Abstract ：

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中，通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时，由于舌象数据分布特性不一致，分类性能往往急剧下降。为此，该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先，设计了一种双阶段元学习训练策略，从源域有标注样本中提取域不变特征，并利用目标域的少量有标注数据对网络模型进行微调，使得模型可以快速适应目标域的新样本特性，提高舌色分类模型的泛化能力并克服过拟合。接下来，提出了一种渐进高质量伪标签生成方法，利用训练好的模型对目标域的未标注样本进行预测，从中挑选出置信度高的预测结果作为伪标签，逐步生成高质量的伪标签。最后，利用这些高质量的伪标签，结合目标域的有标注数据对模型进行训练，得到舌色分类模型。考虑到伪标签中含有噪声问题，采用了对比正则化函数，可以有效抑制噪声样本在训练过程中产生的负面影响，提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明，在目标域仅提供20张有标注样本的情况下，舌色分类准确率达到了91.3%，与目标域有监督的分类性能仅差2.05%。

Keyword ：

中医舌色分类 域自适应 双阶段元学习 小样本

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 基于深度学习的脑电图-功能性近红外光谱技术(electroencephalogram-functional near-infrared spectroscopy, EEG-fNIRS)多模态脑机接口在康复工程中具有广泛的应用前景，但存在数据量不足的问题。为此，本文提出一种基于改进条件生成式对抗网络(conditional generative adversarial network, CGAN)的EEG-fNIRS多模态信号数据增广方法，以解决EEG-fNIRS多模态脑机接口与深度学习结合时面临的数据量匮乏的问题。方法 首先，对EEG和fNIRS数据进行滤波、归一化和下采样等预处理。然后，针对EEG的非平稳特点，在CGAN生成器和判别器中增加自注意力机制，获得EEG数据增广模型CGAN_E,加强捕捉和学习时变关键信息的能力。同时，针对fNIRS采样率低、信息量不充分问题，在CGAN生成器和判别器中增加上采样卷积层，获得fNIRS数据增广模型CGAN_f,加强模型的信息挖掘能力，并将CGAN_E和CGAN_f的条件信息设置为类标签；进而，利用CGAN_E和CGAN_f对每导EEG和fNIRS分别进行增广，并将多导EEG扩增数据和多导fNIRS[包括氧合血红蛋白浓度(oxyhemoglobin concentration, HbO)和脱氧血红蛋白浓度(deoxyhemoglobin concentration, HbR)两种]扩增数据串接融合，获得EEG-fNIRS多模态增广数据。最后，对公开的EEG-fNIRS多模态信号数据集TU-Berlin-A前6名受试者数据进行增广实验，并设计一维卷积神经网络分类器评估增广数据的质量。结果 基于EEG-fNIRS多模态信号公开数据集TU-Berlin-A前6名受试者的左右手运动想象数据进行实验研究表明，当数据扩增5倍时，本文方法取得94.81%的平均分类准确率。结论 CGAN_E和CGAN_f能够生成接近真实数据分布的EEG和fNIRS信号，验证了对CGAN改进和本文所提EEG-fNIRS多模态数据增广方法的有效性。

Keyword ：

条件生成式对抗网络 数据增广 多模态信号 脑电图 功能性近红外光成像技术

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本公开涉及一种电子围栏的规划方法、装置、电子设备和存储介质。该方法包括：获取目标区域中的第一单车数据，并确定所述第一单车数据对应的数据分布特征；根据所述数据分布特征对所述第一单车数据进行初始聚类，获得初始聚类结果，并根据初始聚类结果将目标区域划分为多个子区域；获取各子区域包括的第二单车数据的分布情况，并对第二单车数据进行聚类，获得目标聚类结果；根据目标聚类结果确定电子围栏的目标布设位置。基于此，可以通过精准的布设位置有效的规范用户的停车，从而在方便用户停车的同时维护了城市的形象。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 基于深度学习的运动想像脑机接口技术在智能康复领域具有很好的发展前景.然而,运动想像脑电信号(motor imagery-electroencephalogram,MI-EEG)是一种非平稳信号,其数据分布和特征空间会随着康复进程的推进而发生变化,这会导致卷积神经网络(convolutional neural network,CNN)模型的识别能力下降.为改善运动想像解码模型对时间的自适应性,本文提出一种基于知识蒸馏和注意力损失的时间增量学习系统(session-incremental learning system,SILS).方法 首先,对运动想象脑电信号进行带通滤波和下采样等预处理,以增强与运动想象相关的信息;其次,设计一种多分支双注意力多模块卷积神经网络对多导联MI-EEG进行多尺度时间特征和空间特征的提取与整合,并基于注意力机制增强通道和空间维度的关键信息;然后,利用知识蒸馏技术及注意力损失改善增量时期解码模型持续学习新知识和保留旧知识的能力;进一步,基于最近邻法挑选少量优质旧样本进行数据回放,提升增量模型的抗遗忘性能力;最后,基于BCI Competition Ⅳ Dataset 2b公开数据集进行大量实验研究,通过可塑性和稳定性两项指标验证 SILS 性能.结果 SILS 对第 1～5 阶段的数据依次取得 79.21％、79.05％、89.06％、88.38％和88.47％的平均准确率,第5 阶段的SILS对第 1～4 时段(session)数据的平均遗忘率分别为9.72％、9.10％、9.88％和6.04％.结论 SILS具有自动调整模型参数,保持持续学习和自我更新的能力,表现出很好的时间适应性和性能稳定性.

