基于自适应领域算法的智能照明控制系统

本研究将提出一种新型的智能照明控制系统,该系统是基于一种新型自适应算法ANA/CC(基于相关性系数的自适应领域算法)的,并且运用最新提出的可视光通信技术在照明设备和照度传感器之间建立直接的通信,从而为特定的地点提供所需要的照度,在整个系统建立的过程中,我们还特地为该系统建立控制模型,经过实验和仿真我们发现,该模型可以在短时间内将测试地点的照度达到目标值。

基于自适应领域算法的智能照明控制系统

提出一种新型的智能照明控制系统,该系统基于一种新型自适应算法ANA/CC(基于相关性系数的自适应领域算法),运用最新提出的可视光通信技术在照明设备和照度传感器之间建立直接的通信,从而为特定的地点提供所需要的照度,在整个系统建立的过程中,为该系统建立控制模型。经过实验和仿真发现,该模型可以在短时间内将测试地点的照度达到目标值。

领域自适应方法用于医学影像研究进展

人工智能有助于提高医学影像学诊断准确率、提高工作效率,但训练模型的过程中需要对大量图像数据进行标注,且需面临域偏移等问题;利用领域自适应方法可基于少量标注数据训练高效模型。本文就领域自适应方法用于医学影像研究进展进行综述。

采用变分模态分解与领域自适应的表面肌电信号手势识别

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足,以及新用户因个体生理和行为差异在已有模型上表现不佳的问题,提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法,用于提升手势识别的性能。首先对肌电信号进行变分模态分解,构建易于识别的表面肌电图像,并提出了一种卷积神经网络模型进行手势识别,提升用户相关的肌电信号手势识别准确率;同时利用迁移学习中的领域自适应和模型微调技术,提升用户无关的肌电信号手势识别准确率,并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明:在4组评估验证中,用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果,为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

深度子领域自适应网络电机滚动轴承跨工况故障诊断

针对实际生产中旋转机械工况变化引起状态监测数据分布差异及获取待诊断样本标签困难问题,提出多尺度子领域自适应模型(MSDAM)的跨工况下滚动轴承故障诊断方法。首先,以原始振动信号作为输入,无需信号预处理及人工特征参数提取;其次,搭建多尺度卷积神经网络将已知标签样本和待诊断样本特征迁移到同一子空间,捕获具有细粒度信息的多尺度公共特征;然后,以不同的故障类型来划分相关子域,并通过局部最大均值距离(LMMD)来完成子域的适配,有效削弱不同工况同类故障特征的分布差异;最后,在三个数据集的多个迁移任务上进行试验验证。结果证明,所提MSDAM的跨工况故障诊断性能优于关注全局领域适配的迁移学习方法。

基于伪标签的无监督领域自适应行人重识别研究综述

行人重识别是计算机视觉领域的热点研究课题之一。近年来,为了解决行人重识别实际应用中标签数据稀缺的问题,同时也为了有效地利用现有的标签数据,研究者们提出了基于生成对抗网络以及基于伪标签的领域自适应方法,用于进行跨领域的行人重识别研究。基于伪标签的无监督领域自适应行人重识别方法由于效果显著而备受研究者的青睐。文中梳理了近7年来基于伪标签的无监督领域自适应行人重识别的研究成果,将基于伪标签的方法从模型训练角度划分为两个阶段。1)伪标签生成阶段。现有工作的伪标签生成方法大多使用聚类方法,部分工作采用基于图结构学习的图匹配、图卷积网络方法来生成目标域的伪标签。2)伪标签精炼阶段。文中将现有的伪标签精炼方法归纳为基于表征学习的精炼方法以及基于相似度学习的精炼方法,并分别进行模型方法的总结与整理。最后,讨论现阶段基于伪标签的无监督领域自适应行人重识别面临的挑战并对未来可能的发展方向进行展望。

