关键词： 风廓线雷达   水平风场   降水   数据处理   谱分离  

摘要： 风廓线雷达利用大气湍流信号进行水平风场反演时,雷达回波信号的功率谱数据包含大气湍流、地物、降水粒子等信号。与其他探测设备相比,风廓线雷达更容易受到其他杂波干扰的影响从而导致探测的风场信息真实度降低,这也突显出风廓线雷达数据质量控制的重要性。利用风廓线雷达风场结合其他探空设备可以探测出降水时段水平风场对空中气象要素的影响关系。因此研究分析出一套风廓线雷达在降水条件下的质控方法以及数据的应用是十分有价值的。 本文首先总结了各种干扰杂波的类型以及对雷达数据的影响,分析对比了质控环节的各种方法,选取了一套适用性较高效果较好的降水数据处理方法。首先分析了晴空下各种杂波干扰的抑制方法,并用两场数据进行风场数据处理实验。在降水条件下分离降水谱信号来提高湍流谱信号的真实度。最后应用水平风场结合降水微物理参数和大气廓线,分析了一场降水过程中水平风场对各气象要素的影响关系。得到以下结论: (1)利用地物杂波和电磁杂波不同的干扰特征,对比了不同的抑制方法。对比结果表明区间平均抑制地物杂波效果较差,滑动平均会降低湍流信号真实度,采用插值法和中值滤波处理可以有效抑制杂波干扰,提高提取湍流信号的真实度。 (2)分段法确定平均噪声效果最好。在不同情况下的功率谱图中,常规法和远距离库法确定的平均噪声真实度较低,分段法确定的平均噪声适用性最强,在不同类型的噪声中能较好的保留湍流信号,同时也能确定出合适的平均噪声。 (3)利用双峰谱中的最小值来分离湍流谱。将双峰谱图中的湍流谱信息分离出来,这种方法能有效的抑制降水粒子对湍流谱数据的影响,分离出的湍流谱信号能真实的反映出大气湍流的变化情况,经过智能天气传感器和探空数据的验证说明这种处理方法效果较好。 (4)水平风场与降水微物理参数、大气廓线分析。选取对应时空的探空数据,对比处理后的水平风场,表明处理后风场真实度提高。联合观测得到的反射率因子、液态水含量、降水强度、云中液态水、水汽含量等与水平风场变化密切相关,雨滴质量加权平均直径、空中湿度、温度等与水平风场变化基本无影响。

关键词： 高职院校   信息素养   数据处理   知识产权  

摘要： 介绍了信息素养的定义，分析了目前高职院校学生需要具备的信息素养能力，通过对宁夏工商职业技术学院学生信息素养的基本现状进行问卷调查，并对调查结果进行汇总与分析，依据调查结果分析出学生信息素养比较欠缺的主要原因，提出在大数据环境下提升高职院校学生信息素养的路径，以此提升高职学生的信息素养。

