期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
Comparison of Spatio-Spectral Properties of Zen-Meditation and Resting EEG Based on Unsupervised Learning
1
作者 Pei-Chen Lo Nasir Hussain 《Journal of Behavioral and Brain Science》 2021年第2期58-72,共15页
This paper reports distinct spatio-spectral properties of Zen-meditation EEG (electroencephalograph), compared with resting EEG, by implementing unsupervised machine learning scheme in clustering the brain mappings of... This paper reports distinct spatio-spectral properties of Zen-meditation EEG (electroencephalograph), compared with resting EEG, by implementing unsupervised machine learning scheme in clustering the brain mappings of centroid frequency (BMFc). Zen practitioners simultaneously concentrate on the third ventricle, hypothalamus and corpora quadrigemina touniversalize all brain neurons to construct a <i>detached</i> brain and gradually change the normal brain traits, leading to the process of brain-neuroplasticity. During such tri-aperture concentration, EEG exhibits prominent diffuse high-frequency oscillations. Unsupervised self-organizing map (SOM), clusters the dataset of quantitative EEG by matching the input feature vector Fc and the output cluster center through the SOM network weights. Input dataset contains brain mappings of 30 centroid frequencies extracted from CWT (continuous wavelet transform) coefficients. According to SOM clustering results, resting EEG is dominated by global low-frequency (<14 Hz) activities, except channels T7, F7 and TP7 (>14.4 Hz);whereas Zen-meditation EEG exhibits globally high-frequency (>16 Hz) activities throughout the entire record. Beta waves with a wide range of frequencies are often associated with active concentration. Nonetheless, clinic report discloses that benzodiazepines, medication treatment for anxiety, insomnia and panic attacks to relieve mind/body stress, often induce <i>beta buzz</i>. We may hypothesize that Zen-meditation practitioners attain the unique state of mindfulness concentration under optimal body-mind relaxation. 展开更多
关键词 Electroencephalograph (EEG) Continuous Wavelet Transform (CWT) unsupervised learning Self-Organizing Map (SOM) Spatio-Spectral Property Zen Meditation
下载PDF
基于无监督学习的连铸铸坯缺陷检测方法
2
作者 高琦 付皓宇 +2 位作者 吴晓军 柴玮 米进周 《重型机械》 2024年第3期32-40,共9页
铸坯在连铸过程中受温度分布不均、流动速度不稳等多种因素的影响,容易出现各种表面和内部缺陷,如疏松、偏析、缩孔、裂纹、气泡、夹杂等。这些缺陷不仅影响产品的外观和性能,还可能对工程结构的安全性产生潜在威胁。针对这一问题,提出... 铸坯在连铸过程中受温度分布不均、流动速度不稳等多种因素的影响,容易出现各种表面和内部缺陷,如疏松、偏析、缩孔、裂纹、气泡、夹杂等。这些缺陷不仅影响产品的外观和性能,还可能对工程结构的安全性产生潜在威胁。针对这一问题,提出了一种基于无监督学习的连铸铸坯缺陷检测方法,该方法利用图像频域处理技术和深度学习算法学习连铸铸坯正常样本的图像特征,通过图像重建方式自动检测铸坯图像中的缺陷。首先,通过频率解耦模块对铸坯图像进行图像频率分离,得到铸坯的低频图像与高频图像。然后,采用带有自监督预测卷积注意模块的生成器网络集合,分别重建低频图像和高频图像。最后,通过判别器网络对铸坯的原始图像与重建图像进行判定,以确定铸坯图像中是否包含缺陷。实验结果表明,该方法能够有效检测连铸铸坯的缺陷,具有较高的准确性和可靠性,可为提高连铸产品质量和生产效率提供有力支持。 展开更多
关键词 连铸 铸坯缺陷检测 无监督学习 频域处理
下载PDF
进化网络模型:无先验知识的自适应自监督持续学习
3
作者 刘壮 宋祥瑞 +2 位作者 赵斯桓 施雅 杨登封 《电子与信息学报》 EI CAS CSCD 北大核心 2024年第8期3256-3266,共11页
无监督持续学习(UCL)是指能够随着时间的推移而学习,同时在没有监督的情况下记住以前的模式。虽然在这个方向上取得了很大进展,但现有工作通常假设对于即将到来的数据有强大的先验知识(例如,知道类别边界),而在复杂和不可预测的开放环... 无监督持续学习(UCL)是指能够随着时间的推移而学习,同时在没有监督的情况下记住以前的模式。虽然在这个方向上取得了很大进展,但现有工作通常假设对于即将到来的数据有强大的先验知识(例如,知道类别边界),而在复杂和不可预测的开放环境中可能无法获得这些知识。受到现实场景的启发,该文提出一个更实际的问题设置,称为无先验知识的在线自监督持续学习。所提设置具有挑战性,因为数据是非独立同分布的,且缺乏外部监督、没有先验知识。为了解决这些挑战,该文提出一种进化网络模型(英文名EvolveNet),它是一种无先验知识的自适应自监督持续学习方法,能够纯粹地从数据连续体中提取和记忆表示。EvolveNet围绕3个主要组件设计:对抗伪监督学习损失、自监督遗忘损失和在线记忆更新,以进行均匀子集选择。这3个组件的设计旨在协同工作,以最大化学习性能。该文在5个公开数据集上对EvolveNet进行了全面实验。结果显示,在所有设置中,EvolveNet优于现有算法,在CIFAR-10,CIFAR-100和TinyImageNet数据集上的准确率显著提高,同时在针对增量学习的多模态数据集Core-50和iLab-20M上也表现最佳。该文还进行了跨数据集的泛化实验,结果显示Evolve-Net在泛化方面更加稳健。最后,在Github上开源了EvolveNet模型和核心代码,促进了无监督持续学习的进展,并为研究社区提供了有用的工具和平台。 展开更多
关键词 无监督持续学习 自适应自监督 泛化能力 增量学习 进化网络模型
下载PDF
用UCL学习生成模糊控制规则
4
作者 李晓忠 刘泽民 《电子学报》 EI CAS CSCD 北大核心 1995年第7期46-49,共4页
本文在[1]的基础上提出了“0.5划分原则”和“选取中间规则”,它们是对[1]中方法的改进.对倒摆系统的仿真实验证明了其有效性.
