关键词： 极限学习机   核风险敏感损失   麻雀搜索算法   投票机制  

摘要： 随着机器学习的推广和普及,极限学习机(Extreme Learning Machine,ELM)得到了广泛的关注与发展。最近,专家和学者们针对ELM的鲁棒性提出了许多的改进方法。同时,随着计算机硬件的飞速发展以及互联网技术的日趋成熟,ELM集成的思想也开始进入研究人员的视野。如何提高ELM的稳定性,以及如何在保持ELM鲁棒性的同时进一步提高ELM的分类性能成为了ELM研究的两个重要方向。本文在上述两个方向上对ELM进行了研究,并使用改进的模型去完成具体的分类任务,相比于现阶段一些优秀的ELM方法,本文所提出的改进模型有着更加理想的分类性能。具体的研究内容如下:(1)提出了一种基于麻雀搜索算法的核风险敏感损失超图正则化极限学习机模型。传统的ELM方法在训练过程中,输入层和隐藏层之间的输入权重和偏差都是随机生成的,这阻碍着ELM分类性能的进一步提升。针对这一问题,本文引入麻雀搜索算法对ELM的输入权重和偏差进行优化,以此来提升ELM模型的分类性能。另外,本文重新设计了麻雀搜索算法的适应值函数。最后,本文进行了相应的实验,实验结果表明新模型有更好的分类性能。(2)提出了一种基于q高斯核风险敏感损失和投票机制的集成极限学习机模型。新模型的提出受到函数族参数化和集成思想的启发。其中,函数族参数化使得原始数据能够获得更好的特征空间表示,使得模型的泛化能力得到加强。另外,引入了传统的投票机制进行集成,与单个ELM分类器相比,集成模型有更好的分类稳定性。实验结果表明新模型可以提高分类性能,在模型的分类稳定性方面也有一定的竞争力。(3)提出了一种变样本权重的集成极限学习机模型。在大多数传统的ELM中,由于其默认所有样本的重要程度是相同的,这使得ELM对特定类别缺乏敏感性。因此,本文设计了一种样本权重的量化方法,并在这基础上提出了新的集成ELM模型。新模型对数据处理过程有所改进,并在分类预测过程中使用了分治的策略。本文将模型应用到监督学习和半监督学习两个学习场景下,实验结果表明与其他优秀的ELM方法对比,新模型的分类预测能力更为突出。总而言之,本文从ELM的内部结构、ELM的稳定性以及集成等角度出发提出了三种ELM模型,并设计了相应的实验与现有的优秀ELM方法进行比较,结果表明本文所提出的模型在分类性能或者分类稳定性等方面有一定的竞争力,能够完成具体的分类预测任务。

ISBN: (纸本)9787550937604

关键词： 智能缝制   机器视觉   力传感器   数据处理   多信息融合  

摘要： 随着缝纫行业的不断发展，传统平面缝制技术已经不能满足当下的生产要求，缝制技术必须要突破传统轻工业的应用限制。基于此，本文以立体缝纫为背景，结合某公司方向盘皮套缝制的预研项目，设计了一种基于机器视觉与力反馈的智能缝制算法。具体研究内容如下：　　针对缝纫点的识别与空间位置计算，本文采用机器视觉的解决方案。首先对相机进行选型与标定，修正相机自身造成的图像畸变并建立起相平面坐标与世界坐标的转换关系;其次，利用归一化积相关算法（NCC）对采集到的图像进行缝纫点的识别。为了解决NCC算法识别速率较慢的问题，本文引入差分定理，高斯金字塔，模板阈值分割等相关操作进行优化，在识别出缝纫点的位置以后通过坐标公式计算出缝纫点在像平面坐标，将其转换成世界坐标后存储在数据库中;最后通过仿真实验验证了相机标定误差、缝纫点识别准确率和速率均满足系统指标要求。　　针对进针过程中的传感器数据处理，本文采用多信息融合的解决方案。首先，对力传感器进行选型与校正，并设计线性动力模型算法过滤、平滑压力特征;其次，利用模糊推理系统将缝纫点的图像特征和进针过程中缝纫针垂直与水平方向上的压力特征进行融合，进针机械臂根据融合结果调节进针角度，将调整后的压力数据作为新的输入继续传至模糊推理系统进行融合，从而形成力反馈的闭环控制，依此来完成整个缝纫动作，最后在自主设计的实验平台上进行实物验证，实验结果验证了本文算法的可行性。

