Generalized labeled multi-Bernoulli filter with signal features of unknown emitters

A novel algorithm that combines the generalized labeled multi-Bernoulli(GLMB) filter with signal features of the unknown emitter is proposed in this paper. In complex electromagnetic environments, emitter features(EFs) are often unknown and time-varying. Aiming at the unknown feature problem, we propose a method for identifying EFs based on dynamic clustering of data fields. Because EFs are time-varying and the probability distribution is unknown, an improved fuzzy C-means algorithm is proposed to calculate the correlation coefficients between the target and measurements, to approximate the EF likelihood function. On this basis, the EF likelihood function is integrated into the recursive GLMB filter process to obtain the new prediction and update equations.Simulation results show that the proposed method can improve the tracking performance of multiple targets,especially in heavy clutter environments.

Derivation of the multi-model generalized labeled multi-Bernoulli filter:a solution to multi-target hybrid systems

In this study,we extend traditional(single-target)hybrid systems to multi-target hybrid systems with a focus on the multi-maneuvering-target tracking system.This system consists of a continuous state,a discrete and switchable state,and a discrete,time-constant,and unique state.By defining a new generalized labeled multi-Bernoulli density,we prove that it is closed under the Chapman-Kolmogorov prediction and Bayes update for multi-target hybrid systems.In other words,we provide the exact derivation of a solution to this system,i.e.,the multi-model generalized labeled multi-Bemoulli filter,which has been developed without strict proof.

Effective implementation and improvement of fast labeled multi-Bernoulli filter

Effective implementation of the fast labeled multi-Bernoulli(FLMB)filter is addressed for target tracking with interval measurements.Firstly,a sequential Monte Carlo(SMC)implementation of the FLMB filter,SMC-FLMB filter,is derived based on generalized likelihood function weighting.Then,a box particle(BP)implementation of the FLMB filter,BP-FLMB filter,is developed,with a computational complexity reduction of the SMC-FLMB filter.Finally,an improved version of the BP-FLMB filter,improved BP-FLMB(IBP-FLMB)filter,is proposed,improving its estimation accuracy and real-time performance under the conditions of low detection probability and high clutter.Simulation results show that the BP-FLMB filter has a great improvement of the real-time performance than the SMC-FLMB filter,with similar tracking performance.Compared with the BP-FLMB filter,the IBP-FLMB filter has better estimation performance and real-time performance under the conditions of low detection probability and high clutter.

Brain Functional Network Generation Using Distribution-Regularized Adversarial Graph Autoencoder with Transformer for Dementia Diagnosis

The topological connectivity information derived from the brain functional network can bring new insights for diagnosing and analyzing dementia disorders.The brain functional network is suitable to bridge the correlation between abnormal connectivities and dementia disorders.However,it is challenging to access considerable amounts of brain functional network data,which hinders the widespread application of data-driven models in dementia diagnosis.In this study,a novel distribution-regularized adversarial graph auto-Encoder(DAGAE)with transformer is proposed to generate new fake brain functional networks to augment the brain functional network dataset,improving the dementia diagnosis accuracy of data-driven models.Specifically,the label distribution is estimated to regularize the latent space learned by the graph encoder,which canmake the learning process stable and the learned representation robust.Also,the transformer generator is devised to map the node representations into node-to-node connections by exploring the long-term dependence of highly-correlated distant brain regions.The typical topological properties and discriminative features can be preserved entirely.Furthermore,the generated brain functional networks improve the prediction performance using different classifiers,which can be applied to analyze other cognitive diseases.Attempts on the Alzheimer’s Disease Neuroimaging Initiative(ADNI)dataset demonstrate that the proposed model can generate good brain functional networks.The classification results show adding generated data can achieve the best accuracy value of 85.33%,sensitivity value of 84.00%,specificity value of 86.67%.The proposed model also achieves superior performance compared with other related augmentedmodels.Overall,the proposedmodel effectively improves cognitive disease diagnosis by generating diverse brain functional networks.