关键词： 近红外光谱   柴油品质   灰狼优化   集成学习   图像重构  

摘要： 结合人工智能方法实现对燃油品质客观高效的数字化评估是能源工业产业发展的必然趋势。近年来,石油资源匮乏和环境污染日趋严重使得燃油品质高精度控制和开发应用醇类燃油成为全球关注的热点问题。本文以更大分子的柴油燃料为主要检测对象,以柴油的近红外（NIR）光谱数据及其品质性质、牌号以及化学成分含量数据作为基础,提出基于人工智能的定性、定量分析方法。针对柴油NIR光谱高维复杂、有用信号弱、光谱重叠严重导致定性定量检测精度低、难度大的局限,本文分别从化学计量学、机器学习、集成学习以及深度学习方面具体展开提出解决方案。目的是实现柴油品质的多种性质指标检测、牌号识别以及醇类柴油的类型鉴别与含醇量检测的数字化精准把控,为燃油现代化检测和品质标准研究提供了方法基础。这种光谱学、人工智能与能源检测科学交叉领域的研究具有现实意义,本文主要研究工作如下: （1）为解决常规化学计量学建模方法难以准确挖掘高维复杂光谱隐蔽的本质信息的问题,提出一种相关系数（CC）与t分布随机邻域嵌入技术（t SNE）相结合的特征约简策略对柴油密度、粘度和凝点三种基本的物理性质进行检测。该研究策略通过特征优选与流形学习降维技术的结合,大大缩减特征数量的同时保障输入支持向量回归机（SVR）校准模型的有效特征信息。对比多种模型的特征缩减率,并计算预测的均方根误差（RMSE）和决定系数（R2）,该组合模型为柴油以及相关燃料类的物理性质检测提供了新方法,对NIR化学计量学的发展具有一定的意义。 （2）为解决化学计量学建模方法过多依赖于数据的质量及先验知识,缺乏自适应能力,很难高效地用于柴油更多品质参数同时检测的问题,提出一种基于NIR的机器学习策略对柴油密度、粘度、凝点、沸点、十六烷值和总芳烃六种物理化学性质进行同时定量检测。该方法设计一种新的非线性的灰狼优化算法（IGWO）和差分进化与灰狼优化相混合（DEGWO）的算法来解决灰狼算法在寻优SVR预测模型最佳参数时容易陷入局部最优解的问题。然后通过加权方法改进XY共生距离（ISPXY）划分样本集方法以增强光谱可解释性。对比多种模型并计算评估各算法的RMSE、平均绝对百分比误差（MAPE）和R2,所提出模型简单、精度高、泛化能力强、不需要任何NIR的知识与经验,实用性强,在燃油工业检测领域有望成为一种更实用的方法。 （3）为解决单一分类模型在光谱重叠和共线性严重以及样本不均衡的影响下识别精度低,稳定性差的问题,提出将Boosting集成学习的思想引入NIR领域实现柴油牌号的识别。结合基于树的特征选择和合成少数类过采样技术（SMOTE）,分别构建极端梯度增强（XGBoost）和其改进版本轻量级梯度提升机（Light GBM）两种集成学习柴油牌号识别模型。对比多种模型并计算评估各算法的分类准确率、灵敏度、特异性、精度和F1分数,所提出模型分类性能最佳,稳定性强,为光谱重叠严重以及常见的样本不均衡NIR数据的多模式识别提供了新思路。 （4）为解决不能直接利用更为成熟的深度学习图像处理方法对一维NIR光谱进行高性能定性定量分析的关键性技术问题,提出频域范围内的格拉姆角场（GAF）和马尔可夫变迁场（MTF）两种数学方法将一维NIR光谱重构成二维图像。基于获得的图像构建二维深度卷积神经网络（CNN）对醇类柴油进行类别识别以及甲醇和乙醇含量检测。对比多种模型并计算评估各算法的分类和预测指标,所提出方法在分类和预测任务中表现的整体性能强,灵敏度高。该研究策略为深度学习图像处理在NIR数据分析领域充分发挥强大优势提供了可能,具有巨大的应用潜力和前景。

关键词： 食品添加剂   太赫兹时域光谱   指纹谱库   主成分分析   支持向量机  

摘要： 近年来,因滥用食品添加剂导致的食品安全问题屡见不鲜,相较于传统检测手段,基于太赫兹光谱技术的检测手段具有无损、快速及高效的优点。近年来已被广泛应用于食品、医药以及环境检测等领域,研发食品添加剂太赫兹光谱数据处理及分析系统,实现食品添加剂太赫兹光谱数据的快速处理和分析具有重要作用。 本文针对苯甲酸、山梨酸、木糖醇、L-丙氨酸、苏丹红Ⅰ号和三聚氰胺六种食品添加剂,通过实验获取上述食品添加剂单质、二混以及三混样片的太赫兹时域光谱数据并进行数据处理,建立定性识别算法模型对食品添加剂进行定性识别,建立太赫兹指纹谱库,基于指纹谱库建立食品添加剂太赫兹光谱数据处理及分析系统,开发独立运行的系统样机。本文的研究内容主要包括以下几个方面: 首先,使用太赫兹时域光谱系统对六种食品添加剂的单质样片、二混样片以及三混样片进行太赫兹检测,将采集得到的时域信号数据进行数据处理以及Savitzky-Golay平滑后得到该样片的太赫兹吸收系数谱。建立基于嵌入式数据库SQLite的食品添加剂太赫兹指纹谱库,将每条光谱数据的物质名称、浓度、样片厚度以及光谱文件的路径信息存放于指纹谱库中保存。在Qt中实现基于SQLite食品添加剂指纹谱库的建立,以及指纹谱库增删改查等功能。 其次,分别建立了主成分分析结合k近邻(PCA-k NN)、主成分分析结合支持向量机(PCA-SVM)以及主成分分析结合反向传播神经网络(PCA-BPNN)三种定性识别算法模型,对比三种算法的定性识别效果,结果表明PCA-SVM定性识别算法模型最优,其准确率、宏精确率、宏召回率以及宏F1得分分别为:98.4%、98.6%、98.9%以及0.986,由此选择PCA-SVM算法模型作为系统的定性识别算法模型。 最后,使用Qt开发食品添加剂太赫兹光谱数据处理及分析系统,在系统中嵌入上述的太赫兹指纹谱库、数据处理算法和食品添加剂定性识别算法模型。在系统中设计了太赫兹指纹谱库模块、库内物质检索模块以及库外物质识别模块,并将整个系统经过交叉编译后移植到嵌入式Linux样机设备中,实现系统样机的开发。 本文中的太赫兹光谱数据处理及分析系统可以对实验采集到的太赫兹光谱数据进行快速预处理,根据系统中的指纹谱库快速识别被检测样片的物质种类。此系统除了用于食品添加剂的检测,还可以应用在药品检测、爆炸物检测以及种子鉴别等各种太赫兹时域光谱技术检测领域。

