摘要：目的 由于不同伪造类型样本的数据分布差距较大,现有人脸伪造检测方法的准确度不够高,而且泛化性能差。为此,本文引入“图像块归属纯净性”和“残差图估计可靠性”的概念,提出了基于图像块比较和残差图估计的人脸伪造检测方法。方法 除了骨干网络,本文的人脸伪造检测神经网络主要由纯净图像块比较模块和可靠残差图估计模块两部分组成。为了避免在同时包含人脸和背景像素的图像块上提取的混杂特征对于图像块比较的干扰,纯净图像块比较模块中选择只包含人脸像素的纯净人脸图像块和只包含背景像素的纯净背景图像块,通过比较两种图像块纯净特征之间的差异来检测伪造图像,图像块的纯净性保障了特征提取的纯净性,从而提高了特征比较的鲁棒性。考虑到靠近伪造边缘的像素比远离伪造边缘的像素具有较高的残差估计准确度,本文在可靠残差图估计模块中根据像素到伪造边缘的距离设计了一个距离场加权的残差损失来引导网络的训练过程,使网络重点关注输入图像与对应真实图像在伪造边缘附近的差异,对于可靠信息的关注进一步增强了伪造检测的鲁棒性。结果在FF++(FaceForensics++)数据集上的测试结果显示:与对比算法中性能最好的F2Trans-B相比,本文方法的准确率和AUC(area under the ROC curve)指标分别提高了2.49%和3.31%,在FS(FaceSwap)与F2F(Face2Face)两种伪造数据上的准确率指标分别提高了6.01%和3.99%。在泛化性能方面,与11种已有方法在交叉数据集上的测试结果显示:本文方法与其中性能最好的方法相比,在CDF(Celeb-DF)数据集上的视频AUC指标和图像AUC指标分别提高了1.85%和1.03%。结论 与对比方法相比,由于提高了特征信息的纯净性和可靠性,本文提出的人脸图像伪造检测模型的泛化能力和准确率优于对比方法。

摘要：文章设计了一种与机器学习相结合的基于CFD数值模拟的梯形明渠特征参数-流量模型,用于对具有不同渠道参数的梯形明渠进行流量计算。选取影响梯形明渠流量的特征参数建立模型框架;使用CFD数值模拟梯形明渠得到训练数据;将模型搭配机器学习算法进行训练得到最终模型;使用最终模型对若干实际渠道进行试验。结果表明,最大误差为7.6684%且平均误差为2.7965%,该模型能够在具有不同参数的梯形明渠下实现高效,稳定和准确的流量计算。

摘要：针对高炉冶炼过程的复杂、多变以及非线性等因素,提出了一种基于粒子群算法(Particleswarmoptimization,PSO)和遗传算法(Geneticalgorithm,GA)相结合来优化极限学习机(Extremelearningmachine,ELM)的高炉铁水硅含量预测模型。PSO-GA-ELM预测模型,主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中,使其输出最优的连接权值和阈值代入到ELM模型中。通过对4种不同的预测模型进行实验验证,结果表明,优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型。

摘要：增量学习是缩小当前人工智能和人类智能间差距的关键技术,指智能体像人类一样从不稳定数据流中顺序学习多个任务,且不发生遗忘。目标检测是计算机视觉领域的核心任务之一,是计算机理解图像的基石。因此,增量目标检测问题具有重要的研究意义和实际意义。尽管增量学习在图像分类中取得了不错的成果,但基于目标检测的增量学习研究还处于初级阶段。这是因为目标检测相比图像分类更加复杂,它需要同时解决分类和边框回归的问题。不少研究者为解决此问题做了很多努力,但大多数工作都只关注如何保留已学习任务的性能,忽略了模型对新任务的快速适应能力,而这正是增量学习的关键要求。基于大脑的记忆机制,人类可以在学习中不断地提取知识以更好更快地学习新任务,不发生遗忘。受此启发,提出了一种融合编解码记忆重放机制的增量元学习方法。该方法对已学习样本的特征向量进行编码存储和解码重放,从而将不稳定数据流近似为动态稳定数据集,缓解了遗忘问题。同时,设计了一个双循环在线元学习策略,模型在内循环分别基于多批次新旧混合数据进行随机梯度更新,最后在外循环进行元学习,从而获得多任务间的共同结构,使模型具有良好的泛化性能,能够快速适应学习中遇到的新任务。在大型的公开数据集PASCAL VOC和MS COCO上设置了3种增量目标检测实验环境来评估所提算法。实验结果表明,所提算法与最先进的方法相比体现出了具有竞争力的性能,证明了其可以帮助模型更好地抵抗遗忘,具有更好的泛化性能。所提算法基于梯度更新,与模型无关,因此其可以与其他检测框架结合,具有强适应性。