有序标签噪声的鲁棒估计与过滤方法

较大规模的标注数据集中难免会存在标签噪声,这在一定程度上限制了模型的泛化性能。有序回归数据集的标签是离散值,但不同标签之间又有一定次序关系。虽然有序回归的标签兼有分类和回归标签的特征,但面向分类和回归任务的标签噪声过滤算法对有序标签噪声并不完全适用。针对此问题,提出了标签含噪时回归模型的Akaike泛化误差估计,在此基础上设计了面向有序回归任务的标签噪声过滤框架。此外,提出了一种鲁棒的有序标签噪声估计方法,其采用基于中位数的融合策略以降低异常估计分量的干扰。最后,该方法与所提框架结合形成了噪声鲁棒融合过滤(Robust Fusion Filtering,RFF)算法。在标准数据集和真实年龄估计数据集上均验证了算法的有效性。实验结果表明,在有序回归任务中,RFF算法性能优于其他分类和回归过滤算法,能够适应不同类型的噪声数据,并有效提升数据质量和模型泛化性能。

基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

结合时间注意力机制和单模态标签自动生成策略的自监督多模态情感识别

大多数多模态情感识别方法旨在寻求一种有效的融合机制,构建异构模态的特征,从而学习到具有语义一致性的特征表示。然而,这些方法通常忽略了模态间情感语义的差异性信息。为解决这一问题,提出了一种多任务学习框架,联合训练1个多模态任务和3个单模态任务,分别学习多模态特征间的情感语义一致性信息和各个模态所含情感语义的差异性信息。首先,为了学习情感语义一致性信息,提出了一种基于多层循环神经网络的时间注意力机制(TAM),通过赋予时间序列特征向量不同的权重来描述情感特征的贡献度。然后,针对多模态融合,在语义空间进行了逐语义维度的细粒度特征融合。其次,为了有效学习各个模态所含情感语义的差异性信息,提出了一种基于模态间特征向量相似度的自监督单模态标签自动生成策略(ULAG)。通过在CMU-MOSI,CMU-MOSEI, CH-SIMS 3个数据集上的大量实验结果证实,提出的TAM-ULAG模型具有很强的竞争力:在分类指标(Acc_(2),F_(1))和回归指标(MAE, Corr)上与基准模型的指标相比均有所提升;对于二分类识别准确率,在CMUMOSI和CMU-MOSEI数据集上分别为87.2%和85.8%,而在CH-SIMS数据集上达到81.47%。这些研究结果表明,同时学习多模态间的情感语义一致性信息和各模态情感语义的差异性信息,有助于提高自监督多模态情感识别方法的性能。

融合词语语义与标签依赖的隐式篇章关系识别

中文隐式篇章关系识别旨在推断出两个论元间的篇章关系类型。然而,现有的方法往往忽略了论元中词语所蕴含的关键信息,并且仅考虑单个层级内的篇章关系类型,忽略了各层级间篇章关系的依赖关联。鉴于此,提出融合词语语义和标签依赖的方法,以序列生成的方式实现篇章关系识别,先根据相似度权重将词向量嵌入到字编码表示中,应用字词对齐注意力机制强调关键字、词信息,再采用标签注意力编码从蕴含词语语义的论元表示和篇章关系表示中获取篇章关系依赖性的上下文表示,以自下而上的方式预测顶层的篇章关系类型。此外,构建面向阅读理解篇章的篇章关系数据集,并在该数据集上展开实验,结果显示隐式篇章关系识别准确率和F1值分别达到74.19%和73.81%,最终验证了该方法的有效性。

一种融合标签信息的多标签文本分类方法

多标签文本分类旨在从若干标签中选取最相关的标签子集来标记一个样本点.传统的研究倾向于探讨标签间关系而忽略标签语义,造成信息提取不完整,因此如何利用标签元数据有效提取样本中的关键信息是需要解决的一个重要问题.为解决上述问题,本文首先提出从现有数据集中生成标签语义元数据的方法,利用注意力模型对样本中混杂的语义进行筛选和清洗,生成标签的语义信息,解决了标签语义获取困难的问题.其次提出combined-attention模型用以提取样本中的关键信息,此模型将标签语义和标签关系结合起来共同提取样本中的信息,并且其内部设置了自适应融合单元,将以上两种关键信息根据其在分类结果中的关键程度自适应分配权重,进一步提升了模型的分类能力.3个英文数据集上的实验结果表明本模型优于最先进的基线方法,在分类精度上最高提升了5.68%,在真实的中文法律数据集上也实现了优异的分类效果.

某三级甲等综合医院门诊药房中成药药品说明书信息标注情况分析

目的完善医院门诊药房中成药药品说明书的信息标注,促进临床合理用药。方法通过医院信息系统收集某三级甲等(简称三甲)综合医院门诊药房83种中成药的药品说明书,参照相关法规、指南等分析各项目信息标注情况。结果83份药品说明书中,非处方药中除11份未标注警示语外,其余各项目均标注完整;处方药药品说明书【药品名称】【成分】【性状】【功能主治】【规格】等17项内容均标注完整,【药代动力学】【老年患者用药】【儿童用药】【孕妇及哺乳期妇女用药】【药物相互作用】等7项有缺项。结论该院门诊药房使用的中成药药品说明书信息标注存在缺项严重、表述模糊、界定不清的情况,建议相关部门加强对中成药药品说明书的管理,督促药品上市许可持有人进行修改和完善,以保障临床用药安全。