关键词： 组合导航   系泊对准   重力扰动   软件设计  

摘要： 重力矢量信息对地球物理科学、海洋资源勘探、组合导航等诸多方面的研究具有重要意义。本文对海洋重力矢量测量数据的处理方法开展了深入研究,主要的研究工作和成果如下: 研究了重力矢量仪在系泊状态下的初始对准技术,为后续重力矢量解算提供高精度初始姿态角信息。在粗对准阶段,对比研究了两种矢量构造方法的TRIAD(Triaxial attitude determination)算法和多矢量定姿算法,数值仿真结果表明,构造位置矢量的TRIAD算法对准速度快且精度高。在精对准阶段,为了提高抗干扰能力,给出了自适应卡尔曼滤波精对准算法,数值仿真结果表明,该算法能够根据量测实时估计噪声水平,提高对准速度。船载试验结果表明,构造位置矢量的TRIAD算法和自适应卡尔曼滤波精对准算法能够更快实现系泊对准。 研究了重力异常和重力矢量水平扰动的求解方法。首先使用捷联惯导算法和闭环扩展卡尔曼滤波算法获得了当地地理坐标系下的比力。由比力通过各项误差补偿和低通滤波技术求解高精度的重力异常,精度优于0.3m GAl;为了分离加速度计偏差和水平重力扰动,采用了重力矢量水平扰动的二阶马尔可夫模型并给出了水平重力扰动计算方程,使用正向-平滑卡尔曼滤波精确估计重力扰动水平分量,精度优于2m Gal。 设计并实现了海洋重力矢量数据处理软件,软件采用三层架构,使用C#和C++联合编程,设计了软件界面和底层算法,实现了高精度海洋重力矢量解算功能、图形显示功能和分析评价功能,可扩展性好,易于操作,对海洋重力矢量数据处理具有应用价值。 本文的研究工作对开展海洋重力矢量测量具有重要的参考价值。

