融合全监督学习的半监督矿石粒度预测算法

针对选矿过程矿石粒度分析精度的提高依赖于有标签样本数量,以及传统全监督建模方法泛化性能较差的问题,提出了融合全监督学习的半监督矿石粒度预测算法。以运矿皮带上应用图像获取的矿石粒度数据作为研究对象,利用半监督学习获得无标签的图像识别矿石粒度样本伪标签,扩展数量有限的原始标签样本,以提高矿石粒度预测模型的性能。采用筛分法获取的矿石粒度数据集来验证融合全监督学习的半监督预测算法,结果表明,融合全监督学习的半监督预测算法的模型决定系数达到92.1%,均方根误差和平均绝对误差分别为0.023和0.02,相较于传统全监督建模方法,该模型的预测精度显著提高,为提高矿石粒度检测精度提供了有力的技术支撑。

基于伪标签的无监督电力数据异常检测框架

电力系统容易受到各种异常用电行为的影响,异常检测可以提高电力系统的可靠性。针对现有异常检测模型存在阈值选择困难、精度低等问题,提出了一个基于伪标签的无监督异常检测框架PLAD。框架由伪标签提取模块PLE和基于重构误差的异常检测模块READ组成。PLE模块中提出了一种基于DBSCAN的自适应伪标签提取算法,用于提取电力数据的伪标签。READ模块采用双LSTM自编码器提取多级时序特征,并得到重构误差,后利用伪标签训练逻辑回归分类器,对重构误差进行分类,进行异常判定。通过某地区的电网运行数据验证了所提方法的有效性,实验结果表明,所提方法优于其他无监督异常检测方法。

共识图学习驱动的自监督集成聚类

目的随着实际应用场景中海量数据采集技术的发展和数据标注成本的不断增加,自监督学习成为海量数据分析的一个重要策略。然而,如何从海量数据中抽取有用的监督信息,并该监督信息下开展有效的学习仍然是制约该方向发展的研究难点。为此,提出了一个基于共识图学习的自监督集成聚类框架。方法框架主要包括3个功能模块。首先,利用集成学习中多个基学习器构建共识图;其次,利用图神经网络分析共识图,捕获节点优化表示和节点的聚类结构,并从聚类中挑选高置信度的节点子集及对应的类标签生成监督信息;再次,在此标签监督下,联合其他无标注样本更新集成成员基学习器。交替迭代上述功能块,最终提高无监督聚类的性能。结果为验证该框架的有效性,在标准数据集(包括图像和文本数据)上设计了一系列实验。实验结果表明,所提方法在性能上一致优于现有聚类方法。尤其是在MNIST-Test(modified national institute of standards and technology database)上,本文方法实现了97.78%的准确率,比已有最佳方法高出3.85%。结论该方法旨在利用图表示学习提升自监督学习中监督信息捕获的能力,监督信息的有效获取进一步强化了集成学习中成员构建的能力,最终提升了无监督海量数据本质结构的挖掘性能。

基于批归一化统计量的无源多领域自适应方法

为解决传统的领域自适应方法训练期间源域数据并不总是可用这一问题,提出一种无源多领域自适应方法,有效完成当存在领域漂移现象时的图像分类任务。通过最小化源域和目标域数据的批归一化统计量距离减小域之间的分布差异,解决因无法访问源域数据而无法显式对齐源域与目标域的问题;采用基于近邻聚合策略的伪标签分类器辅助生成更加准确的伪标签,提高模型预测的准确性;通过学习最优的融合权重,将多个自适应后的源域模型进行有效融合。构建基于批归一化统计量的无源多领域自适应模型。性能对比试验和消融试验结果表明,与多个基线模型相比,本研究方法预测准确性提高0.6%~3.7%。

基于CnViT的胶质瘤IDH1突变状态智能预测方法

为了提高胶质瘤影像数据利用率,实现胶质瘤-异柠檬酸脱氢酶1(isocitrate dehydrogenase1,IDH1)突变状态术前无创预测,提出一种基于影像组学与粗糙集属性约简算法的伪标签标注算法,为无标签胶质瘤影像做伪标签标注;提出一种基于卷积神经网络和Vision Transformer的分类模型,并在模型中加入基于胶质瘤位置信息的先验知识,用于胶质瘤IDH1突变状态预测。伪标签标注算法实现了胶质瘤影像数据扩增,基于卷积神经网络和Vision Transformer的分类模型在胶质瘤IDH1突变状态预测中的准确率为93.27%。试验结果表明,提出的方法能够有效提高胶质瘤影像利用率和胶质瘤IDH1突变状态智能诊断准确率,可实现术前无创预测,从而辅助医生诊断和制定治疗方案。