摘要：针对航空发动机涡轮盘多目标优化计算密集、案例需求大、分析费用高的问题,提出一种基于混合样本管理的人工神经网络训练方法,以辅助多目标粒子群优化算法处理这类计算密集问题。通过均匀设计的偏差控制,设计面向混合精度数值仿真的试验表;在误差分析基础上,通过联合优化“虚拟样本噪声强度—隐含层节点数—虚拟样本量”,确定混合样本集的构造方法和神经网络拓扑结构,以提高模型的精度和泛化能力;多目标优化过程中,采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性和均匀性;通过遗忘式增量学习提高寻优目标的导向性。以某型涡轮盘的多目标优化设计为例验证该体系的有效性。实验表明,所提方法在保证涡轮盘多目标优化质量的前提下,能够显著降低设计费用。

摘要：人体关键点检测是计算机视觉的热点研究领域.目前,对于体操动作关键点检测,仍存在检测精度不足及缺乏细节部位检测能力等问题.为了提升检测精度,本文设计了一种多分辨率网络,该网络在浅层具备较大感受野,同时能够利用高分辨率通道增强细节特征的提取能力.为实现对手部及脚部关键点的检测,设计了一种增量学习网络.该网络融合了多分辨率网络的浅层特征并利用自建数据集计算深层特征以提升网络对手部及脚部关键点的检测能力.最后对两个网络输出结果进行合并.计算机仿真表明,多分辨率网络在COCO2017关键点检测数据集上达到了94.4%的准确率,并且增量学习网络能够在训练数据较少的情况下实现对细节部位关键点的准确检测.

摘要：随着智能手机中app数量的不断增加,准确查询目标app渐趋困难.目前利用历史用户数据预测手机系统下一个使用的app算法存在两类问题:一是部分算法因未考虑训练数据日益递增,导致预测结果的准确度随时间增加而降低;二是虽然考虑到了增量数据,但增加了因增量数据而重新建模的时间,导致总体耗时增加.为减少建模时间,本研究提出Predictor预测系统,利用优化后的增量Ik NN模型为用户提供app使用的预测功能.通过学习app特征的上下文关系,设计了聚类有效值(cluster effective value,CEV)策略,采用多维度特征方法来提高分类的准确度,从而提高预测准确度.实验结果表明,带有CEV策略的Ik NN模型比默认的Ik NN模型拥有更稳定的预测准确度,其应用模型Predictor能减少建模的时间,同时提高预测准确度.

摘要：新一代视频编码标准H. 265/HEVC采用了去方块滤波与样点自适应补偿滤波技术来去除视频重建图像的块效应并降低失真.这两种技术都源于信号处理理论,依赖人工设计相关算法与参数,并不能充分挖掘自然视频丰富而复杂的特性.本文将视频编码的环路滤波问题转化为端到端的回归问题,借助于卷积神经网络,自动学习重建视频图像与原始图像的复杂映射关系,降低两者的误差,进而提升编码效率.所提出的多特征增量学习网络模型共35层,整个网络采用全局残差学习方式,通过依次串联多特征增量学习块,不断提取、筛选,加强有用特征,提升网络的感知能力与学习能力;在局部的每个增量学习块内,设计了多尺度的卷积核,借助于稠密网络的思想,充分利用各个层次的特征,使得信息在各层间充分传递.实验结果表明,这种稠密与稀疏结合的网络结构有效地提高了网络的学习能力,并具备良好的泛化性,对视频编码重建图像的质量增强有明显效果.所提出的网络模型用于取代H. 265/HEVC的环路滤波,在All Intra Main配置下,亮度分量获得最高-11. 12%,平均-6. 32%的BD-rate节省.该模型用于H. 265/HEVC的环路滤波,BD-rate平均可降低5. 24%.

摘要：提出一种以电影视频中人脸图像为依据的视频检索方法.首先通过AdaBoost检测视频序列中的人脸图像,将检测到的人脸做标准化处理后投影到增量特征人脸子空间中,得到人脸图像的向量表述;然后应用单类支持向量机进行训练和分类,根据分类的结果动态地调整前面得到的最优分类超平面,实现对电影视频中特定演员的检索功能.由于不同镜头中同一人的人脸图像通常差别很大,该方法随时间序列动态地调整特征人脸空间,以适应人脸分布的变化.对电影《小花》、《Nottinghill》等的实验表明,该方法在视频环境下可以较准确地检索出特定人像.

