基于近红外-可见光高光谱的堆叠泛化模型褐土有机质预测

准确预测农田土壤有机质含量有助于评估农田肥力状况,为精准农业提供数据依据。为解决单模型实现快速估测农田土壤表层有机质含量精度较低和泛化能力较弱的问题,以山西省典型褐土农田表层土壤为研究对象,基于近红外-可见光高光谱数据,提出了一种堆叠泛化模型(SGM)用于预测有机质含量。首先对原高光谱数据采用小波平滑,对平滑数据进行倒数一阶微分、对数倒数一阶微分变换,采用相关系数与递归特征消除法进行特征波段提取。同时,引入机器学习中的集成学习随机森林Random Forest(RF)、梯度提升决策树Gradient Boosting Decision Tree(GBDT)、极限梯度提升eXtreme Gradient Boosting(XGBoost)、AdaBoost 4个初级机器学习器模型通过5折交叉验证对有机质含量进行预测,在初级学习器预测结果基础上,采用随机梯度下降SGD(stochastic gradient descent)作为元学习器建立SGM堆叠泛化模型。突破单模型精度较低和不稳定的制约,实现有机质含量的快速稳定检测。结果表明:倒数一阶微分变换后的光谱信息与有机质含量具有较好的相关性,相关性最大值达到了-0.611;相比单模型,堆叠泛化预测模型的决定系数(R^(2))和相对分析误差(RPD)分别为0.819和2.256,较其他算法平均决定系数(R^(2))和平均相对分析误差(RPD)分别提高了0.055和0.323;平均绝对误差(MAE)、均方根误差(RMSE)分别为1.742和2.308 g·kg^(-1),较其他算法平均绝对误差(MAE)和平均均方根误差(RMSE)分别降低了0.406和0.389 g·kg^(-1),优化效果明显,可用于农田土壤表层有机质含量的有效估测。研究成果可为农田土壤表层有机质含量的高光谱快速检测提供依据和参考。

仿人机器人步态平衡泛化模型的建立与仿真

通过人体示教计算零力矩点(zero moment point,ZMP),并通过补偿关节角度对其矫正的方法可以解决机器人步行不稳定的问题,但仍存在算法复杂度过高等问题。本文提出一种人体示教与机器学习相结合的方法,基于支持向量回归算法建立机器人的步态平衡泛化模型,通过该模型可以实现对模型输入人体示教的关节角度和ZMP信息后直接得到经稳定性补偿的关节角度,并以此驱动机器人完成步行动作。引入鲸鱼优化算法(whale optimization algorithm,WOA)优化模型的参数以使模型得到最优的泛化效果,完善步态平衡模型的性能。WEBOTS仿真平台下,使用模型输出的补偿后的关节角度驱动NAO机器人,其动作自然、稳定且算法复杂度较低,验证了本文方法的可行性。

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。

多项式回归中模型过拟合与模型泛化问题研究

线性回归在实际应用中对数据集有一定的要求,即数据本身应当具备一定的线性关系,但在实际问题中,更多的是数据之间存在非线性关系,针对非线性问题可以使用多项式的方式来处理。同时,多项式的引入容易导致过拟合问题。本文针对不同场景下的非线性数据问题,来研究和探讨模型过拟合发生的原因,并通过模型正则化的方式来提升模型的泛化能力,进一步研究不同正则化方式在处理过拟合问题时的效果。

基于模型激励响应的负荷分类及泛化能力

负荷时变性已经成为制约负荷模型推广应用的主要因素,而负荷分类则是解决这个问题的很好的办法。本文提出了一种新的负荷分类及模型泛化的方法:首先以模型阶跃响应为特征矢量,采用聚类分析的方法对负荷进行分类,然后用多曲线拟合的方法对每一类建立一个代表整个类的负荷模型,并对各类模型的参数以及各类扰动数据之间存在的规律进行分析,在此基础上按照一定的规律合并类,最终得到了具有较强泛化能力和实用性的负荷模型。

泛化语言模型在汉维机器翻译中的应用

针对汉维统计机器翻译中维吾尔语具有长距离依赖问题和语言模型具有数据稀疏现象,提出了一种基于泛化的维吾尔语语言模型。该模型借助维吾尔语语言模型的训练过程中生成的文本,结合字符串相似度算法,取相似的维文字符串经过归一化处理抽取规则,计算规则的参数值,利用规则给测试集在解码过程中生成nbest译文重新评分,将评分最高的译文作为最佳译文。实验结果表明,泛化语言模型减少了存储空间,同时,规则的合理使用有效地提高了翻译译文的质量。