关键词： 遥感数据处理流程   形式化建模   Petri网   实体关系联合抽取   自动转换工具  

摘要： 随着对地观测水平不断提高，遥感技术对社会的发展提供了强有力的支撑。但遥感数据日益多元化，数据规模迅猛增长，导致了遥感数据处理过程面临着逻辑复杂、数据庞大等问题。为了应对遥感数据处理过程的管控问题，常常引入工作流技术形成遥感数据处理流程，但通常所描述的遥感数据处理流程结构单一，资源众多难以统一管理，且尚未形成合适的形式化建模标准。此外，遥感领域专家通常不是专业模型设计人员，难以高效完成遥感数据处理流程模型的快速构建。因此，“如何通过一种有效的手段完成遥感数据处理流程形式化模型的自动构建及验证”是需要解决的问题。　　本课题组承担了《空基十三五国家民用空间基础设施陆地观测卫星共性应用支撑平台项目共性技术支撑与检验分系统智能遥感构建语言子系统》以及《面向遥感大数据处理的动态自适应分布式协同工作流研究》项目。为了实现项目中遥感流程的智能化高效处理，首先需要对动态自适应遥感工作流模型进行研究，构建适合遥感大数据处理平台的遥感流程形式化建模方法。其次，为了实现智能化构建方案，探索了将自然语言处理技术应用到遥感领域，由遥感流程文本自动生成遥感流程形式化模型，完成自动形式化建模，本文具体研究内容如下：　　（1）针对遥感数据处理流程特点，提出了面向遥感流程的形式化建模方法。本文基于 Petri 网建模技术，引入数据库所、读弧、写弧等相关概念，增强模型对静态资源的描述能力，构建适合遥感数据处理流程的形式化描述模型 RSDP_Net。提出该模型到PNML 的规范化表达形式，通过引入同步器概念和一系列化简规则对流程模型进行验证，且这种验证方法有利于实现计算机对流程的自动验证。　　（2）对CasRel模型进行改进，实现对遥感流程文本的实体关系联合抽取。本文构建出真实遥感流程文本数据集，利用 n-gram 截取，将长文本转化为短文本，以提升抽取效果。加入Focal loss作为补充loss，缓解样本不平衡的问题，引入FGM对抗训练以增强模型的鲁棒性，头、尾实体预测部分分别使用Biaffine注意力机制和加性注意力机制进行信息增强，使得更好地捕捉实体和输入序列中不同元素之间的关系。　　（3）设计实现了遥感数据处理流程形式化模型的自动转换工具 ToRSDP_Net。首先定义了一种描述遥感数据处理流程的半结构化文档，通过抽取遥感流程文本中的实体及其关系构建半结构化文档，再以该文档驱动遥感流程形式化模型的自动构建，能够将流程输出为结构化的 PNML 文件并自动验证流程的通畅性。结合项目需要，系统还具有保存流程、操作历史流程和管理用户等功能。　　实际应用表明，本文所提出的建模方法既发挥了 Petri 网对动态系统建模的优势，同时也兼顾了静态资源，进一步增强了 Petri网的表达能力。采用本文所改进的 CasRel模型抽取遥感流程文本中的实体和关系，实验结果表明，该模型的 F1分数达到了 81.8，具有较好的提升。本文所开发的建模工具实现了由遥感流程文本向形式化模型的自动转换，使得能够快速分析与验证流程，进而促进遥感数据处理一体化平台的协同构建。

关键词： 色谱分析数据   噪声滤除   联合经验模态分解   小波阈值   基线校正   重叠峰解析  

摘要： 色谱分析法作为一种典型的分离分析方法，因其独特的设备简易性、方法多样性以及分离效果的有效性，在化学化工、生物制药、环境科学等众多领域得到广泛应用。但色谱信号微弱，高质量色谱数据采集困难，错综复杂的信号成分使得色谱数据处理算法不可或缺，而现有数据处理算法误差大、效率低等因素极大的影响了色谱分析法的实际应用效果。为解决以上问题，本文在色谱数据处理现有算法的基础上展开深入研究，主要研究工作和成果如下:　　(1)针对原始色谱信号中噪声干扰大的问题，提出了联合经验模态分解及小波阈值的去噪算法。该算法使用经验模态分解法划分原始色谱信号中不同频率的分量,根据连续均方误差准则进行频率临界值定位，利用小波阈值法将高频分量做进一步降噪处理后与低频分量重构得到降噪信号。从噪声与色谱峰的本身特征出发，基于高斯函数模型进行了仿真去噪实验，分别与现有的滑动窗口均值法、小波阈值法和经验模态分解法进行对比。实验结果表明，该算法能在有效提高信噪比的同时，高效快速地得到具有较小均方根误差值的去噪信号，在色谱信号去噪方面有较好的性能优势。　　(2)针对色谱流出曲线基线漂移的问题，提出了基于简化高斯函数模型的基线校正算法。该算法结合实际色谱信息，将高斯函数表达式简化为线性函数，利用最小二乘法做线性拟合求出未知参数，舍弃基线信息后还原标准色谱曲线。分别对Sigmoid基线、Ploynomial基线、Exponential基线、Gaussian基线四种基线类型做校正处理，与传统的分段拟合法、多项式拟合法进行仿真对比实验。实验结果表明，新算法在消除基线异常的同时，获得了与理想信号几乎重叠的校正信号，处理数据的运算时间及结果误差值都明显小于其他算法。联合本文提出的去噪算法与基线校正算法，在实际TVOC原始色谱信号中加以应用，验证了算法的实用性。　　(3)针对样品组分结构相似导致的色谱重叠峰问题，提出了基于混沌人工蜂群的重叠峰解析算法。该算法改进了传统人工蜂群的初始蜜源分布策略，将重叠峰分解问题转化为寻找一组参数最优解问题。选取色谱双重叠峰形中具有代表性的局部重叠混合峰、完全重叠后肩峰两种类型，分别与交点垂线法、前后向拟合法做解析实验对比分析。实验结果表明，本文算法误差相对较小，且在解析后肩峰这种分离度低的重叠峰类型上具有明显优势。此外，本文算法可以解决大多数算法无法处理的多峰重叠问题，为后续色谱数据定性与定量工作的开展提供了可靠保证，提升了色谱数据处理算法的整体性能。最后利用本文算法解析实际白酒色谱重叠峰，验证算法实用性。

