摘要：针对历史工况条件下建立的刀具数字孪生模型对新工况监测的准确度降低,且新工况下缺乏足够训练样本重新训练模型的问题,将深度迁移学习策略引入刀具数字孪生模型,建立刀具切削变工况数字孪生模型。该模型基于边缘分布适配规则,使模型学习到分布相似的源域数据特征和目标域数据特征,只需较少的目标域样本即可将源域训练好的模型迁移到目标域进行监测,从而提高刀具数字孪生模型在目标域的监测精度和适应性。实验验证,相比未引入迁移策略的模型,所建模型能够提高变工况条件下的磨损监测精度和对新工况的泛化能力。

摘要：用于文本情感分析的深度学习模型如递归神经网络等参数较多,因此需要大量高质量标记训练数据对模型进行训练和优化。在实际应用中,特定领域难以获取高质量带情感标签评论数据。在跨领域文本情感分类任务中,针对不同领域数据分布差异性,提出了基于句法结构迁移和领域融合的跨领域文本情感分类方法,可以解决特定领域对带标签数据依赖问题。句法结构迁移方面,将依存语法特征加入到递归神经网络中,设计了一种可迁移的依存句法递归神经网络模型,通过句法结构迁移有效地迁移跨领域结构信息,为情感迁移提供支撑。领域融合方面,在传统的最大均值差异领域度量方法上细化了跨领域同类别距离度量信息。通过约束源领域和目标领域的分布,可以保证2个领域距离在学习过程中尽可能减小,有效地提取领域通用特征。实验结果表明,该方法比已有方法有效提高了跨领域情感分类准确率。

摘要：空调冷凝器是空调设备的关键部件,其弯管连接部位由于损伤类型多和几何形状复杂等原因造成传统接触式损伤检测手段难以应用,本文提出一种基于能量映射迁移网络的非接触式激光超声导波无损检测方法。首先,通过小波分解提取烧蚀信号和热弹信号的概貌波形,设计自编码能量映射函数将热弹信号特征空间映射到烧蚀信号特征空间,获得更接近烧蚀信号特征的映射热弹信号。其次,通过能量映射迁移网络对齐映射热弹信号和烧蚀信号特征空间,将网络模型中的域转换误差和样本标签误差之和用作特征空间对齐误差值。最后,对空调冷凝器泄漏、分层和裂纹等损伤进行检测实验验证所提新方法性能,结果表明其损伤识别精度为93.09%,比传统激光热弹激励检测方法提高了7.23%。

摘要：植株病虫害的识别能够有效地提高农作物产量,当前数据驱动的深度植株病虫害识别方法需要大量的有标签数据,导致现有方法难以很好地识别少样本的新病虫。且基于深度学习的方法需要对大量的参数进行训练,难以削减计算开销。研究设计一种基于彩票迁移的稀疏网络植株病虫害识别模型:定义深度网络的彩票迁移假设,利用压缩策略构建稀疏网络,识别迁移源域的本质知识,提高深度网络的迁移效率;然后,设计深度彩票迁移算法,训练植株病虫害深度识别模型,解决少样本病虫识别调整;最后,在典型的通用数据与植株病虫害识别数据集上,验证基于彩票迁移的深度植株病虫害识别模型能高效迁移源域的本质知识。在PlantVillage数据集上,对植株病虫害识别准确率为97.69%,且所需训练的参数只有原始网络的约30%。

摘要：为了实现烟草病虫药害图像智能识别,本文构建了可供机器学习研究的烟草病虫药害图像数据集,并提出了三维注意力加权模型。在结合烟草专家诊断知识的基础上,本文使用多种数据增强方法提高数据多样性,对烟草病虫药害图像数据集构建进行合理化、规范化设计。在使用深度迁移学习技术进行自动提取浅层特征的基础上,设计了三维注意力权重学习模块,进行高层特征计算,实现田间拍摄图像的精准识别,平均识别准确率达到了85.56%,明显优于其他现有方法。该模型不仅在烟草病虫药害识别方面表现出了较高精度,在复杂农业生产环境下也具有较好的鲁棒性,能够实现烟草病虫药害图像实时智能识别。

摘要：随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。

摘要：为解决飞行器方向舵在复杂多变的工况条件下的故障诊断准确性问题,提出了一种结合卷积神经网络(CNN)和基于网络的深度迁移学习(NDTL)的NDTL-CNN故障诊断方法。首先,搭建了飞行器方向舵的故障仿真模型,采集不同工况条件、健康状态下的多维传感器数据;然后,设计了CNN,其自适应地从定工况数据中深度提取特征,能够有效捕获方向舵的故障特征信号;最后,对定工况下的预训练CNN进行模型微调,将其迁移到变工况数据中进行故障诊断。实验结果表明:所提方法在短时间内将变工况下CNN的诊断精度提高了15%,最终NDTL-CNN的诊断精度为97.7%,达到了在复杂多变的工况条件下精确辨识方向舵的健康状态。

摘要：为了改善基于卷积神经网络(CNN)的雷达目标识别模型的泛化能力,本文将深度适配网络(DAN)方法引入到高分辨一维距离像(HRRP)目标识别中。为了进一步提高DAN方法的性能,创新性地提出了混合核函数MMD代替传统DAN中的多核MMD,设计了基于混合核函数的MMD损失函数。本文使用服从瑞利分布的海杂波来干扰目标域数据。网络模型中使用一维CNN提取特征,使用混合核函数DAN来减少源域和目标域间特征分布的差异。实验表明,相对常规迁移学习方法和DAN方法,在海杂波影响下该方法可将目标域数据识别率提高15%左右,显著提高了模型的泛化性能和鲁棒性。

摘要：近年来,为了保护用户的隐私,应用厂商使用加密技术来增加数据传递的安全性。但是由于加密流量具有隐蔽性的特点,使得传统的基于明文流量的识别方法效果变差,对加密流量进行识别分类已经成为现在亟需解决的问题之一。随着人工智能的发展,深度学习在很多领域表现出优异的成果,也给该领域带来了新的契机,但数据集的不平衡会影响训练的结果。因此,本文提出了基于Co AtNet的加密流量识别系统,能够在数据不平衡的情况下达到对数据识别分类较好的结果。试运行结果表明,该系统能够达到较高的识别效果,具有较大的工程应用前景。