计及模型泛化能力的小水电机群动态等值方法研究

在中国西南地区存在大量小水电机群集中并网的现象,在分析其对大电网影响时,现有小水电机群等值模型存在泛化能力不强的问题,即等值模型虽然可以很好地重现已记录的故障信息,但是却难以准确表征系统在未知故障下的动态特征。为解决这个问题,该文针对传统等值模型泛化能力不强的原因进行详细分析,并提出计及模型泛化能力的小水电机群动态等值新方法。通过同调性判别,对小水电机群进行分群与多机表征;采用五阶发电机模型对单台等值电机进行建模,并对发电机本体和励磁参数进行辨识;利用灵敏度分析方法,将待辨识参数分为关键参数和非关键参数,避免等值模型多解问题;针对电力系统高度非线性化的特征,基于多目标优化算法对关键参数和非关键参数进行分步辨识。最后,在四川某水电外送通道模型中验证所提方法的有效性。

一种基于生成对抗网络与模型泛化的机器人推抓技能学习方法

杂乱环境中机器人推动与抓取技能自主学习问题被学者广泛研究,实现二者之间的协同是提升抓取效率的关键,本文提出一种基于生成对抗网络与模型泛化的深度强化学习算法GARL-DQN。首先,将生成对抗网络嵌入到传统DQN中,训练推动与抓取之间的协同进化;其次,将MDP中部分参数基于目标对象公式化,借鉴事后经验回放机制(HER)提高经验池样本利用率;然后,针对图像状态引入随机(卷积)神经网络来提高算法的泛化能力;最后,设计了12个测试场景,在抓取成功率与平均运动次数指标上与其他4种方法进行对比,在规则物块场景中两个指标分别为91.5%和3.406;在日常工具场景中两个指标分别为85.2%和8.6,验证了GARL-DQN算法在解决机器人推抓协同及模型泛化问题上的有效性。

基于局部泛化误差模型的RBFNN的启发式训练方法

研究如何应用吴永贤(W.W.Y.NG)提出的局部泛化误差模型来训练径向基函数神经网络(RBFNN),给出了一种训练RBFNN的启发式训练方法.实验表明,该方法成功解决了模型结果计算时间复杂度问题,同时RBFNN的训练精度也达到令人满意的结果.

基于堆叠泛化学习模型的放射治疗药物剂量预测

针对基于MRI的放射治疗缺乏与CT电子密度直接相关的问题,提出了基于融合图像特征提取和基于堆叠泛化的学习模型,建立了CT扫描特征的HU(HousefieldUnit)单位值间接分配到MRI数据中的映射进行放射剂量预测.该学习模型分2层,第1层用于学习融合图像多模态特征提取;第2层用于堆叠的泛化融合,使用CT扫描特征的HU值与MRI数据中的映射误差最小.实验表明,脑部区域中MRI的放射治疗药剂量预测质量比传统方式提高10%~14%.

局部泛化误差模型的改进及其在特征选择中的应用

利用基于范数的思想,重新推导了WingW.Y.Ng的局部泛化误差模型(L-GEM),并结合实际应用的需要,进一步简化了该模型(L-GEM-WA)。可将该模型应用到特征选择当中。实验表明,在尽可能不降低网络测试精度的前提下,L-GEM-WA模型在特征选择中的应用非常实用有效。

基于泛化高斯模型infomax算法的水声信号盲分离

在信号盲分离领域中,信息最大化算法是一种比较成熟的算法,尤其在处理语音信号盲分离问题中,有着较好的效果.通过对水声信号幅值分布的研究,将基于概率密度函数估计的信息最大化算法运用到水声信号盲分离中,并通过仿真实验比较了基于不同概率密度函数的信息最大化算法对水声信号盲分离的效果.ICA算法的成功与否取决于它的概率密度模型是否能较好的拟合信号本身固有的统计分布.通过对船舶辐射噪声信号的盲分离实验证明了GGM能较好的拟合船舶辐射信号及海洋噪声信号这两种不同的概率分布.

知识蒸馏正则化方法研究

在深度学习中,正则化是防止模型过拟合和提高模型泛化性能的重要工具.知识蒸馏(Knowledge Distillation,KD)是一组由一个模型生成的软标签作为监督信号去指导另一个模型的相对较新的,流行的正则化方法.首先,给出了KD正则化的基本知识并将现有的知识蒸馏正则化分为两大类,即正向蒸馏和互蒸馏.对每种类型,都详细介绍了关键的组成部分和代表性方法.其次,比较了这两大类正则化方法的优缺点并在图像分类上评估了模型的泛化性能.同时,也为特定的任务和场景选择合适的KD正则化方法提供了指南.最后,总结了KD正则化方法存在的关键性挑战并讨论了将来的研究方向.

基于深度学习的EEG数据分析技术综述

对近年来的相关工作进行全面分析、横向比较,梳理出基于深度学习的EEG数据分析闭环流程.对EEG数据进行介绍,从深度学习在EEG数据预处理、特征提取以及模型泛化3个关键阶段的应用进行展开,梳理深度学习算法在相应阶段提供的研究思路和解决方案,包括各阶段所存在的难点与问题.全方位总结出不同算法的主要贡献和局限性,讨论深度学习技术在各个阶段处理EEG数据时所面临的挑战及未来的发展方向.

