基于改进注意力机制的领域对抗网络的认知负荷识别模型

在认知负荷识别领域,精确的跨领域识别对提高模型的鲁棒性和适应性至关重要,其中基于脑电信号(EEG)的评价方法当前已经成为研究的主流方向,但是由于脑电信号自身具有差异性非稳态性的特点,因此需要提高脑电信号在测量时的泛化性,有效实现通过测量EEG信号进行认知负荷识别.本文提出了一种增加注意力机制的长短时记忆网络和领域对抗网络相结合的深度学习模型,在领域对抗网络中加入了通过经验模态分解(EMD)计算的近似熵注意力机制,该模型通过集成注意力机制增强特征提取能力,能够有效捕捉与认知负荷相关的关键信息;同时通过源域和目标域之间的不断对抗,混淆源域与目标域之间的分布差异,达到提高模型识别泛化性的效果.在完成模型构建之后,选择现有方法与本文提出模型进行对比,取得了较好成绩,证明了本文模型在EEG识别中的优越性.

领域对抗与分类差异的变工况球磨机负荷识别

在变工况球磨机负荷识别过程中,针对域适应方法在源域和目标域的特征迁移中没有考虑目标域样本而导致域适应效果不好的问题,本文提出一种基于领域对抗与分类差异的域适应方法。该方法使用域对抗训练方式实现源域和目标域之间的特征的对齐;同时,引入两个分类器用于检测远离目标域中的样本,利用最大化和最小化分类器之间的不一致性,实现目标域和源域特征的自适应匹配,达到更好的域适应效果。为了验证训练分类器误差的方法能够考虑类内边界提高目标域上的负荷识别准确率,设计了迁移实验分析其差异损失函数对模型迁移性能的影响,实验表明,当分类器损失值大于0.02时预测模型的准确率会下降0.8%~1.2%,且较未引入分类器差异损失模型的负荷精度高,可达到95.78%。通过与两类经典的迁移方法进行对比,验证了该方法在变工况下磨机负荷识别应用中的优势。

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。

基于模型采样和领域对抗神经网络的轴承故障诊断方法

为了适应不同产品的不同加工要求,轴承需要工作于不同的工况下,但是工况的变化会造成数据分布差异,从而导致轴承故障诊断模型的性能下降,同时目前也缺少针对无标签情况下实现故障类别均衡采样的方法,为此,提出了一种基于模型采样(MBS)和领域对抗神经网络(DANN)的轴承故障诊断方法。首先,使用基于模型采样(MBS)的方法,将预训练模型输出的类别概率分布作为采样依据,克服了在无标签目标工况下实现类别均衡采样的困难;然后,结合领域对抗神经网络(DANN),设计了将特征从目标工况迁移到源工况的网络结构;最后,在故障模拟实验数据上,建立了高精度的变工况轴承故障诊断模型,并将采用该方法所获结果与采用多种对照方法所获结果进行了对比分析,以验证该方法在变工况轴承故障诊断上的有效性和优越性。研究结果表明:在模拟实验中,采用基于MBS-DANN的方法可达到98.41%的平均诊断准确率,相比随机采样法提高超过10%;这说明无标签样本类别均衡采样具有重要意义,也可验证基于MBS-DANN的方法在变工况轴承故障诊断上的有效性和优越性。

基于双分支网络和领域对抗的埋地管道状态识别研究

针对活动断裂带、采空区跨工况埋地管道不同的服役环境,在不同工况下的不同故障模式下的应变有着差异性且埋地管道采空区数据库建立较为困难的现状,直接影响了埋地管道在线监测的预警精度难题。为建立埋地管道健康状态与监测应变特征的对应关系,提出一种基于双分支网络和领域对抗的跨工况埋地管道状态识别方法。该方法首先使用双分支网络训练出埋地管道在活动断裂带工况下的识别模型;模型准确率为94.95%,提高活动断裂带预警精度,进一步根据活动断裂带、采空区数据特征联系,接着使用领域对抗的方法训练出采空区埋地管道健康状态与应变对应关系网络模型;可以实现小样本下采空区精准预测。最后通过实验表明该方法在线监测的预警精度为96.61%,证实该方法有效性。

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明:相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。

基于对抗网络的冷水机组制冷剂泄漏故障跨工况诊断研究

本文针对冷水机组跨工况故障诊断过程中工况变化导致的模型性能下降问题,提出了基于领域对抗网络(DANN)的制冷剂泄漏故障跨工况诊断模型,基于迁移学习和对抗训练的思想将不同工况下的运行数据映射到一高维空间,在高维空间下将不同工况下的样本进行混淆,从而提高模型的泛化能力。本文从制冷剂泄漏故障检测和泄漏等级划分两个方面对比分析了DANN与一般模型在外延工况下的诊断准确率,结果表明不论是制冷剂泄漏故障检测还是泄漏等级划分,DANN在外延工况下均表现出了优于一般模型的诊断效果。在制冷剂泄漏检测问题中,DANN在部分工况下相较于深度神经网络(DNN)能够提升20%以上的准确率;在泄漏等级划分问题中,DANN的准确率在各个迁移方向上高于其他模型10.2%~27%。

类别语义信息对齐的无监督领域自适应网络

针对在目标应用场景中缺乏大量有标定训练数据的情况下难以获得有效的深度学习分类模型的问题,结合领域分布差异的方法与对抗学习方法的优势,提出以显式特征对齐与隐式领域对抗及类别对齐为基础的领域自适应框架.对于显式特征对齐模块,考虑到领域知识差异大带来的优化难题,采用渐进式协同优化策略,通过逐层减小不同语义层之间的领域差异,提升领域自适应性能.对于隐式类别对齐模块,为了增强目标特征的判别性,使用自训练方法获得伪标签,克服伪标签存在的标签噪声问题,并通过学习混淆矩阵优化伪标签的准确率,自动构造新的目标领域损失函数,从而在减小领域间差异的同时,提升源领域与目标领域相同类别的特征分布对齐的准确性.基于Office-31数据集的6个跨领域分类任务与基于Office-Home数据集的12组跨领域分类任务的实验结果表明,该方法在迁移学习任务上的平均分类准确率相较于基准方法分别提升11.9%和19.9%,所提出网络对于领域自适应任务是有效的.