关键词 非监督竞争学习 自学习 中间规则 模糊规则
下载PDF
基于持续无监督域适应策略的水面漂浮物目标检测方法
5
作者 陈任飞 彭勇 李忠文 《系统工程与电子技术》 EI CSCD 北大核心 2023年第11期3391-3401,共11页
针对漂浮物检测中小尺度目标和域转移问题,提出一种基于持续无监督域适应策略的漂浮物检测方法。该方法通过删除低分辨率特征图,增强高分辨率特征图,提升小尺度漂浮物的特征提取能力。同时,该方法整合无监督域适应、缓冲区和样本重放,... 针对漂浮物检测中小尺度目标和域转移问题,提出一种基于持续无监督域适应策略的漂浮物检测方法。该方法通过删除低分辨率特征图,增强高分辨率特征图,提升小尺度漂浮物的特征提取能力。同时,该方法整合无监督域适应、缓冲区和样本重放,降低应用场景中不断变化的域转移差异。并将改进检测网络与持续无监督域适应相结合,提升模型检测精度和泛化能力。通过在漂浮物数据集上实验验证,对比现有方法,该方法的检测精度达到82.2%,检测速度达到68.5 f/s,浮点数的算量减少到33亿,模型大小达到25.3 MB,扩展了目标检测在水面视觉中的应用。 展开更多
关键词 深度学习 水面漂浮物 目标检测 无监督域适应 持续学习
下载PDF
网络分割与自适应突触可塑性融合的连续学习
6
作者 陈焕文 《华中科技大学学报(自然科学版)》 EI CAS CSCD 北大核心 2024年第3期156-160,共5页
鉴于脉冲神经网络在连续学习过程中会产生灾难性遗忘,以往的无监督方法需要足够大的网络规模才能达到良好的学习效果,但这将耗费大量的计算时间和资源,本研究旨在用较小的网络规模实现较好的连续学习效果.受神经科学的启发,提出了一个... 鉴于脉冲神经网络在连续学习过程中会产生灾难性遗忘,以往的无监督方法需要足够大的网络规模才能达到良好的学习效果,但这将耗费大量的计算时间和资源,本研究旨在用较小的网络规模实现较好的连续学习效果.受神经科学的启发,提出了一个网络分割与已有自适应突触可塑性相结合的方法:首先把网络分割为与任务数相同且互不重叠的子网络,然后每个子网络通过自适应突触可塑性进行无监督学习.该方法易于实现,仅须很少的计算资源,并且允许小规模脉冲神经网络在多任务连续学习时保持高性能.研究结果表明:在小规模的脉冲神经网络上,采用网络分割方法比不采用网络分割的测试精度明显提高.对于4个数据集,平均提高约36%. 展开更多
关键词 网络分割 脉冲神经网络 连续学习 灾难性遗忘 无监督
原文传递
连续无监督异常检测 被引量:1
7
作者 倪一鸣 陈松灿 《中国科学:信息科学》 CSCD 北大核心 2022年第1期75-85,共11页
无监督异常检测(unsupervised anomaly detection,UAD)旨在检测任何未见过的偏离预期模式或正常分布的数据,由于其学习过程不依赖对罕见异常样本的获取,因此在现实动态环境下备受青睐.然而,在现实场景中,目标任务往往会随时间动态变化,... 无监督异常检测(unsupervised anomaly detection,UAD)旨在检测任何未见过的偏离预期模式或正常分布的数据,由于其学习过程不依赖对罕见异常样本的获取,因此在现实动态环境下备受青睐.然而,在现实场景中,目标任务往往会随时间动态变化,这要求模型能够连续执行多个不同的UAD任务,确保在仅有当前任务正常数据的前提下,实现对所有见过任务的异常检测.本文旨在研究这一问题,尝试从互信息角度,提出一种新的连续UAD(CUAD)算法.具体而言,我们针对原始目标依赖过往任务原始数据和异常数据的问题,给出基于信息论的损失函数,并对其进行近似优化.据此,我们构建出来的深度编码器模型既能连续执行不同的UAD任务,又能有效应对连续学习带来的灾难性遗忘问题.最后,我们在多个标准数据集上的实验验证了所提出方法的优越性. 展开更多
关键词 异常检测 无监督 灾难性遗忘 连续学习 信息论
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部