摘要：近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法(MSCNN)。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;(1)模型使用具有一定重复率的样本数据,大幅扩充了样本数量;(2)引入多尺度卷积核进行特征提取;(3)模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。

摘要：提出了一种新的深度神经网络的设计方法,目的是改进其泛化性能.介绍了常用的改进深度神经网络泛化性能的方法,描述了所提出的新的具有多个级联输出层的深度神经网络的设计方法.该神经网络的多个级联输出层构成了序列分类器,这些分类器与自适应增强算法相结合提升了神经网络的泛化性能.该模型通过在分类器间共享部分网络结构节省了计算量,通过试验证实了其有效性和可靠性.

摘要：针对LM算法不能在线训练RBF网络以及RBF网络结构设计算法中存在的问题,提出一种基于LM算法的在线自适应RBF网络结构优化算法.该算法引入滑动窗口和在线优化网络结构的思想,滑动窗口的引入既使得LM算法能够在线训练RBF网络,又使得网络对学习参数的变化具有更好的鲁棒性,并且易于收敛.在线优化网络结构使得网络在学习过程中能够根据训练样本的训练误差和隐节点的相关信息,在线自适应调整网络结构,跟踪非线性时变系统的变化,使网络维持最为紧凑的结构,以保证网络的泛化性能.最后通过仿真实验验证了所提出算法的性能.

摘要：为了预报海洋赤潮等灾害的发生,需要监测海水中藻类的繁殖状况.通过建立针对海水中叶绿素a浓度状态的预测模型间接预测海水中藻类的繁殖生长状况.运用基于数据的模糊最近邻聚类学习算法对采样数据进行聚类处理,基于最优模糊逻辑系统建立了针对海水叶绿素a浓度状态的预测模型.根据采样数据的特点和降低模型阶次的实际需求,设计了改进的模糊最近邻聚类学习算法,并应用于叶绿素a浓度状态的预测.实验结果表明,该方法可有效提取样本数据的特征,降低数据维数,提高算法学习的收敛速度.改进的模糊最近邻聚类学习算法降低了预测模型构造的复杂度,使模型具有较好的泛化性能,能够有效预测海水中藻类的繁殖生长状况.

摘要：分类器集成作为机器学习算法设计的一种重要策略,具有高泛化性能的优点,已广泛应用于遥感、生物信息、图像处理等领域,逐渐成为研究热点.以三种常用的集成方法bagging、boosting和stacking为线索,分别从算法思想、算法评价、算法改进与变种、算法应用等角度进行探讨,为构建高准确率分类器集成系统建立指导.最后,对分类器集成算法的未来发展方向进行了展望.

摘要：由于复杂噪声信号的影响,使得对基片边缘的检测较为困难,提出了一种基于改进的GA-BP算法的边缘检测方法。首先,对基片图像进行中值滤波,将选中的样本归一化。其次,根据样本使用改进的GA-BP算法建立神经网络模型。最后根据实验对该神经网络模型中的参数进行了修正,并利用此神经网络模型对基片图像进行边缘检测取得到了较好的效果。实验结果表明,该方法具有良好的泛化性、鲁棒性和自适应性,可以提高图像边缘检测的抗噪声能力。