无监督领域自适应轴承故障诊断方法研究

针对基于深度学习的轴承故障诊断算法在不同工作条件和真实环境中故障样本缺乏标记的情况下诊断效果不佳的问题,提出了一种无监督的领域自适应轴承故障诊断方法,实现在无监督的情况下对不同工况的轴承进行故障诊断。首先,用快速傅里叶变换对数据进行预处理,并用卷积神经网络提取轴承故障的特征。然后,通过生成对抗网络中反转标签的方法使源域和目标域输出的特征分布趋同。最后,使用源域的分类器完成不同工况下的轴承故障诊断任务。为验证该方法有效性,在美国凯斯西储大学轴承数据集和德国帕德博恩大学轴承数据集上开展验证实验。验证结果表明,可使用无标签的目标域数据完成迁移任务,在两个数据集上表现出了较好的迁移效果,取得较高的诊断准确率。

一种基于领域自适应的智能合约安全分析框架

现有智能合约漏洞检测方案很大程度上依赖于缜密的专家规则或先验知识,不仅缺乏灵活性且难以应对新型未知漏洞检测,为此提出一种基于领域自适应的智能合约安全分析框架(domain adaptive security analysis framework,DASAF)。首先,在DASAF中,智能合约操作码执行逻辑被获取并被转化为序列特征。其次,为了解决深度学习模型中固有的数据偏移现象引起的模型老化,以及新型未知漏洞有标签样本不足导致的难以获得强泛化性能的问题,在DASAF中引入了生成对抗网络结构和领域自适应技术。最后,在一个公开基准数据集上详细评估了DASAF在智能合约漏洞分析领域的有效性,并与同类方案进行了对比,实验结果表明,本文提出的DASAF优于同类方案。

基于领域对比自适应模型的大学生焦虑心理分析

焦虑心理检测任务是利用自然语言处理技术对用户在社交媒体上发布的内容进行分析。为了促进对高校学生焦虑心理检测的研究,开发了一个微博数据集。针对数据集标注成本高等问题,从无监督的角度对突发公共卫生事件背景下的零样本数据进行分析,提出了基于领域对比学习的自适应模型(DAN-CL)。DANCL基于预训练语言模型,将源域文本和目标域文本输入到结合知识蒸馏的对抗网络中进行领域自适应训练,实现模型的知识迁移,并采用对比学习方法提高模型的泛化能力。基准实验结果表明,DAN-CL的性能优于现存的对比模型,消融实验进一步证明了模型中不同部分的有效性。对高校学生的心理状况进行分析,发现其心理焦虑变化情况与突发性公共卫生事件变化的趋势是一致的,受疾病发展与周围环境的影响其焦虑水平显著升高。对焦虑产生的原因进行具体分析并提出对策,为突发性公共卫生事件下以及后时代应对大学生的心理健康挑战提供理论支持。

基于边缘领域自适应的立体匹配算法

风格迁移方法因其较好的域适应性,广泛应用于存在领域差异的计算机视觉领域。当前基于风格迁移的立体匹配任务存在如下挑战:(1)转换后的左右图像需满足配对的前提;(2)转换后图像的内容和空间信息要与原始图像保持一致。针对以上难点,该文提出一种基于边缘领域自适应的立体匹配方法(EDA-Stereo)。首先,构建了边缘引导的生成对抗网络(Edge-GAN),通过空间特征转换(SFT)层融合边缘信息和合成域图像特征,引导生成器输出保留合成域图像结构特征的伪图像。其次,提出翘曲损失函数以迫使基于转换后的右图像所重建出的左图像向原始左图像进行逼近,防止转换后的左右图像对不匹配。最后,提出基于法线损失的立体匹配网络,通过表征局部深度变化来捕获更多的几何细节,有效提高了匹配精度。通过在合成数据集上训练,在真实数据集上与多种方法进行比较,结果表明本该方法能够有效缓解领域差异,在KITTI 2012和KITTI 2015数据集上的D1误差分别为3.9%和4.8%,比当前先进的域不变立体匹配网络(DSM-Net)方法分别相对降低了37%和26%。