基于领域自适应的漏缆周界入侵监测技术研究

传统的泄漏电缆入侵监测方法以及市面上大部分泄漏电缆入侵监测定位系统属于门限式检测,容易发生误判、漏判等问题。后有学者提出使用深度学习方法解决精度问题,但由于漏缆信号会随环境变化产生较大的变动,由实验环境数据训练生成的模型对目标敷设环境的适应性较差,模型往往难以达到预期的性能。对此,本文提出一种具有目标环境适应性的漏缆周界入侵定位模型KUMADAN(K-means-based Unsupervised Multi-Adversarial Domain Adaptation Network),实现了迁移学习领域自适应算法在漏缆周界入侵领域的应用。模型通过引入多对抗领域适应性神经网络(MADA)结构和K-means聚类算法,实现了从实验环境到目标环境的知识迁移,也解决了目标环境采集标签的困难。为了验证其可行性及实用性,在实地环境进行了测试实验以及对比实验。实验结果表明,KUMADAN模型在不同环境下的漏缆周界入侵定位任务中取得了较好的性能,迁移效果提升35%以上,验证了其在实际应用中的可行性和有效性。

基于内容风格增强和特征嵌入优化的人脸活体检测方法

针对现有人脸活体检测算法的特征表示不佳,以及在跨数据集上泛化性能较差等问题,提出了一种基于内容风格增强和特征嵌入优化的人脸活体检测方法。首先,使用ResNet-18编码器提取来自多个源域的通用特征,并经过不同注意力机制的两个自适应模块进行分离,增强全局内容特征与局部风格特征表征;其次,基于AdaIN算法将内容特征与风格特征进行有机融合,进一步提升特征表示,并将融合后的特征输入到特定的分类器和域判别器进行对抗训练;最后,采用平均负样本的半难样本三元组挖掘优化特征嵌入,可以兼顾类内聚集和类间排斥,更好地捕捉真实和伪造类别之间的界限。该方法在四个基准数据集CASIA-FASD、REPLAY-ATTACK、MSU-MFSD和OULU-NPU上进行训练测试,分别达到了6.33%、12.05%、8.38%、10.59%的准确率,优于现有算法,表明该方法能够显著提升人脸活体检测模型在跨数据集测试中的泛化性能。

智慧国防——开启国防信息化的新时代

智慧国防是国防信息化的高级阶段,是信息化发展到一定阶段的产物。在智慧国防阶段,智慧国防与实体国防及其战略完全融合,通过智慧感知探测、智慧数据处理和融合、智慧应用和智慧服务四个层次,实现国家安全防护体系化,国防战略制订对抗全领域化,国防战略管理精细化,国防战略效能最大化,达到国防与国家实力自动匹配、国防战略的智慧发展和国防事件的智慧反应,以期用最合适的途径和代价,实现国防战略,保护国家安全。

基于改进DANN迁移学习的轴承寿命预测方法

为解决不同工况下轴承寿命预测精度受限的问题,提出一种基于Wasserstein距离改进的领域对抗网络(DANN)迁移学习的轴承寿命预测方法。在IEEE PHM Challenge 2012轴承数据集上进行实验,结果表明:对比多种迁移学习方法,笔者所提WDANN方法能够有效提高不同工况下轴承寿命预测精度。

基于DCGAN和DANN网络的滚动轴承跨域故障诊断

实现滚动轴承智能故障诊断需要大量标签数据,但机械设备实际运行中因轴承故障无法提前收集充足振动信号,导致滚动轴承故障模式难以判断。为解决该问题,提出一种有效利用少量样本数据实现领域自适应的迁移学习模型。首先,通过深度生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)实现少量振动信号的模拟式扩充,生成信号保留了真实信号完整的高频和低频特征;其次,通过对抗领域自适应网络(domain-adversarial neural networks,DANN)将源域与目标域特征投射到同一特征空间,实现多领域特征提取与适配;最后,通过智能诊断网络完成变工况下未知标签滚动轴承健康状态的识别。试验结果表明,所提方法在可用样本较少时能准确有效实现滚动轴承跨域故障诊断,准确率均优于其他迁移学习对比模型。

X/Ku波段宽带GaN微波固态功放技术研究

GaN作为新一代半导体材料具有宽禁带、高击穿场强、高饱和电子漂移速率以及抗辐射能力强等优点成为近几年来的研究热点,随着GaN功率管性能的不断提高,以GaN为基础的微波功率器件的应用取得了很大的进步。根据电子对抗领域微波固态功放的特点,设计一款基于GaN功率器件的X/Ku波段20W宽带固态功放,并给出了测试结果。

论情报的过程

就情报过程的概念和本质进行了分析,指出情报过程的本质是组织在认知领域内进行的对垒或对抗,并分析了情报过程的两种类型和与其对应的两种管理方法,对适用于复杂情报过程的过程建模方法做了简要阐述和案例说明,概要地分析了情报过程的意识形态化趋势。最后作者对布鲁克斯公式进行了简要的和初步的分析。