基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。

基于扩散模型和爬坡趋势分类的风电功率自适应区间预测

扩散模型基于马尔可夫链的概率性质,能够定量描述风电的随机性和不确定性。然而,传统基于扩散模型的时序预测方法以当前输入前一段样本的均值作为基准进行特征缩放,导致预测区间在高峰时段过大、低谷时段过小。因此,提出一种基于扩散模型和爬坡趋势分类的风电功率自适应区间预测方法。首先,利用基于扩散模型的区间预测框架获取初始预测区间。然后,将风电波动过程划分为6种模式,对不同模式下的预测区间采取自适应规整策略,进而获得初始改进区间。接着,针对高出力模式中非爬坡时段的区间带宽不匹配问题,建立爬坡趋势分类评估模型,并结合所属出力模式进行区间修正,获得最终的区间预测结果。最后,实验结果表明所提方法的区间预测效果更优。

基于同伴辅助学习分类器的部分域自适应方法

为了解决传统方法忽略分类器转移场景,进一步减轻负转移,提出一种基于同伴辅助学习分类器的部分域自适应方法。提出一个软加权最大均方差来减轻源异常域和目标域之间的负迁移,使得源共享域和目标域的特征分布在特征空间中是一致的;引入一种同伴辅助学习方法,减轻特定目标学习分类器的过度拟合问题。在三个数据集上的实验结果证明该方法不仅减轻了负迁移,而且解决了分类器移位问题。

增强职业教育适应性的高职专业群分类精准育人路径探究

职业教育适应性是指职业教育作为一种类型教育、适应外部环境需求和变化的能力,是衡量职业教育高质量发展的核心指标。专业群分类精准育人能够立足产业发展,注重学生个性化和可持续发展,有助于增强职业教育适应性。作者以苏州健雄职业技术学院药品生物技术专业群人才培养为研究对象,聚焦职业教育适应性与学生个性发展,探索基于职业教育适应性的精准育人路径,并从课程体系、教学平台、教学资源、评价体系和管理制度等方面进行阐述。

基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

面向节点分类任务的节点级自适应图卷积神经网络

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

基于改进深度子域适应网络的图像分类方法

深度子域适应网络在进行特征提取时易导致部分重要信息丢失,且在对齐局部特征的同时会忽略源域和目标域的整体对齐,从而影响其分类准确率,为此提出基于改进深度子域适应网络的图像分类方法。引入卷积神经网络正则化方法提升模型在不同跨域任务中的泛化能力;在特征提取网络中加入高效通道注意力机制,对局部跨信道交互信息进行捕捉,提取输入图像中的关键信息;改进损失函数,增加全域适应损失约束,提升模型的全局特征对齐效果。在域适应基准数据集Office-31上的实验表明,相较于原算法,本文改进算法在一定程度上提升了分类准确率,在跨域图像分类任务中表现更好。

基于四象限分类的大规模自组织网络状态自适应快速感知方法研究

在大规模自组织网络中,状态感知是实现全局网络视图的先决条件,为网络故障排除、路由决策、网络拓扑动态规划等提供了数据支持。但现有的单一感知机制无法保证状态信息感知的时效性,同时会产生额外的网络开销,降低网络性能。针对上述问题,提出了一种基于四象限分类的大规模自组织网络状态自适应快速感知方法。首先,根据时延敏感度及网络请求频率差异化,将网络状态信息基于四象限图的思想进行分类。其次,针对不同象限的网络状态信息分别设计快速感知策略,同时将网络状态信息封装到管理帧中,以实现嵌入式传输,降低网络开销。最后,通过仿真实验验证了自适应快速感知方法在时效性和信息有效性方面均优于单一的主动上报和请求应答式策略。

遗传算法与修正的自适应矩估计优化循环神经网络的心音分类方法

针对传统的循环神经网络(RNN)在识别分类心音信号方面具有梯度爆炸、梯度消失和短期记忆的问题,该文提出了无需心音分段的结合遗传算法(GA)与修正的自适应矩估计(RAdam)优化RNN的心音分类模型。该模型的优势是将GA和RAdam优化器以串联的方式融合到RNN中,以达到改进RNN的作用。首先,利用GA的选择、变异和遗传操作,优化RNN的输入层节点数,获取心音特征向量的最优个体的初始解。其次,根据最优个体中的权重、偏置矩阵,赋予模型初始权值和阈值,获得初始权重最优解,整个模型共享参数。最后,联合改进的学习率自适应优化算法,优化RNN模型。结果表明,结合经典的梅尔(Mel)倒频谱系数方法提取心音信号的特征向量,心音信号分类准确率达到90.29%,相比于未优化的RNN模型,准确率提高了17.79%。