关键词： 非接触   动态称重   数据处理   Kalman-EEMD联合去噪  

摘要： 随着社会的不断发展以及人民对牛羊肉需求的日渐增加,畜牧业发展越来越趋向于规模化、精细化。为加快生产效率,实现科学化养殖,养殖户期望通过精准测量山羊的体重变化掌握山羊的生长情况,在此基础上实时改进山羊的饲养方案以提高产肉率、产绒率、繁殖率等。当前国内外市场现有牲畜称重设备在进行羊群称重时,均需要对山羊的行动进行限制后进行静态称重,工作效率低且不利于动物福利保护。针对目前市场上动态称重设备所遇到的问题,本文设计出一种非接触式的羊群动态称重系统。实际使用中测量最大误差为1.0%,平均误差为0.40%,单只测量时间不超过2秒,在保证称重精度的前提下进一步提升了羊群称重效率,保证了动物福利保护。本文具体研究内容如下:1)首先对阿尔巴斯白绒山羊所处地区的气候变化、牧场环境、养殖户的需求等情况进行实地调查;其次对当前动态称重技术及方法进行调研,最终制定了羊群动态称重系统的总体设计方案。2)为实现非接触动态称重,系统硬件部分设计为通道、称重、分栏三部分,具体包括系统的地基、机械结构、电路PCB的设计及传感器等模块的选型与安装。3)系统软件部分的设计包括主控制器程序、压力采集板程序、无线通信板程序的设计。主控制器主要负责分配、管理、调度各传感器设备从而实现山羊定位、体重运算、耳标读取、数据显示等功能;压力采集板负责采集压力数据并对数据进行预处理;无线通信板则负责将山羊耳标及体重数据上传到云平台。4)实验中分析了山羊通过秤台时的数据变化情况,针对其数据变化规律,提出使用卡尔曼-集合经验模态分解法(Kalman-Ensemble Empirical Mode Decomposition,Kalman-EEMD)对数据进行联合去噪,并对原数据进行最优拟合,将其与去噪后的结果进行对比,验证了这种方法的可行性。5)在鄂托克旗牧场进行动态称重系统的实地实验,实验结果验证了羊群动态称重系统的设计符合预期要求,系统稳定性较高,可在智能化、规模化畜牧业中推广应用。

关键词： 数据挖掘   通用航空器   数据处理  

摘要： 本文利用数据挖掘技术提出了一种通用航空器的数据处理方法,在检测到通用航空器启动时,获取通用航空器的初始信息;在通用航空器的运行过程中,获取通用航空器的实时飞行信息;将获取的通用航空器的实时飞行信息进行存储,得到通用航空器的飞行信息统计表;对飞行信息统计表中的数据的异常值进行处理;基于处理后的数据获取航空器在本次飞行过程中的飞行时间和飞行架次。与传统方法相比,本文提出的通用航空器的数据处理方法计算结果准确高效,能够降低通用航空器在维修工作中的成本,提高通航公司安全运行效率。

