摘要：为了解决时序数据间分布不一致的问题,使模式分析更容易应用于其他数据,提出基于迁移学习的交互式时序数据可视化生成方法,将迁移成分分析应用于时序数据提取的特征.将用户在其中一个时序数据上的分析作为标签,在该源域上训练分类器并应用到多个目标域,对多个不同目标域的时序数据的模式进行批量推荐.通过真实的天气数据和轴承信号数据的2个案例分析和专家访谈,验证了利用该方法能够提高时序数据探索的效率,减少数据分布不一致问题带来的影响,体现该方法的有效性和实用性.

摘要：针对典型的飞行器制导任务,利用深度学习算法可以有效地拟合导弹飞行状态与制导指令之间的函数关系。然而当制导任务发生变化时,其二者之间的映射关系也会随之改变,从而导致在当前环境下预训练好的模型无法直接作用于新环境,重新训练制导模型需要大量的弹道数据和巨额的时间成本。为解决上述问题,基于迁移学习的思想引入域对抗神经网络,提出基于迁移学习的多任务制导算法。以1个含有大量标签数据的源域任务辅助2个含有极少量标签数据的目标域任务进行迁移学习,从而克服预训练与在线控制之间的环境差异。使用特征提取器和域判别器提取出对任务环境不敏感的关键特征,使神经网络学习到各个任务所共享的底层信息;为提高预测精度,分别设计针对不同任务的偏置加速度预测器。数值仿真结果表明:基于迁移学习的多任务制导算法实现了导弹在不同任务中的加速度指令预测。

摘要：计算流体动力学与刚体动力学(Computational Fluid Dynamics and Rigid Body Dynamics,CFD/RBD)耦合仿真是旋转弹飞行性能评估的常用方法之一,但由于需要进行大量CFD计算,该方法效率较低。建立一个高效、精确且泛化能力强的气动力模型并以之替代耦合仿真中的CFD模块,可以大幅度提升仿真效率。针对前述旋转弹气动力建模问题,提出一种结合系统辨识和迁移学习的建模方法。给定旋转弹运动初始条件并采用CFD/RBD耦合仿真获得样本,采用自回归滑动平均方法建立原始气动力模型,同时采用长短时记忆网络建立状态预测模型。当初始条件变化不大时,原始气动力模型仍然适用;当初始条件发生较大改变时,利用迁移学习将状态预测模型迁移到该初始条件下,并预测相应初始条件下的状态参数,基于预测得到的状态参数,采用自回归滑动平均方法建立气动力模型。算例结果表明:所提方法适用于初始转速和俯仰角变化较大时对旋转弹气动力的精确建模;与直接以CFD/RBD耦合仿真结果为样本、采用自回归滑动平均方法建模相比,在精度相同时建模时间缩短了一半。

摘要：情绪影响身心健康及认知功能等,因而在人们的生活中扮演着重要角色.自动情绪识别有助于预警心理疾病和探索行为机制,具有巨大的研究与应用价值.在过去十余年中,研究者们提出了各种情绪识别方法,但均存在不同方面的不足:基于脑电图(Electroencephalography,EEG)信号的方法需采用专业、昂贵且不易操作的脑电仪;基于视觉和语音的方法存在隐私泄露的风险;基于手机使用模式分析的方法其可靠性和准确性有待提高等.本文利用生理信号如呼吸音、心跳音及脉搏等与情绪的潜在关联性,创新性地提出基于低成本、普适易用可穿戴硬件的情绪识别技术,借助多模态数据融合对不同类型数据进行有效利用,既减少了数据冗余又有效提升了系统性能.此外,在保证良好识别准确率的前提下,为提升情绪识别模型对不同用户的泛化性、最大化降低新用户的使用成本,本文提出了基于多源域对抗思想的情绪识别模型,借助少量来自新用户的无标签数据实现模型的无监督迁移,再辅之以极少量有标签数据微调分类器参数可进一步提升情绪识别准确率.为验证所提情绪识别方法的有效性,本文设计并实现了一套融合麦克风与光电容积脉搏波(Photoplethysmography,PPG)传感器以测量人体心跳音、呼吸音及脉搏等生理指征的可穿戴系统.基于此系统,本文在不同设置下开展了大量实验并对不同影响因素进行了评估.实验结果表明:对于四类基本情绪,本文所提方法单被试识别准确率可达95.0%,跨被试识别准确率为62.5%,比基准方法提升了5.3%.结合有监督小样本参数微调,识别准确率可进一步提高至81.1%,比基准方法提高了12.4%.上述结果验证了本文所提方法的可行性,为泛在情绪识别研究做出了崭新的探索.