关键词： 数据处理   抑郁症   机器学习   深度学习  

摘要： 抑郁症是复杂且异质的精神类疾病,目前关于抑郁症的检测工作仍然十分困难,主要原因在于其发病机制尚未完全阐明,并且抑郁症检测缺少客观的临床诊断标准。本文就机器学习和深度学习在抑郁症风险检测方法中的应用进行研究,以期为国内在该领域的研究提供参考。本文从医院体检结果数据出发,研究了体检数据信息的处理与分析基础,使用人工智能中的机器学习和深度学习进行抑郁症风险检测,主要研究内容如下;首先,针对数据缺失问题,采用了基于随机森林的缺失值处理方法,其效果相对较优。通过特征工程的方差过滤法筛选了重要特征,并分析了选出特征的重要性和相关性,挖掘重要特征因素及与抑郁症相关关系,为提高模型检测精准性奠定数据基础。其次,研究了基于机器学习的抑郁症风险检测模型。构建了多种机器学习算法作为对比试验。在此基础上提出了基于对比试验的Stacking模型融合方法。利用网格搜索优化参数,采用十折交叉验证进行训练,使用性能指标进行评价,分别得到不同模型的准确率、AUC值、F1值、召回率和精确率等,加以比较判断,最终选出预测效果最为良好的模型,即Stacking模型,其准确率为0.934,为抑郁症检测提供参考。再次,研究了基于深度学习的抑郁症风险检测模型,对抑郁症做进一步检测。搭建了多种网络模型作为对比实验,在此基础上提出了长短时记忆网络和麻雀算法相耦合的SSA-LSTM模型和加入注意力机制的CNN-LSTM-Attention,利用性能指标进行评价。结果证明,本文提出的模型较基础网络模型甚至是机器学习算法有较好的表现。CNN＿LSTM＿Attention准确率更是达到0.945。这表明,本文建立的模型在一定程度上提高了抑郁症整体分类精度及稳定性,为抑郁症疾病风险检测建模和分析提供了新方法和思路。最后,总结了本文的工作,并明确了本文的不足和未来的研究方向。

关键词： 重力卫星   星间微波链路   预处理   在轨标定   多路径噪声  

摘要： 地球重力场是涵盖地球内部质量空间分布与时间演化的重要基本物理场,高精度、高时空分辨率的地球重力场对科学研究、地理测绘与军事国防具有重要战略意义。探测地球重力场的手段一般分为地面探测、航空探测与卫星探测。卫星探测具备全球覆盖、实时更新等特性,自21世纪初以来,已成为国际国内科研前沿热点议题。低低跟踪重力卫星兼顾高精度与高时空分辨率,为地球科学、水文学、冰川学、地震学、海洋学与大气科学等关乎国计民生的重点领域提供不可或缺的重要科学数据。微波星间测距系统是低低跟踪重力卫星的关键科学载荷,通过实时测量由地球重力场时空变化引起的星间距离变化信号为全球重力场反演提供输入数据。本文以GRACE Follow-On(GFO)卫星为例,基于低低跟踪重力卫星任务的核心KBR微波测距系统的工作原理、测量机制与噪声分布,研究KBR测距系统的数据预处理、在轨标定与分析方法,其中,在轨标定是数据预处理的重要环节,为数据预处理提供输入,补偿微波测距信号中的姿态耦合噪声。首先,本文探讨数据预处理算法,结合双星同频测距信号,利用双向单程测距模式实现数据预处理中载波频率不稳定噪声的高效抑制,完成双星双频微波测距信号线性组合对电离层干扰的消除,并实现时间标签改正、双星时间对准与抗混叠滤波等关键步骤以及计算飞行时间改正、相位中心改正等必要环节。其次,本文探讨在轨标定算法,基于GFO卫星KBR天线相位中心在轨标定机动策略,详细分析机动产生的星间测距信号变化的频谱特性,并引入双差分线性组合方式,消除机动中伴随姿态变化的多路径噪声,同时考虑实际机动与标称设定的差异,提出先后估计实际机动参数、多路径噪声与相位中心的“三步法”参数估计算法。本文主要研究结果为:(1)本文的微波测距数据产品与GFO任务官方数据残差在地球重力场有效信号频段内低于1×10 m Hz,远低于载荷观测本底噪声水平以及微波测距系统设计指标,满足地球重力场反演精度要求;(2)以GFO高精度激光星间距为参考,通过对比分析GFO与本文标定结果同激光星间距残差,验证本文在轨标定算法的有效性与标定结果的正确性,本文标定结果对微波测距信号中姿态耦合噪声的补偿效果更为显著。本文可为我国低低跟踪重力卫星任务微波测距系统的数据预处理与标定提供相关技术积累与参考,并为空间引力波探测任务星间测距系统储备技术理论基础。