关键词： 智能通信网络   网络认知模型   数据缺失填补   数据降维   数据异常检测  

摘要： 人工智能技术与信息通信网络技术深度融合,推动网络向智能通信网络方向演进,支撑和满足“万物智联”需求。然而,现有研究大多局限于网络管控和网络运维等局部智能水平提升,或利用人工智能技术解决频谱资源紧缺和网络安全威胁等具体问题,导致网络智能化水平提升程度受限。提升网络智能化水平的研究焦点是网络如何更主动地认知环境资源,从而得到适应环境变化的最优策略。以OODA环(Observe,Orient,Decide and Act)为基础的认知方法可使网络具备认知能力,但其中涉及的知识缺乏实体以及实体与概念间关系,导致网络难以准确理解知识,主动认知环境的能力受限。因此,从知识入手研究基于OODA环的认知方法,增强网络对知识的理解,提升网络主动认知能力进而提升其智能化水平,具有重要的理论和实际意义。 课题以实现网络主动认知环境的关键技术为研究对象,重点研究网络认知模型构建与验证、对网络认知模型环境数据的高缺失率填补、降维和异常检测,保障网络认知模型高效稳定运行,实现网络主动认知环境,为提升网络智能化水平提供新途径。 首先,针对OODA环中缺乏实体及其与概念间关系的知识,导致网络难以理解知识的问题,引入知识图谱技术,提出以网络知识单元为核心的网络认知模型。该模型对OODA环的四个单元进行重组和优化,建立“多域感知”单元,将感知范围扩展至多域环境,并针对环境数据存在的高缺失率、高维和异常值等问题进行预处理,为知识生成提供准确有效的环境数据来源;基于机器学习等方法,建立“学习分析”单元,分析环境数据并提炼为网络知识;基于知识图谱技术,创新构建“网络知识”单元,将多域环境、决策方案等网络知识构建为知识图谱,为生成决策方案提供逻辑支撑,便于网络准确理解认知行为逻辑;建立“优化决策”单元,基于网络知识图谱,生成有效决策方案。内嵌网络认知模型的网络节点以分级分布的方式组网,主动认知并快速响应周围环境变化。网络认知模型从网络准确理解和快速响应动态环境的角度提高网络主动认知能力。 其次,受传感器性能限制以及环境动态多变影响,“多域感知”单元获取的环境数据存在缺失率较高的问题,导致“学习分析”单元分析环境数据的准确性下降。针对该问题,根据融合填补思想,提出基于聚类和生成对抗网络的融合方法,填补环境数据。分析环境数据缺失特征和填补需求,挖掘现有填补方法无法直接应用的问题:缺失率超过70%时填补精度下降。利用聚类和生成对抗网络的各自优势,提出两种融合方法:一是利用聚类降低数据稀疏度,提出“粗填补+精填补”融合方法,降低随机噪声矩阵中的噪声项,提高生成对抗网络填补精度。二是利用生成对抗网络提高数据完整性,提出“训练+应用”融合填补方法,避免聚类直接处理缺失数据时失效的问题,在提高填补精度的同时降低填补耗时。基于聚类和生成对抗网络的两种融合填补方法从数据完整性角度保障环境数据分析的准确性。 然后,“多域感知”单元感知范围扩大使得环境数据具有高维特征,需要感知大量的样本以避免维数灾难,而大量样本将增加“学习分析”单元分析耗时。针对该问题,基于特征筛选思想,提出基于信息熵低秩表示的UMAP(Uniform Manifold Approximation and Projection)降维框架。分析环境数据维度特征和降维需求,剖析UMAP降维方法无法直接应用的难点:小样本数据空间分布稀疏导致流形学习耗时增加。先利用低秩表示对数据去噪,提高降维鲁棒性。再设计信息熵加权阈值,保留重要特征,降低数据空间分布稀疏度,从而提高UMAP流形学习效率,在保证降维精度的同时,达到降低总耗时的目的。基于信息熵低秩表示的UMAP降维框架从数据可用维数的角度保证环境数据分析的时效性。 最后,受传感器性能和环境噪声干扰等影响,“多域感知”单元获取的环境数据存在全局、局部和集群异常值,影响“学习分析”单元的分析精度。针对该问题,提出基于核密度波动因子的孤立森林异常检测方法。分析环境数据异常特点和检测需求,确定孤立森林方法无法直接应用的问题:难以检测局部和集群异常。利用核密度波动因子计算数据在孤立树中的异常分数,刻画数据全局、局部和集群特征,将所有数据异常分数的均值作为阈值,从而确定全局、局部和集群异常数据。同时,针对核密度波动因子计算复杂度较高的问题,用数据在孤立树中的路径长度取代欧式距离,避免多次计算数据间距离,从而降低计算复杂度。基于核密度波动因子的孤立森林异常检测方法从数据准确性角度保证环境数据分析的精度。

