多色彩通道特征融合的GAN合成图像检测方法

当前,生成对抗网络(Generative Adversarial Networks,GAN)合成的逼真图像难以识别,严重危害国家网络安全及社会稳定.与此同时,多数基于深度神经网络模型设计的检测器需要大规模训练样本,且存在模型可解释度不高、泛化性能差等问题.为了克服上述亟待解决的关键性难题,本文提出一种多色彩通道特征融合的GAN合成图像检测方法.首先,探索分析真实自然图像和GAN合成图像在不同色彩空间相邻像素之间的差异,并设计差异度量算法,完成色彩通道选择.其次,利用图像像素间的高度相关性,在八个方向上通过二阶马尔可夫链对相邻像素之间的差分数组进行建模,提取差分像素邻接矩阵特征.最后,利用上述特征,设计一种简单且高效的集成分类器完成GAN合成图像的检测任务.在基于StyleGAN模型合成的伪造人脸数据集中,所提出方法的检测准确率高达100.00%;在小样本训练约束条件下,正负样本对数仅仅为2时,检测准确率高达99.65%;在单类样本训练约束条件下,正样本数仅仅为50时,检测准确率高达92.84%.在基于更先进的StyleGAN2和PGGAN模型合成的伪造场景数据集中,所提出方法的检测准确率达到99.96%以上.以上大量实验表明,本文所提出的方法明显优于比较的GAN合成图像检测方法.本文方法已经开源:https://github.com/cyxcyx559/ccss.

EEMD在电力谐波检测中的应用

为了克服基于经验模态分解方法 EMD在谐波检测中出现的模态混叠问题,提出采用基于总体平均经验模态分解(EEMD)的希尔伯特-黄变换(HHT)谐波检测方法。采用EEMD对含有谐波的负载电流进行分解,获得固有模态函数后,再进行HHT,求出基波以及各次谐波的幅值、相位、瞬时频率等信息。该算法在负载突变时自适应能力强,检测精度高,实时性好。仿真实验结果表明,EEMD方法在分解过程中不会出现模态混叠现象,克服了EMD的不足,同时基于数据采集卡的谐波检测平台的测试结果进一步证明了该方法的可行性。

基于集合预报的持续性强降水可预报性评估方法研究

利用集合预报成员初值误差在大气相空间中增长方向不同的特点,结合模式检验方法,构建持续性强降水可预报性评估指数(Index of Composite Predictability,ICP),为持续性强降水可预报性及数值预报误差增长机理研究提供科学方法。ICP综合评估指数包括三个数学模型:集合预报成员单一评估指数定义、集合预报成员综合评估指数定义和集合预报成员预报能力定义。利用中国国家气象中心T213全球集合预报资料,选取江淮流域2010年6月17—25日和2011年6月4—12日2次持续性强降水过程,进行ICP综合评估指数应用试验,其中,单一评估指数选取中雨公平成功指数ETS、500 hPa高度场均方根误差分别代表模式降水预报能力和环流形势预报能力。结果显示:可预报性评估指数ICP可有效挑选出预报最好和最差的集合预报成员,两者对持续性强降水过程的大尺度环流系统、中尺度影响系统、降水过程预报差异显著,预报最好成员对影响持续性强降水的大尺度环流形势(阻塞高压、西太平洋副热带高压和东亚大槽)的位置和强度及演变过程、低层中尺度影响系统(如切变线和西南低涡)发生发展过程预报,以及降水发生时间和落区预报与实况更接近,预报更成功,持续性强降水可预报性综合评估指数ICP合理可靠。

轨道角动量态的量子存储（英文）

轨道角动量(OAM)光束在精密测量、微小粒子的操控以及基础物理研究等领域具有重要的应用。基于OAM编码的光信息处理由于其大信道容量的优点成为经典和量子通信领域的研究热点,并已在近几年取得了许多突破性进展。在量子信息领域,量子中继是克服通信保真度随传输距离呈指数衰减、实现长距离量子通信的关键技术,其中用于存储量子信息的光量子存储器是组成量子中继的关键器件。尽管人们已成功实现了编码于偏振、路径、time bin等自由度的量子态的存储,然而到2013年以前,存储编码于OAM自由度的量子态的量子存储器仍未实现。近年来我们研究组一直专注于OAM量子态的存储实验研究。本文在概述了量子存储器的各项性能标准后,着重介绍我们组在OAM量子态存储方面取得的一系列研究进展:包括OAM量子比特(qubit)和量子三维态(qutrit)、二维和高维OAM纠缠态以及包含OAM自由度的超纠缠和杂化纠缠的量子存储。这些进展为未来构建高维量子信息网络奠定坚实的基础。

基于改进聚类分析的神经网络集成方法应用研究

随着工业生产规模扩大、生产过程日趋复杂,人们对过程模拟提出了更高的要求。提出一种基于改进聚类分析的神经网络集成方法。首先,根据数据密度分布,改进传统K-均值聚类分析中初始中心点选取的不足,对样本进行分类,扩大样本间的差异性;第二,运用具有快速学习能力的广义回归神经网络算法对各类样本建立个体神经网络并进行训练;第三,对所有样本增加构造补偿神经网络,进行误差补偿,以消除由于选择错误造成的输出误差;最后,根据计算得到的聚类中心对输入样本进行数值分析,选择输出个体神经网络,并与构造的补偿网络输出进行比较,最终实现神经网络集成。通过人工数据Sinc验证模型,此方法有效提高了模型精度,对提高过程模拟准确性提供了新途径。

基于机器学习的棚户区识别应用——以上海棚户区为例

精准获取并识别棚户区的空间分布及形态,对改善人居环境、优化城市空间结构具有重要意义。传统的实地调查方法耗时费力,以上海杨浦区南部的棚户区为例,从高空间分辨率影像中提取光谱、纹理和结构特征作为输入数据,提出了基于机器学习算法的高分遥感影像的棚户区提取方法。首先,综合比较最近邻(KNN)、逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、集成学习(EL)5种机器学习识别方法的适用性,确定最优分类器。其次,基于网格(50m×50m)对高分影像进行特征提取,并对特征网格分类、构建分类图像特征数据集。最后,通过图像特征进行棚户区识别,并评估5种机器学习算法在城市地区识别棚户区的能力及应用。结果表明:监督机器学习方法在提取棚户区的精度方面基本能够满足棚户区的研究及实际应用,但综合考量分类结果、分类精度和运行效率,EL算法Kappa系数为73.0%、总体精度为97.27%、召回率为79.02%,均高于其它算法,且漏分错误最少,能够更加完整、准确地完成棚户区信息提取。当考虑运行效率时,LR算法识别速度明显高于其它算法,更适用于大范围棚户区的使用需求。监督学习识别方法不仅可应用于高分影像特征识别,在遥感监测、城市规划和测绘等方面也具有较大的应用潜力。

基于集成间隔优化的对海雷达目标识别算法

综合考虑对海雷达目标识别的高实时性和强泛化能力要求,提出一种利用模拟退火算法(SA)进行集成间隔优化的静态选择集成(SSE)算法.该算法首先利用SA基于集成间隔最大化搜索出不同大小的最优基分类器子集,然后利用集成分类精确度从中筛选出最终的集成分类器系统.进而提出一种分类器权值、样本权值的迭代求解算法,并考虑这两类权值以及基分类器的分类置信度,给出了8种集成间隔定义.在自建全极化高分辨率距离像(HRRP)分类数据集和17个UCI数据集上分析了集成间隔定义对集成算法性能的影响,通过对比实验验证了该算法的有效性.