关键词： 数据处理   簇结构信息   自监督表征学习   自衍生目标   困难负样本  

摘要： 随着深度神经网络的发展，监督学习在带有人工标注信息的数据集上取得了良好的性能，但人工为大规模数据集提供标签耗时且昂贵。相比之下，近些年提出的自监督学习可以直接从未标注的数据中自主发现潜在的结构和规律，具有更高的效率和灵活性，因此受到了广泛关注。目前自监督学习主要包括生成式和对比式两类方法。第一类方法通过让模型生成辅助任务目标的方式进行学习，需要从数据本身构建用做训练信号的生成目标;第二类方法则通过样本级别的对比进行学习，相对生成式而言其学习任务更加简单通用。本文聚焦于对比式自监督学习方法。然而，在自监督学习中由于不存在外部监督信息来指导模型的学习，会导致模型坍塌问题，即模型对任何输入都输出相同且恒定的向量。因此，如何有效解决对比式自监督学习中的坍塌问题是当前研究的一个热点和难点。　　典型的对比式自监督学习基于数据来构建正样本对和负样本对，通过使得正样本对中的两个特征接近，负样本对中的两个特征远离的方式来让模型学会基于样本语义对其编码。但该方法依赖于构建和存储大量的负样本对。为此出现了两种不同的改进策略。一种基于自衍生目标把模型训练过程中学习到的中间结果作为监督信号而完全省去负样本对。其关键是利用中间结果导出具有多样性的对齐目标（特征或软标签）从而避免模型坍塌。目前为止，该类方法主要通过改变网络架构的对称性配合梯度截止训练技巧，以及通过聚类后约束簇的大小等方式来获取有效的对齐目标。第二种从负样本对的有效性出发，旨在筛选出语义相似度高的“假”负样本对，以提升模型对跨样本语义相关性的学习能力。目前研究只在样本级别寻找“假”负样本对，限制了对更加全局范围内语义的捕获。　　在无监督模式下通过聚类得到的簇是代替类别的一种常用方法。相比单个样本，簇对应多个相似样本的集合，提供了更加全局层面的信息。本文充分利用数据中潜在的簇结构信息，分别在自衍生目标和困难负样本对挖掘两种框架下提出新的基于簇的自监督表征学习方法，具体工作包括：　　1、在自衍生目标的自监督学习框架下，本文提出一种基于聚类空间去相关性的自监督表征学习。现有基于聚类的自衍生目标方法通过对得到的簇进行平衡化操作来增加对齐目标的多样性。该方法一方面在小批次实现时需要额外存储更多样本，另一方面不适用于类别不平衡数据。此外，聚类模块参数的更新往往不能与神经网络其他参数的学习相结合。为解决以上问题，本文提出从减少聚类空间变量之间的冗余度来实现目标多样性而不是直接限制簇的大小，实现不使用负样本对和不改变模型架构的情况下进行有效自监督表征学习并保持在类别不平衡数据上的性能。此外，通过改造全连接层来实现在线聚类，把聚类模块的计算和参数更新统一到深度神经网络的训练框架中。　　2、针对负样本对删选问题，提出基于簇来识别“假”负样本对以提升对比学习性能。相比单个样本，通过聚类得到的簇提供了更加全局的结构信息。为此，本文方法通过在线聚类得到整个数据集的簇中心，利用样本在簇空间特征表示的相似性来发现“假”负样本对。同时研究和对比了直接删除以及转正样本对这两种处理“假”负样本对的方式对提升最终模型学习效果的性能。　　3、在 CIFAR-10 和 CIFAR-100 两个标准图像数据集上进行了大量仿真实验，并与近期提出的代表性方法进行了对比，验证了本文提出的聚类空间去相关损失对避免模型坍塌的有效性、在不平衡数据集上的鲁棒性、以及基于簇层面删选“假”负样本对的有用性。此外，通过消融实验对本文方法的各个模块和成分进行了单独评估以了解不同模块的重要性以及模块之间的协同性;还通过可视化手段对方法的关键工作机制进行了更直观的分析。