含有固体氧化物燃料电池的广义负荷建模

随着智能电网、微电网、分布式发电技术的发展,配网侧将接入大量的分布式电源。考虑分布式发电的广义负荷建模具有重大的理论研究与实际应用价值。基于Matlab/Simulink建立固体氧化物燃料电池(solid oxide fuel cell,SOFC)及其并网系统的动态模型,研究其外特性,指出含有SOFC的配电网络的广义负荷模型结构,只需在传统的综合负荷模型(synthesis load model,SLM)的虚拟母线上增加一个有功随电压变化的有功功率源。辨识参数需要增加SOFC相对纯负荷的比例、功率调节器的比例与积分放大倍数3个参数。算例表明,所提出的模型结构的描述能力、内插外推能力及参数辨识的稳定性较好。

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例,以哨兵2号全年可用卫星影像为数据源,构建年时间序列NDVI数据集;采用循环神经网络构架,搭建针对结构化时序数据的双向长短期记忆网络模型(bidirectional long short-term memory,Bi-LSTM),开展遥感作物分类,并评估模型的泛化能力;通过输入不同长度时间序列遥感数据,探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力,基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%,Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现,对大多数作物来说,其分类精度随着数据时间序列长度增加而不断提高,冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征,因而利用生长季早期的时间序列影像即可获得较高的制图精度,而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息,可以学习作物不同阶段的光谱变化特征,在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势,在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列,为及时、快速的区域作物高精度制图提供了可行的思路。

基于Lasso回归模型的青岛海洋经济和海洋产业分析

为促进青岛海洋产业结构优化和海洋经济高质量发展,文章构建评价指标体系,采用Lasso回归模型分析对青岛海洋经济发展产生重要影响的海洋产业,并提出发展建议。研究结果表明:青岛海洋经济发展水平评价指标体系包括海洋渔业、海洋化工业、海洋进出口总额、海洋环境、海洋交通运输业和滨海旅游业6个大类和20个特征变量;采用10折交叉验证确定调节系数的最优取值,并通过求解Lasso回归系数最终筛选10个特征变量进入回归模型;根据回归系数估计值,国内旅客数量的重要性最强,海洋渔业产值的重要性较强,而货物吞吐量的重要性较弱;Lasso回归模型的预测准确率、模型泛化能力和可信度均较高,属于稳健的稀疏模型;未来青岛应进一步发挥滨海旅游业和海洋渔业等的产业优势,着力发展海洋交通运输业,保护海洋生态环境以及加大海洋科技研发投入。

深度学习作物分类模型空间泛化能力分析

大数据驱动训练的深度学习模型是当今农作物分类的最新方法。当前研究仍然主要关注该模型方法的创新性,其在特定时间、特定地区的作物分类模型的泛化能力分析经常被忽略。因此,提高遥感分类模型在大尺度空间范围的有效迁移能力是遥感技术支撑地球系统科学研究和社会应用的关键。本研究通过设计实验分析了模型架构、作物物候特征、农区地块尺度、数据类型等因素对作物分类模型泛化能力的影响。结果表明:一方面当训练区和测试区地块大小发生明显变化时,MultiResUNet相对于SegNet,DeepLab V3+和U-Net具有更好的泛化性能。然而,单纯依靠MultiResUNet的泛化能力依然无法完全克服地块空间形态的变化对模型迁移的不利影响,为获得更高精度的华北玉米分布信息,需要优先使用与华北地区农业景观更相似的东北作物分布数据产品进行深度学习模型训练;另一方面,相对于TOA (Top of Atmosphere)数据,采用SR (Surface Reflectance)数据更有利于模型在跨洲际尺度进行空间迁移,因此,在大尺度作物制图研究中,应优先考虑使用SR数据。综上,本研究从一定程度上验证了影响农作物分类模型迁移性能的内在因素,可为大尺度作物制图提供科学依据。

数字孪生丹江口水质安全建设实践与思考

丹江口水库作为南水北调中线工程水源地,做好其水质安全保障工作是保证南水北调中线工程安全平稳运行的重要前提。随着信息化、智能化发展,数字孪生技术在水库水质安全管理中应用前景广阔。阐述了丹江口水库水质安全保障工作重要性及传统管理方式的短板,结合水库水质管理工作需求提出数字孪生丹江口水质安全板块涉及的核心技术体系,包括水质动态全域高精度协同感知及融合治理技术、基于“数据+机理”模型耦合的水质安全模型库以及水质“四预”技术等。通过2024年汛期青山水质自动监测站总磷升高及突发水污染事件预测预演等应用实践,展示了数字孪生丹江口建设应用效果,同时指出了现有系统在预报精度、预见期、数据集成、模型泛化能力以及“四预”业务应用等方面尚存的不足和短板,并围绕技术升级优化、集成拓展等重点方向,提出了数字孪生丹江口水质安全板块后续建设思路及趋势展望。

无线通信中信道建模中两个基扩展模型的比较

本文研究的是移动通信中信号传输问题。建立基扩展模型,给出最小二乘法拟合复指数基系数方法,通过仿真验证该模型在减少测试数据方面的效果。又建立了泛化复指数基扩展模型同样对信道进行估计,将两种方法从不同方面进行比较,得出各模型的优点。