基于多源域适应的单细胞智能分类

单细胞核糖核酸(RNA)测序技术被成功应用于产生人体组织和器官的高分辨率细胞图谱,这加深了研究者们对人类疾病组织中细胞异质性的理解。细胞注释是单细胞RNA测序数据分析中非常关键的一步,许多典型的模型利用一个有标签的单细胞参考数据集去注释目标数据集,但目标数据集中部分细胞类型可能不在参考数据集中。整合多个参考数据集可以更好地覆盖目标数据集中的细胞类型,然而多个参考数据集和目标数据集之间存在因测序技术差异等原因造成的批次效应。为此,提出一种基于多源域适应的单细胞分类模型,利用多个已标注细胞类型的参考数据集分别与未标注细胞类型的目标数据集进行对抗训练,消除了批次效应。采用虚拟对抗训练,进一步提升模型预测结果对数据点周围局部微小扰动或噪声的鲁棒性,防止过拟合。在多个单细胞数据集上的实验结果表明,该模型比目前主流模型的细胞识别精度至少提升了5个百分点,为新测序的单细胞身份鉴定提供了新的选择和参考。

基于深度自适应聚类算法的数据分层分类存储技术

为了提高电力数据信息管控能力,提出一种新型的数据分层分类存储方法。该方法采用深度自适应聚类算法,既可以有效识别单体数据的特征,还可以对数据整体结构进行一定程度的识别。通过自编码器DNN模型和图神经网络GCN模型,可以高效地实现复杂数据的分层分类。基于该算法的数据存储系统,可以将电力数据信息的多种数据信息转换为数字信息。通过深度学习算法分析数据的内部联系,提高系统的存储能力。实验结果表明,该方法对低数据量、复杂数据量和高数据量的分类准确率分别能达到97.5%、92%和86%,数据分类效率达到97%左右。

基于光照自适应调节和模糊分类的人脸图像质量提升算法研究

本文介绍人脸识别系统关键技术,综述不同光照下人脸识别技术研究。当前光照预处理方法包括基于小波变换处理、Retinex方法等,对比分析相同光照预处理方法在不同人脸测试库的性能差异。特定预处理方法对特定属性数据库才能达到理想识别效果。提出人脸光照自适应调节算法,建立模糊识别模型进行算法实验,提升非理想条件下人脸识别准确率,以挑选清晰的人脸图像提升移动场景人脸识别准确率。采用设计算法,人脸识别准确率达到97.21%,具有推广价值。

MAFDNet:复杂环境下图像自适应分类新方法

复杂环境下,往往困难样本和简单样本并存,现有分类方法主要针对困难样本进行设计,所构建网络用于分类简单样本时会造成计算资源的浪费;而网络修剪和权重量化等方法则不能同时兼顾模型的准确度和存储开销。为提升计算资源的使用效率并有更好的准确率,本文着眼于输入样本的空间冗余,提出了复杂环境下图像自适应分类网络MAFDNet,并引入置信度作为分类准确性的判断,同时提出了由内容损失、融合损失和分类损失组成的自适应损失函数。MAFDNet由3个子网组成,输入图像首先被送入到低分辨率子网中,该子网有效提取了低分辨率的特征,具有高置信度的样本先被识别并从网络中提前退出,低置信度的样本则需要依次进入更高分辨率的子网中,而网络中的高分辨率子网具有识别困难样本的能力。MAFDNet将分辨率自适应和深度自适应结合在一起,通过实验表明,在相同计算资源条件下,MAFDNet在CIFAR?10、CIFAR?100和ImageNet这3个复杂环境数据集上的top?1准确率均得到提升。

多层次自适应知识蒸馏的轻量化高分遥感场景分类

提出一种多层次自适应知识蒸馏方法,以提升轻量化模型的性能.首先,针对遥感影像类别间差异程度不均衡的问题,通过改进输出层知识蒸馏中的温度机制,提出一种自适应温度机制,促进学生模型更好地学习大且深的教师模型输出层概率分布知识;然后,通过添加辅助卷积块来融入特征层的知识蒸馏方法,使学生模型学习教师模型的多层次知识;最后,在UCM、AID和NWPU这3个公开数据集上进行实验.结果表明:所提方法蒸馏后的学生模型参数量仅为教师模型的6%,其分类精度较蒸馏前最多可提升7.78%,比其他网络模型更便于部署在末端.