摘要：为解决退役电池梯次利用过程中单体剩余使用寿命估计困难、测试流程复杂与能耗高等问题,提出迁移学习与GRU网络结合的锂离子电池健康状态估计方法;设计的基础模型结构为输入层+GRU层+全连接层+输出层;根据健康因子的得分,选择训练基础模型的数据集、划分电池相似度等级并制定对应的迁移学习策略。实验结果表明:与其他模型相比,分别使用数据集的前40%与前25%训练得到的基础模型与迁移学习模型,两者的精度分别最大提高42.48%与95.28%,而预测稳定性分别最大提高55.38%与93.55%。

摘要：在航天任务中对脑力负荷的有效检测可以保障任务执行效率和生产安全,预测航天员的表现。针对跨时间脑力负荷检测,依据MATB任务设计了包含不同难度任务的跨时间实验范式,采集了14名志愿者3次不同时间的脑电数据。基于迁移学习Boosting方法,引入辅助数据,设计了基于TrAdaboost的跨时间脑力负荷识别算法,在没有目标数据参与的情况下进行了跨时间的分类识别。探索了最佳分段长度和辅助样本比例对识别效果的影响,并基于多个数据样本进行了决策研究,跨时间下的脑力负荷最佳识别准确率达到74.73%。结果表明,提出的跨时间脑力负荷分类框架实现了脑力负荷的有效识别。

摘要：滚动轴承作为机床的重要核心零件,对保证机床的正常运转至关重要。然而在实际工作中,机床的工况经常根据不同的工作要求产生相应的变化,对机床轴承的转速以及负载产生一定的影响,从而导致轴承的机械振动信号呈现出非平稳性、非线性和非周期性等特点。目前基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练(源域)和测试(目标域)数据集具有相同的数据特征且存在足够多的带有故障信息的标签数据。然而,由于机床常在非平稳工况下运行,因此在某一工况上建立的训练模型无法直接用于其他工况。为了解决这一问题,基于迁移学习(TL)技术,设计一维卷积神经网络(1-DCNN)与迁移学习相结合的模型。该模型利用一维卷积网络直接从原始振动信号中提取故障特征信息,并利用对抗策略迁移技术提取两域的公共特征。利用域分布差异度量拉近两域的特征分布,实现轴承跨工况迁移故障诊断。最后通过构建的12组迁移任务对比实验,验证所设计模型的优越性。结果表明:设计的基于一维卷积的迁移学习神经网络模型可直接实现对机床轴承故障的实时监测;设计的模型通过结合对抗策略迁移与度量域分布差异两种迁移策略,大大提高了迁移故障诊断性能,可更好地提取源域与目标域的公共特征;在实验构建的12组迁移任务中优于其余两种迁移策略,能完美完成迁移故障诊断任务。

摘要：城市地标可视性研究是城市设计及景观风貌保护等相关规划的重点内容。目前,传统的“眺望”视线控制方法在可视域划定、可视度分析上存在缺陷,后续结合数字化手段改进的三维可视域模拟分析方法部分解决了可视域划定的问题,但数据精度要求高,且无法满足可视度分析要求。针对此问题,本文提出了一种基于迁移学习与智能模式识别的城市地标可视性分析方法,以南京紫峰大厦为例,利用自主采集的街景数据,结合地标数据集,训练出结合迁移学习、深度神经网络的人工智能体,完成对不同尺寸下,符合紫峰大厦特征的地标识别。通过改进的智能模式识别方法,可以实现地标的可视域及可视度识别。经验证,分析结果较过去的“眺望”视线控制方法,三维可视域模拟分析方法更为精准、真实。弥补现有方法在可视域、可视度分析上的不足。

摘要：随着深度学习和神经网络的快速发展,基于深度神经网络的端到端语音合成系统因性能优异成为主流。然而近年来,泰语语音合成相关研究还不充分,主要原因是大规模泰语数据集稀缺且该语言拼写方式有其特殊性。为此,在低资源前提下基于FastSpeech2声学模型和StyleMelGAN声码器研究泰语语音合成。针对基线系统中存在的问题,提出了3个改进方法以进一步提高泰语合成语音的质量。(1)在泰语语言专家指导下,结合泰语语言学相关知识设计泰语G2P模型,旨在处理泰语文本中存在的特殊拼写方式;(2)根据所设计的泰语G2P模型转换的国际音标表示的音素,选择拥有相似音素输入单元且数据集丰富的语言进行跨语言迁移学习来解决泰语训练数据不足的问题;(3)采用FastSpeech2和StyleMelGAN声码器联合训练的方法解决声学特征失配的问题。为了验证所提方法的有效性,从注意力对齐图、客观评测MCD和主观评测MOS评分3方面进行测评。实验结果表明,使用所提泰语G2P模型可以获得更好的对齐效果进而得到更准确的音素持续时间,采用“所提泰语G2P模型+联合训练+迁移学习”方法的系统可以获得最好的语音合成质量,合成语音的MCD和MOS评分分别为7.43±0.82分和4.53分,明显优于基线系统的9.47±0.54分和1.14分。

摘要：为解决传统基于SV2TTS架构的语音克隆系统合成语音缺乏丰富表达能力的问题,提出一种基于迁移学习双阶段训练说话人编码器的情感语音克隆方法。在说话人识别技术基础上,利用迁移学习,对说话人编码器进行音色克隆训练;在情感克隆训练阶段,采用情感语音数据集对其参数进行微调,提取具有情感信息的说话人特征。将此特征作为合成器的输入对梅尔谱的生成过程进行调节,通过声码器将此梅尔谱转换为具有目标说话人信息的情感语音。主客观分析结果表明,该方法所生成的克隆语音的情感相似度更高,音色相似度也有一定改善。