摘要：针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines,SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。

摘要：机械剩余使用寿命预测模型依据设备状态监测数据样本进行寿命预测,当样本模式发生变化时,基于原模式样本训练好的模型在新模式样本上的预测表现往往较差。为使模型保留对原模式样本的处理能力,同时拓展出针对新模式样本的处理能力,提出了3种增量学习方法:第一种方法使用新模式样本与原模式样本的标签值构建损失函数;第二种方法在第一种方法基础上增加了模型参数初始化步骤;第三种方法在第一种方法的损失函数中增加了表示当前模型与原模型参数分布差异的正则化项。在涡扇发动机数据集上进行了不同学习方法的对比实验,结果表明所提方法实现了增量学习的目标,其中第三种方法在模型预测准确度和模型训练时长两方面取得了最优的综合表现。

摘要：针对神经网络模型在增量学习中存在灾难性遗忘问题,提出一种基于自监督与隐层蒸馏约束的正则化类增量学习方法,包括自监督伪标签预测、隐层蒸馏约束和参数正则化.首先基于贝叶斯和信息论提出一种对模型参数重要性评价的正则化策略;然后利用自监督伪标签预测增强模型的表征能力,并保留隐层特征,通过加入高斯噪声提高隐层特征的泛化能力;最后使用蒸馏约束方法与交叉熵分类损失对历史任务的隐层特征与输出层特征进行训练.在CIFAR-10和CIFAR-100数据集上的实验结果表明,所提方法取得较好的效果,其中,在CIFAR-100数据集上的平均准确率和遗忘率分别达到64.16%和15.95%;该方法能够有效地减少灾难性遗忘的影响.

摘要：为应对层出不穷的新型网络威胁,提出了一种基于对比增量学习的细粒度恶意流量识别方法。所提方法基于变分自编码器和极值理论,在对已知类、小样本类和未知类流量实现高性能检测的同时,还可以在不采用大量原任务样本的条件下快速实现对新增恶意类的识别,以满足增量学习场景下对存储成本和训练时间的要求。具体来说,模型将对比学习融入变分自编码器的编码阶段,并采用A-Softmax实现对已知类和小样本类的识别;将变分自编码器重构与极值理论结合,采用重构误差实现对未知类的识别;利用变分自编码器存储原有类知识,采用样本重构和知识蒸馏方法,在不采用大量原有类样本的条件下实现对所有类样本的识别。实验结果表明,所提方法不仅实现了对已知类、小样本类和未知类流量高性能检测,并且所设计的样本重构和知识蒸馏模块均可有效降低增量学习场景下对原有类知识的遗忘速度。

摘要：针对图像分类中类增量学习的知识灾难性遗忘现象,现有类增量学习方法着重于模型分类层的不平衡偏移修正,忽视了模型特征层的偏移,未能良好解决类增量学习所面临的新旧类别不平衡问题。为此,提出一种新的类增量学习方法,称为融合平衡权重和自监督的类增量学习方法(BWSS)。首先,BWSS利用旧类在训练中预测期望低的特点设计了自适应的平衡权重,扩大旧类的损失回传占比以修正整个模型的偏移。其次,BWSS引入自监督模块,将样例的旋转角度预测作为辅助任务,强化模型对冗余特征和共性特征的表达能力,以更好地支撑增量任务。通过与主流类增量学习算法在公开数据集CIFAR-10和CIFAR-100上的实验对比,证明BWSS不仅在类别少样例多的CIFAR-10上增量性能更优,在类别多样本少的CIFAR-100上同样具有优势。通过消融实验和特征可视化,验证了所提方法对模型的特征表示能力和增量性能是有效的。BWSS在CIFAR-10上的5阶段增量任务最终准确率达到了76.9%,相比基线方法提高了5个百分点。