关键词： 商业数据处理者   民事责任   侵权行为   赔偿数额  

摘要： 在数字经济背景下，越来越多数据处理者将目光盯向经济价值日益凸显的商业数据。处理者对商业数据的高频、规模化处理中不断出现不正当的处理行为，造成企业、用户等主体的合法权益受损，权益人寻求法律保护商业数据权益的呼声随之高涨。传统的民事责任认定已不能完全适用于商业数据处理者这类新型主体引发地商业数据侵权纠纷、违约赔偿等问题，从而导致相应的法律责任模糊，因此确认商业数据处理者的民事责任成了亟待解决的问题。　　目前我国商业数据处理者的侵权纠纷多以《反不正当竞争法》为依据，展露出传统侵权责任成立要件的不易适用，具体为商业数据处理者侵权行为判定标准不清晰、新技术加剧主观要件的判断难度、赔偿数额缺乏统一标准。对此在侵权责任认定层面，基于《数据安全法》关于数据安全保护义务的规定，对商业数据处理者违反数据安全保护义务以特别侵权责任认定。在违反数据安全保护义务的侵权责任基础上，通过对不正当处理行为类型的梳理、过错要件的厘定、双层次因果关系的分析，完善商业数据处理者成立一般侵权责任的构成要件。在责任的承担层面，针对既有案件赔偿数额混乱的现状，试图通过被侵权人损失与商业数据处理者获利的情况、商业数据定价以及侵权贡献率三方面综合确认损失数额的计算标准。　　在数据交易中，因商业数据存在瑕疵致使无法实现合同目的是目前商业数据处理者涉及违约的主要情形。数据交易合同的双务有偿性是商业数据处理者负有交付无瑕疵标的物义务的前提。数据交易合同的有偿性认定应当突破通常以货币给付对价的形式，数据消费者“积极”将自身个人数据提供给商业数据处理者应当被视为支付对价的新型模式。在违约责任认定层面，存在质量瑕疵难以认定的问题，欲解决该问题，应当对《民法典》合同编中的瑕疵担保责任作扩大解释。结合传统质量瑕疵认定中的“主观因素”和“客观因素”标准，从商业数据处理者处理行为是否妥当和数据消费者使用商业数据能否实现目的两方面展开分析。最后，在责任承担层面，传统的瑕疵担保责任方式不能使数据消费者的权益得到有效救济，故以降低交易成本为目的，可增设补救后继续履行、减少价款等做法作为新型承担方式。

关键词： 疾病诊断性能   神经网络   插补模型   计算机辅助诊断模型   多模态医疗数据  

摘要： 医疗大数据作为“国家大数据战略”的重要组成部分,是我国全面推进建设“数据强国”的重要一环,也是关系到全民健康的重要资源。随着以神经网络为代表的人工智能技术的不断发展,催生了医疗领域新的发展动力和发展活力,医疗大数据也呈现出迅猛的发展势头。如何挖掘医疗数据中的价值,拓展医疗数据分析的理论和应用,使数据信息转化成服务于国家建设、社会发展、全民健康的战略资源,是医疗大数据研究的重要挑战。本文围绕着基于神经网络的医疗数据处理关键技术展开研究,以提升疾病诊断性能为目的,提出基于神经网络的解决模型。本文的主要内容和主要贡献如下:(1)提出一种基于特征关联规则的数据缺失插补模型针对电子病历数据中的数据缺失问题,本文提出了一种基于特征关联规则的插补模型。首先,模型进行特征贡献度计算,用以评价非缺失数据特征对于缺失数据特征的影响程度。然后,根据特征贡献度进行特征选择。最后,构建基于关联规则学习的BP神经网络插补模型,设计通过对特征关联规则的学习和表达,从而对缺失数据进行预测,提高数据的完整度。实验结果验证了模型的有效性。(2)提出一种自适应局部特征增强的CT辅助诊断模型针对CT图像数据特征表达不足而导致计算机辅助诊断效果不佳的问题,本文设计了一种基于自适应局部图像增强结合目标检测的计算机辅助诊断模型。首先,模型对CT图像进行像素点遍历,并计算像素灰度级的概率密度函数PDF。然后,根据像素点概率密度的分布计算得到的像素点灰度级的类别数,根据类别数将像素点进行分类,并对每一类分别进行基于直方图均衡化的图像增强。最后,建立基于YOLOv5的目标检测模型,完成对病灶区域的检测识别。模型在不同的脑卒中CT图像数据集上进行了实验验证,实验结果验证了提出模型的准确性,同时也验证了模型良好的泛化能力。(3)提出一种面向多模态医疗数据的疾病分类模型针对多模态医疗数据的数据多源异构、维度高而导致的融合及诊断困难问题,本文设计了一种基于图数据结构构建和图学习的多模态医疗数据融合与疾病分类模型,将图数据结构构建引入到多模态医疗数据的融合中。首先,本研究设计了一种基于图数据结构构建的多模态医疗数据融合方法,先对多模态疾病数据进行特征提取和预处理,包括量化、归一化等,并基于相似度的图数据结构构建,实现对多模态医疗数据的融合。然后,建立基于图神经网络的图数据学习模型,对生成的图数据结构进行节点信息采样和聚合,生成新的点嵌入。最后,模型完成对节点的分类任务,实现患者疾病的分类。模型在两个心脏类疾病数据集上进行实验,实验结果验证了模型的有效性。综上所述,本文围绕着医疗数据处理关键技术,从提高医疗数据诊断性能方面展开研究,提出了基于神经网络的医疗数据分析和建模方法,实现对医疗大数据领域理论和技术的支持。