结合域间一致性与抗噪学习的跨域行人重识别方法

针对跨域行人重识别任务中域间差距和噪声标签导致的模型识别准确率低、稳定性差的问题,本文提出一种结合域间一致性与抗噪学习的跨域行人重识别方法(SZTR).该方法将生成对抗网络应用到预训练中,并且设计一个预训练中的一致性正则化损失,用来保持行人图片风格迁移前后预测概率的一致性,以减小域间差距.在目标域的训练中引入更稳定的动量对比模型来提取样本特征,加入鲁棒性更强的自适应权重损失微调模型,以减小聚类过程中噪声标签带来的负面影响.实验结果及分析表明,所提方法有助于提升模型在跨域行人重识别任务上的准确度,取得了更稳定的识别效果.

预制柱编码标注与平面整体表示方法研究

依据《装配式混凝土结构技术规程》(JGJ1-2014)和《装配式混凝土建筑技术标准》(GB/T51231-2016)提出的预制柱构造设计原则,分析钢筋套筒灌浆连接装配式混凝土预制柱的构造措施,将预制柱的信息要素归纳为总体信息、类型信息、几何信息、钢筋信息、预埋件信息和其他信息,探索构件及其连接通用构造规则,实现构造标准化,在柱平面布置图上标出台模面和装配方向,规定构件的局部坐标系,通过编码表达预制柱,替代构件详图,实现装配式混凝土柱的平面整体表达。

面向目标机动类型的数据标签生成方法

针对现有目标机动类型识别方法通用性不足、准确率较低等问题,提出基于改进K-medoids聚类的多层标签生成方法。以空中目标机动轨迹为例,设计多种数据预处理方法,采用动态时间规整作为聚类算法的距离度量,通过构建标签框架指导算法实施过程,进行迭代聚类以生成多层标签。在公开数据集上测试算法,实验结果表明,该方法在无监督情况下对第一层标签的识别准确率达到89.75%,接近传统有监督算法;同时,相对于没有引入标签框架的情况,能更有效地区分第二层模糊标签。该方法只需少量专家知识,便能简单地扩展到不同领域、不同机动类型。

深度学习下椅子造型特征标签识别与智能设计

为了挖掘大数据图像的有效信息,准确识别海量照片中椅子造型特征并根据特征标签进行快速设计,研究一种基于深度学习的椅子造型特征智能设计方法。首先通过文献调研,确定基于类型学和形态分析法,为椅子造型特征要素选定标签;其次,运用MoblieNet网络构建大数据椅子图像的识别与分类模型,通过图像识别模型对获取的大批量椅子图像进行识别筛选,选择出符合要求的椅子图像;然后运用多标签学习模型建立椅子造型标签智能识别标注模型,验证模型有效性并识别标注椅子图像。最后,选定某标签的椅子图像可以构建训练数据集,通过生成对抗网络生成新图像,作为设计草图激活设计师灵感,更好地辅助智能设计。

原发全面强直阵挛型癫痫合并睡眠障碍患者的脑血流灌注特点

目的研究原发全面强直阵挛型癫痫(idiopathic generalized epilepsy with generalized tonic-colonic seizure,IGE-GTCS)合并睡眠障碍患者及未合并睡眠障碍IGE-GTCS患者的脑血流灌注特点。方法收集2021年12月至2022年12月就诊于宁夏医科大学总医院神经内科癫痫门诊并诊断为IGE-GTCS患者62例。根据有无睡眠障碍将患者分为IGE-GTCS合并睡眠障碍组和IGE-GTCS未合并睡眠障碍组。另收集年龄、性别、受教育程度与病例组相匹配、接受颅脑CT或磁共振检查的体检者及其他无神经系统疾病患者16名纳入对照组。采用手动勾画方法检测3组受试者脑部不同部位感兴趣区(region of interest,ROI)的脑血流量(cerebral blood flow,CBF)差异。结果IGE-GTCS合并睡眠障碍组、未合并睡眠障碍组及对照组左侧额叶、左侧丘脑及左侧海马结构CBF比较差异有统计学意义(均P<0.05)。两两比较结果显示,与对照组比较,IGE-GTCS合并睡眠障碍组左侧额叶、左侧丘脑及左侧海马ROI CBF降低(均P<0.05),未合并睡眠障碍组左侧额叶、左侧丘脑ROI CBF降低(均P<0.05);与IGE-GTCS未合并睡眠障碍组比较,合并睡眠障碍组左侧海马结构ROI CBF减少(P<0.05)。结论IGE-GTCS合并睡眠障碍患者及未合并睡眠障碍患者CBF异常存在差异,这将有助于进一步从脑功能角度理解IGE-GTCS合并睡眠障碍的病理生理机制。

