数据集对组合泛化能力的考察存在欠缺。

不同强度运动改善PTSD小鼠恐惧记忆泛化及促海马神经再生效应研究

目的:探讨不同强度运动缓解创伤后应激障碍(PTSD)恐惧记忆泛化的作用及促海马神经再生中枢调控机制。方法:采用随机数字法将雄性C57 BL/6J小鼠分为对照(control)组、PTSD建模(PTSD)组、建模后高强度运动(PTSD-High)组和建模后低强度运动(PTSD-Low)组。采用条件性足部电击(CF)和单次-持续应激(SPS)相结合的方法,构建PTSD复合应激模型。利用条件性恐惧实验测试小鼠对恐惧记忆相似情境的辨别能力,评估小鼠恐惧记忆泛化程度,通过免疫荧光双标实验观察并量化小鼠海马DG区新生的未成熟神经元,使用ELISA测定血清脂联素的分泌水平。结果:(1)在条件性恐惧实验三个类似情境中,control组与PTSD-High组的不动时间均明显低于PTSD组。(2)免疫荧光双标染色图片显示,PTSD组小鼠海马DG区的新生神经元与未成熟神经元荧光信号降低,新生未成熟神经元纤维短而少。统计表明,与PTSD组相比,control、PTSD-High和PTSD-Low组小鼠新生未成熟神经元的细胞密度和树突分支点及长度均明显升高。(3)ELISA结果显示,control和PTSD-High组小鼠血清中脂联素水平均明显高于PTSD组和PTSD-Low组。结论:PTSD小鼠恐惧记忆泛化与海马神经再生水平下降有关。运动可能通过促进脂联素的分泌、促进海马神经再生改善恐惧记忆泛化。不同强度运动对比发现高强度运动改善效果更好。

基于帧内-帧间自融合的双流泛化人脸伪造检测方法

现有人脸伪造检测方法往往在已知伪造类型上表现良好,但面对未知数据时检测性能有所下降,模型易受到过拟合的影响,检测泛化性不足。针对此问题,提出一种基于帧内-帧间自融合的双流泛化人脸伪造检测方法,从数据增强和检测器改进2个方面提高检测泛化性。设计帧内-帧间自融合模块,分别利用同帧人脸、帧间人脸进行数据增强:帧内自融合子模块利用同帧人脸生成训练数据,从而避免人脸图像身份信息干扰;帧间自融合子模块利用伪造视频的帧间不一致性,进一步构造多样性丰富、逼真的训练数据集,从而有效防止模型的过拟合,确保检测模型的泛化能力。此外,设计基于通道注意力机制的双流特征融合网络,在网络的浅层提取RGB特征、高频特征并进行融合来挖掘伪造信息,在提升模型性能的同时缓解网络的参数增长。将模型在4个数据集上与9种主流检测方法进行对比实验,结果表明:在跨数据集实验中,所提方法较次优方法AUC均值提高1.52个百分点,EER均值降低1.5个百分点;在跨伪造方法实验中,所提方法在4种伪造方法子数据集上均取得最优或次优效果。实验结果验证了该方法优秀的泛化能力。

基于数据表示不变性的域泛化研究

域泛化是人工智能近几年非常热门的一个研究方向,希望在不同的数据分布中学习到与任务相关的不变表征,即移除不同域在学习任务中的影响,从而提升模型的域泛化能力。为提升模型域泛化能力,利用基于不变性风险最小化的思想,具体将神经网络分为特征提取器和不变性分类器进行分别探究。在特征提取器上,采用了基于牛顿迭代的组白化方法来控制激活值的分布,从而使得不同的图像经过神经网络后能够去除部分域信息,以求达到域泛化的目的;在不变性分类器上,探究了特征和权重的规范化方法对模型域泛化效果的影响,并提出了基于余弦相似度损失函数的雪花算法,该算法提升了模型域泛化的准确率。此外,提供了关于雪花算法的理论推导并做了深入分析,为实验提供了理论支撑。

“超学科”视野下的创意“泛化”:设计思维课程教学新探索

创新“超学科”视野下设计思维课程的教学实践,促进设计类学生创意的“泛化”,以面对现实世界中的复杂问题。从设计思维教学现状与问题展开分析,以“超学科”“设计思维”与“创意泛化”的概念与联系为理论基础,围绕“创意泛化”教学理念,采用实践为导向的项目式教学,分析学生在设计思维课程中的表现和成果,构建符合新文科要求的复合型创新人才的教学模式。创意“泛化”的教学模式下,学生设计思维在系统性、灵活性、适应性等方面得到显著提升。“超学科”视野下的设计思维教学实践可以有效促进创意“泛化”,为学生提供多元化解决问题的思路,发散设计思维,培养其解决新时代复杂问题的设计实践能力,并为同类课程的建设提供了借鉴与参考。