关键词： 天休热液区   超镁铁岩型热液系统   空间结构   拆离断层   近底磁法  

摘要： 大洋中脊等海底扩张中心因发育海底热液循环系统导致热液成矿作用的发生。作为热液成矿作用的产物,海底块状硫化物(SMS)因富含多种战略性金属而成为当前深海矿产资源勘探和研究的热点。基于热液循环能够改变围岩的磁性特征而产生磁异常的特性,近底磁法探测技术已成为海底硫化物资源勘探的有效手段,在海底热液硫化物区空间结构,如围岩蚀变范围、热液通道及相关断裂的研究中得到初步应用。 本文研究区——天休热液区位于西北印度洋卡尔斯伯格脊,属拆离断层控制的超镁铁岩型热液系统。然而,此热液系统的空间结构特征以及拆离断层对热液系统的控制机制尚不明确。本研究首次利用天休热液区的近底磁力结合地形数据以及岩石采样信息,采用二度半磁异常剖面正演模拟、带地形的三维正反演等手段,分析了热液区磁异常特征及异常来源,并对地下空间结构进行解译和刻画。同时讨论了典型超镁铁岩热液系统中蛇纹石化过程中的磁性演化和天休热液区相关的拆离断层和大洋核杂岩(OCC)的发育进程。此工作进一步对天休热液区构造条件进行约束,为研究拆离断层控制的热液循环机制提供典型案例,为多金属硫化物矿产资源评估提供支撑。 研究结果显示,天休热液区呈正磁异常,活动热液喷口群所在的断层发育区域具有更强的磁性。推测强烈的磁异常主要源于被拆离断层抬升到海底的地幔橄榄岩蛇纹石化产生的磁铁矿。此拆离断层在浅部接近水平,倾角小于30°,至深度300m左右变陡,倾角增至70°,断层向下延深超过1000 m。天休热液区的主要热液流体通道沿着拆离断层向东南倾斜,流体沿拆离断层上升到终端岩石破碎带并出现集中排放的热液喷口群,且继续沿着OCC穹隆的裂隙横向上升到最高点。热液区海水向下渗透并与上升热液混合的深度超过500 m。从新火山脊向西南传播到OCC下方的侵入岩可能是天休热液区的热源。 天休热液区相关的拆离断层和OCC处于发育早期阶段,可以推断天休热液区的蛇纹石化反应过程还将持续很长时间。其与Rainbow、Lost City超镁铁岩型热液系统的磁性对比,证实了蛇纹石化动力学在温度变化中遵循非线性演化。此结果强调了超镁铁岩热液系统内部蛇纹石化反应产物的温度依赖性,证明高温环境下的超镁铁岩热液区产生的强磁性有利于近底磁力探测。