基于标签影响力传播的人工免疫检测器生成算法研究

人工免疫系统利用训练样本对候选检测器进行筛选训练,以产生覆盖非自体区域的成熟检测器用于自体和非自体的区分。传统基于否定选择的检测器生成算法(Negative Selection Algorithm,NSA)通常需要大量有标记的自体训练样本,而实际应用中已标记样本有限,导致检测器训练不足,限制了检测器的检测精度。针对这一问题,提出了一种基于标签影响力传播的免疫检测器训练方法。在属于同一聚类的样本中,通过少量的已标记聚类成员进行标签影响力传播,为聚类中的未标记样本进行伪标记。随后,基于噪声学习的伪标记评估去除低可信的新标记样本。通过了标签评估的新标记样本被加入训练样本集合,以扩展已标记样本规模,提升免疫检测器的训练质量。在7类不同维度和规模的UCI公开数据集上的对比实验结果表明,所提基于标签影响力传播的免疫检测训练算法能够有效提升检测器的训练性能,尤其在训练样本有限或数据集不均衡的情况下,检测器的性能明显优于传统方法,相较于PSA,co-PSA和GFNSA等检测生成算法,检测器的识别精度平均提升了10%。

基于反向标签传播的多生成器主动学习算法及其在离群点检测中的应用研究

当前正负类训练样本分布不均衡的问题已极大地限制了离群检测模型的性能。基于主动学习的离群点检测算法能够通过对样本分布的主动学习,自动合成离群点以平衡训练数据分布。然而,传统的基于主动学习的检测方法缺乏对合成离群点的质量评估和过滤筛选,导致通过主动学习过程合成的训练样本点中存在样本噪声,并降低了分类模型的性能。针对上述问题,提出了基于反向标签传播的多生成器主动学习算法(Multi-Generator Active Learning Algorithm Based on Reverse Label Propagation,MG-RLP),其包括多个神经网络生成器和一个用于离群点边界检测的鉴别器。MG-RLP通过多个子生成器生成多分布特征的样本数据,以防止单生成器合成的训练样本过于聚集而导致的模式崩塌问题。同时,MG-RLP利用反向标签传播过程对神经网络生成的样本点进行质量评估,以筛选出可信的合成样本。筛选后的样本被保留在训练样本中用于对鉴别器进行迭代训练,以提升对离群点的检测性能。基于5个公共数据集,对比验证了MG-RLP与6种典型的离群点检测算法的性能,结果表明,MG-RLP在AUC和检测精度指标上分别提高了15%和22%,结果验证了MG-RLP的有效性。

人工智能生成内容标识制度的逻辑更新与制度优化

生成式人工智能正在颠覆人们获取信息的方式,但生成内容的质量良莠难辨。随着用户生成内容时代的分流治理机制失效,标识制度应成为人工智能内容治理的核心,发挥“生成来源+真伪判断”的双轨提示作用。占据信息优势地位的模型开发者、服务提供者应履行内容安全保障义务与信息质量披露义务,主动修正虚假信息引发的用户认知挤压、心理冲击等问题。在具体标识制度优化迭代中,应设计人工智能生成内容质量光谱标识,要求对生成来源、责任主体、内容质量进行强制标识,以激活标识制度在信息内容筛选的实质作用。

基于弱监督表示学习的热红外目标跟踪

由于热红外成像技术具有更强的穿透雾、霾、雨、雪的能力,在恶劣天气条件下的成像效果几乎不受影响,使得基于热红外图像的目标跟踪任务越来越被研究者重视。针对基于卷积神经网络的热红外目标跟踪算法在模型训练过程中需要的带有标签的数据不足的问题,提出了一种基于弱监督表示学习的方法,利用少量的标签数据及大量的无标签数据进行模型训练,从而用于热红外目标跟踪任务。首先,利用主动学习的指导在大量无标签的数据中挑选最具有代表性的训练样本;然后,给定每个样本序列的首帧目标的真实标签,利用基础跟踪器生成该序列中其他图像帧中目标的伪标签;之后,利用带有真实标签和伪标签的训练数据进行模型训练;最后,利用训练好的模型在热红外目标跟踪算法测试数据集上进行模型测试。实验结果表明:该方法可以在减少模型训练对标签数据需求的同时保证跟踪器的准确性。