Keyword ：

注意力机制 增量学习 运动想像 知识蒸馏 脑电信号

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对欠定盲源分离中混合矩阵估计精度不佳的问题，本文提出了一种结合带噪声的基于密度的空间聚类（combining density-based spatial clustering of application with noise, DBSCAN）和概率密度估计的混合矩阵估计算法。首先，通过向量转换方式获得单声源时频点检测准则，并基于此准则从混合信号中检测出单声源点。其次，利用基于密度的空间聚类算法对单声源点进行聚类，由此估计出声源个数以及各类别所属的单声源点。再次，利用概率密度估计获得各类别的聚类中心，并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数，并且避免了由于数据分布不均所造成的聚类效果差的问题。最后，采用压缩感知技术实现源信号恢复，从而从混合信号中分离出各个声源信号。实验结果表明，本文所提的混合矩阵估计方法在声源个数未知的情况下，能够准确估计出混合矩阵；并且分离出的信号具有较高的质量。

Keyword ：

概率密度估计 欠定盲源分离 带噪声的基于密度的空间聚类 混合矩阵估计

Cite：

Copy from the list or Export to your reference management。

Abstract ：

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中，通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时，由于舌象数据分布特性不一致，分类性能往往急剧下降。为此，该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先，设计了一种双阶段元学习训练策略，从源域有标注样本中提取域不变特征，并利用目标域的少量有标注数据对网络模型进行微调，使得模型可以快速适应目标域的新样本特性，提高舌色分类模型的泛化能力并克服过拟合。接下来，提出了一种渐进高质量伪标签生成方法，利用训练好的模型对目标域的未标注样本进行预测，从中挑选出置信度高的预测结果作为伪标签，逐步生成高质量的伪标签。最后，利用这些高质量的伪标签，结合目标域的有标注数据对模型进行训练，得到舌色分类模型。考虑到伪标签中含有噪声问题，采用了对比正则化函数，可以有效抑制噪声样本在训练过程中产生的负面影响，提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明，在目标域仅提供20张有标注样本的情况下，舌色分类准确率达到了91.3%，与目标域有监督的分类性能仅差2.05%。

Keyword ：

小样本 域自适应 双阶段元学习 中医舌色分类

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了提高交通流模型整体估计精度,对交通流模型参数估计方法进行了研究.针对密度-速度、密度-流量以及速度-流量模型之间的关联性以及交通流观测数据分布特征对模型估计精度的影响,提出了联合模型参数估计方法,并给出了联合模型参数估计优化目标函数的表达形式及约束条件.以Castillo-Benítez和Van Aerde模型为例,基于北京市二环快速路实测数据对联合模型参数估计方法可行性及参数估计效果进行了验证;构建了加权判定系数,并结合平均绝对百分比误差(mean absolute percentage error,MAPE)和平方根误差(root mean squared error,RMSE)评价联合模型估计效果.结果表明,对Castillo-Benítez模型而言,由单一模型计算的速度、流量估计MAPE分别是19.8％和18.7％,基于联合模型计算的速度、流量MAPE分别下降为10.0％和10.0％,模型总体判决系数由0.913变化为0.910;对Van Aerde模型而言,由单一模型计算的密度、流量估计MAPE分别为16.4％和16.3％,基于联合模型计算的密度、流量MAPE分别为14.2％和14.2％,模型总体判决系数由0.732变为0.749.

Keyword ：

联合模型参数估计方法 参数估计 交通流模型 交通工程 交通流理论

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提出一种基于自适应判别策略的区间二型模糊神经网络出水总磷智能检测方法，实现了污水处理过程中不同工况下出水总磷浓度的实时智能检测。由于污水处理过程具有多种不同工况，难以利用单一固定的数学模型进行表达，因此，本发明利用一种自组织区间二型模糊神经网络表达污水处理过程。该方法通过实时分析污水处理过程数据，利用污水处理过程数据更新检测模型参数，基于动态数据分布差异的自适应判别策略完成检测模型结构动态调整，实现不同工况下出水总磷浓度的快速准确检测。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种诈骗电话动态识别区间构建方法。本发明创新提出了超参数优化和梯度提升机相结合的方式构建诈骗电话识别模型，利用超参数优化算法对梯度提升机的参数进行优化，提升模型识别效果。本发明使用随机森林算法进行数据特征选择，选取特征重要度大于0.8的维度构建诈骗电话特征向量。用户话单数据是典型的不平衡数据，本发明提出使用欠采样与过采样相结合混合采样的方法对数据进行采样，缓解了数据分布的不平衡，经过实验验证是一种可行的方法。本发明提出了一种基于概率预测模型的参数化方法，以分类器输出的概率作为样本的置信度，根据模型输出的样本置信度，构建诈骗电话动态识别区间。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于群智能算法和cGAN的恶意代码数据不均衡处理方法，构建恶意代码生成模型。采用群智能算法计算恶意代码的可接受最佳初始样本比例。生成各家族恶意代码，构建相对均衡的恶意代码数据集。本发明利用群智能算法获得各恶意代码家族的可接受最佳样本比例，同时引入cGAN对恶意代码不同家族的数据分布进行学习并进行样本生成，最后对不平衡数据集进行处理，构建各类样本相对均衡的恶意代码数据集，使不同种类的恶意代码在选取时达到一个理想的比例，使正负样本在训练过程中具有相同的地位，更有效的解决了数据不均衡的问题。

Cite：

Copy from the list or Export to your reference management。