基于孪生自适应图卷积算法的点云分类与分割

点云数据具有稀疏性、不规则性和置换不变性,缺乏拓扑信息,导致它的特征难以被提取,为此,提出一种孪生自适应图卷积算法(SAGCA)进行点云分类与分割。首先,构建特征关系图挖掘不规则、稀疏点云特征间的拓扑关系;其次,引入共享卷积学习权重的孪生构图思想,保证点云的置换不变性,使拓扑关系表达更准确;最后,采用整体、局部两种结合方式,将SAGCA与各种处理点云数据的深度学习网络相结合,增强网络的特征提取能力。分别在ScanObjectNN、ShapeNetPart和S3DIS数据集上进行分类、对象部件分割和场景语义分割实验的结果表明,相较于PointNet++基准网络,基于同样的数据集和评价标准,SAGCA分类实验的类别平均准确率(mAcc)提高了2.80个百分点,对象部件分割实验的总体类别平均交并比(IoU)提高了2.31个百分点,场景语义分割实验的类别平均交并比(mIoU)提高了2.40个百分点,说明SAGCA能有效增强网络的特征提取能力,适用于多种点云分类分割任务。

基于自适应图的半监督图像分类方法

针对半监督分类模型存在的模型复杂度高、构造正则化项难度大的问题,从丰富样本特征表示的角度出发,构造了自适应图结构的融合网络模型(AGSH)。该模型在卷积神经网络模型(CNN)基础上引入了自适应图卷积神经网络(AGCN)提取CNN模型特征间的关系。对AGSH模型泛化性能的分析证明了该模型在解决半监督相关问题时的有效性。实验结果表明:融合模型在五种图像数据集上的分类精度相比于单一CNN模型分类精度均有提升。研究结论为解决小样本分类问题的建模方法提供了参考。

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。

基于RCNN模型的英语文本摘要自适应分类方法

采用目前方法分类英语文本摘要时,存在精确度低、召回率低及文本分类时间较长的问题,为此,提出了基于RCNN模型的英语文本摘要自适应分类方法。利用期望交叉熵ECE和ECE′求值函数式计算词频权重并提取文本数据全部特征词融合组成特征词典。采用朴素贝叶斯方法选择最优主题,并通过Gibbs采样获取新文本特征,将新文本特征投入双循环神经网络中进行嵌入向量训练,通过词表示学习和多头注意池化两种结构实现英语文本摘要自适应分类。实验结果表明,所提方法精确度较高、召回率较高、文本分类时间较短。

混沌自适应非洲秃鹫优化算法训练多层感知器

针对训练多层感知器(MLP)时,算法对初始值敏感、易陷入局部最优和收敛速度慢等问题,对新型启发式算法非洲秃鹫优化算法提出改进算法IAVOA。在初始化种群时引入Logistic混沌映射,增加种群的多样性;对最优秃鹫和次优秃鹫增加自适应权重系数,自动调整这两类秃鹫对普通秃鹫的引导作用;IAVOA用于MLP的训练,采用均方误差的平均值作为适应度函数寻找MLP的连接权重和偏差的最佳组合。选取4个不同复杂度的分类数据集,比较IAVOA算法与现有启发式算法对MLP训练后,MLP对数据分类的性能,仿真结果表明,IAVOA算法训练的MLP在数据分类准确率、全局搜索能力、收敛速度和稳定性方面均具有良好的性能。

知识分类视角下的生活适应教学活动设计

布卢姆知识分类理论中的知识维度帮助教师明确教什么,认知过程维度则确定了学生学习知识经历的过程。生活适应是培智学校义务教育课程设置中的一门重要学科,教师以布卢姆教育目标分类理论为依据对生活适应课程目标进行二维分类,可以更清晰地制定课堂教学目标,采取最合适的教学方法,让“生活适应”真正地支持学生“适应生活”。