基于SMOTETomek过采样方法与领域自适应迁移学习的风电机组故障诊断

为在不平衡数据上得到准确分类的故障诊断模型,提出将SMOTETomek过采样方法与领域自适应迁移学习相结合的故障诊断算法框架。首先利用滑动窗口采样技术将数据采样成二维时空窗口数据,然后执行SMOTETomek过采样操作,可保留并丰富完整的时序故障特征。针对过采样算法引入噪声信息的问题,引入领域自适应迁移学习算法在原始数据与过采样后的数据之间提取不变特征,使得过采样算法的引入的噪声信息可被过滤掉。在中国某实际风电场的实验结果显示,所提方法可在高度不平衡的数据上完成模型训练,准确识别各类型故障并精确辨识故障过程对应的时间窗口,诊断性能显著优于基于先前用于应对数据不平衡所普遍使用的过采样方法得到的模型。

小样本下基于领域自适应的间歇过程质量预测

针对间歇过程因样本量不足导致预测精度低的问题,提出一种基于领域自适应的间歇过程质量预测模型方法。首先,引入空间注意力机制自适应地增强与质量指标相关性高的输入变量,结合一维卷积层和长短期记忆网络单元分别挖掘数据的空间特征和时间特征。其次,将领域自适应方法引入到建模过程中,进行目标域数据和源域数据之间特征的自适应匹配,降低2个数据集因分布差异对模型预测精度的影响。该方法在慢时变的青霉素生产过程仿真数据集和酚醛树脂工业生产过程进行了验证。实验结果表明,所提出的模型能有效地提高小样本下间歇过程质量预测的精度。

基于深度学习的无监督领域自适应语义分割算法综述

随着现代生活逐步智能化,越来越多的应用需要从图像中推断相应的语义信息再进行后续的处理,如虚拟现实、自动驾驶和视频监控等应用。目前的语义分割模型利用大量标注数据进行有监督训练能达到理想的性能,但模型对与训练数据不同分布的数据进行推理时,其性能严重下降。这意味着一旦应用场景发生变化,就需对新场景的数据进行标注。模型重新利用新数据进行训练,才能达到正常的性能。这无疑是耗时的、代价昂贵的。为此,领域自适应语义分割算法提供了解决模型在分布不一致数据上语义分割性能下降问题的思路。总结了领域自适应语义分割算法的前沿进展,并对未来研究方向进行展望。

基于子领域自适应的液压系统故障诊断方法

针对液压系统故障数据采集困难和数据量有限导致其故障诊断模型精度低的问题,提出基于子领域自适应的故障诊断方法。通过液压系统仿真模型模拟不同的故障类型,获得丰富的故障仿真数据,并与有限的实测故障数据结合用于模型构建;将1维卷积神经网络(One-dimensional-Convolutional Neural Network, 1D-CNN)与子领域自适应方法结合,利用1D-CNN构建多传感器信息融合网络全面提取液压系统的故障信息,在域自适应层采用局部最大平均差异(Local Maximum Mean Discrepancy, LMMD)减小源域和目标域特征之间的全局分布差异和子领域分布差异,构建出故障诊断模型。结果表明,所提方法在各类故障实测样本仅有1个的情况下,故障的诊断准确率达到100%,优于所对比的其他智能故障诊断方法。

基于仿真数据和子领域自适应的轴承故障网络诊断框架

在实际工业环境中,往往缺乏相应工况的轴承故障数据用于模型训练,这限制了深度学习在工业场景中的应用。基于此,采用两种建模方式生成了轴承故障信号,将其用于训练模型,并利用深度子领域自适应方法,缩小了模拟信号和真实信号间的差异,提升了模型对真实信号的诊断精度。首先,采用数学建模和基于LS-DYNA的有限元仿真两种方式建立了轴承故障仿真模型,以获取与实际场景相同工况下的轴承故障仿真加速度信号;其次,针对仿真数据和真实数据存在差异的问题,利用子领域自适应方法得到了对齐仿真数据和实际数据的全局特征分布以及相关子领域的特征分布;最后,采用原始一维振动信号作为输入,在残差神经网络(ResNet)模型架构上完成了端到端的轴承故障分类工作;将德国帕德博恩大学采集到的轴承故障信号作为实验数据,对上述模型的有效性进行了验证。研究结果表明:相较于有限元仿真,数学建模生成的仿真信号能够较轻易地迁移到实际信号,在无标签数据场景下具有99.73%的轴承故障识别精度,体现了数学建模在无监督轴承故障诊断领域的广阔应用前景,是在真实工业系统和人工智能之间架起桥梁的关键技术。

基于渐进式双重对齐的无源无监督领域自适应方法

无源领域自适应的核心任务是利用无标签的目标域数据,将预训练好的源模型迁移到目标领域。基于深度聚类的方法需要在自监督学习过程中挖掘辅助信息来正则化特征分布对齐,而辅助信息中噪声常常误导该对齐过程;基于伪源域的对抗学习方法进行概率分布对齐,对所构建伪源域质量十分敏感。针对现有方法存在的不足,本文提出了一种基于渐进式双重对齐的无源无监督领域自适应方法,在进行深度聚类的同时,进行域对齐,缓解深度聚类中伪标签的噪声。首先,通过超近邻增强样本生成高质量伪源域,以克服源域不可见的问题;其次,利用对抗学习,实现两个域的概率分布初对齐;最后,引入深度特征相似,进一步强化对齐效果。在两个公开数据集上的实验结果表明了其有效性。

深度指导的无监督领域自适应语义分割

为了提高语义分割精度,解决模型在不同数据域上泛化性差的问题,提出基于深度信息的无监督领域自适应语义分割方法.首先,深度感知自适应框架通过捕捉深度信息和语义信息的内在联系,减小不同域之间的差异;然后,设计了一个轻量级深度估计网络来提供深度信息,通过跨任务交互策略融合深度和语义信息,并在深度感知空间对齐源域和目标域的分布差距;最后,提出基于深度信息的域内自适应策略弥合目标域内部的分布差异,将目标域分为子源域和子目标域,并缩小子源域和子目标域分布差距.实验结果表明,所提方法在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任务上的平均交并比分别为46.7%和73.3%,与同类方法相比,该方法在语义分割和深度估计精度上均有显著提升.

基于双记忆交互网络的领域自适应方面词提取方法

方面词提取是方面级情感分析中的一个核心任务,随着社交网络的不断发展,越来越多的用户倾向于根据评论文本来做决策,并且对评论文本的细节越来越关注。因此,从海量的评论文本中准确提取方面词对于用户快速决策具有重要意义。由于标注语料极其耗时耗力,成本高,所以当前公开的方面词数据集相对较少,从而影响了神经网络模型的有效训练。为了缓解这一问题,有研究者使用了领域自适应策略,该策略通过使用方面词和意见词之间的共同句法关系来弥补不同领域之间的差距,但这高度依赖于外部语言资源。针对上述问题,该文使用无监督领域自适应的方法,通过从粗粒度方面类别任务的丰富资源源域学习到的知识,来提高细粒度方面词任务的低资源目标域的学习能力。为了缓解领域间粒度不一致和特征不匹配问题,该文提出了一种双记忆交互网络,该网络通过将每个单词的局部记忆与全局方面词和方面类别记忆进行交互,不断迭代获得每个单词的相关向量,进而得到方面词与方面类别之间的相互联系,以及方面词或方面类别本身之间的内部相关性。最后为了验证方法的有效性,该文方法在Laptop、Restaurant和Device数据集上分别进行了实验。实验结果表明,与多个基线模型相比,该文提出的方法性能更优。

基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型

由浙江大学申请的专利(公布号CN114387207B,公布日期2024-07-12)“基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型”,提供了1种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型。轮胎瑕疵检测方法模型训练阶段将轮胎X光图像裁剪后。

统计与词典相结合的领域自适应中文分词

基于统计的中文分词方法由于训练语料领域的限制,导致其领域自适应性能力较差。相比分词训练语料,领域词典的获取要容易许多,而且能为分词提供丰富的领域信息。该文通过将词典信息以特征的方式融入到统计分词模型(该文使用CRF统计模型)中来实现领域自适应性。实验表明,这种方法显著提高了统计中文分词的领域自适应能力。当测试领域和训练领域相同时,分词的F-measure值提升了2%;当测试领域和训练领域不同时,分词的F-measure值提升了6%。