摘要：城市污水处理运行过程的优化控制方法是提高其运行效率和改善其运行效果的关键.然而,由于城市污水处理过程进水负荷多变,运行过程存在多种工况且变化频繁,导致城市污水处理过程难以实现优化运行.因此,如何设计优化控制策略应对多种工况变化,保证出水总氮和出水总磷等水质指标达标,是城市污水处理过程亟需解决的挑战性问题.本文设计了基于领域自适应的城市污水处理运行过程多工况优化控制方法(multi-operating optimization control with domain adaptive,MOOC-DA).首先,建立城市污水处理运行过程多工况优化目标模型,捕获运行能耗以及出水水质的时间序列特性,实现运行指标的精确预测.其次,设计基于多任务领域自适应粒子群的多工况优化设定方法,保证多工况运行出水水质达标.最后,设计基于多任务模糊神经网络的优化设定跟踪控制方法,实现城市污水处理过程多工况优化运行.为了验证所提出方法的有效性,基于活性污泥模型仿真平台将提出的MOOC-DA与其他优化控制方法进行对比实验.结果表明,该方法能够实现污水处理过程多工况的优化运行,保证出水总氮和出水总磷等水质指标达标.

摘要：小样本图像识别是计算机视觉中的关键问题。针对小样本情况下度量学习方法的类别原型不准确、泛化能力差问题,本文采用以下措施来提高小样本图像识别准确率:第一、为减缓样本稀缺问题,利用掩膜自编码器进行图像扩充,提高样本复杂度。第二、设计多尺度注意力模块,突出类别相关特征,解决类别原型偏差大的问题。第三、提出领域自适应模块,引入间隔损失函数,优化嵌入函数的表征能力,实现新类样本的精确表征,增强模型的泛化能力。通过在多个公开数据集上进行实验表明,本文方法可以有效提升小样本图像识别准确率。

摘要：基于支持向量机的结构损伤识别方法建立在训练和测试数据同概率分布的假设上,必须对每个结构分别收集训练数据和标签并训练模型以识别损伤。损伤结构的训练数据和标签难以收集,导致支持向量机方法在结构损伤识别中难以实施。提出一种基于领域自适应支持向量机的跨域损伤识别方法,将在有损伤标签结构(源结构)上训练的支持向量机推广到无损伤标签结构(目标结构)的损伤识别中。该方法首先提取结构的多阶固有频率变化率作为损伤特征构建训练数据;然后,推导最小化边缘分布差异与最小化联合分布差异的迁移学习方法,将源结构和目标结构数据映射到高维特征空间,减小域之间的数据分布差异;最后,使用映射后的源结构数据训练支持向量机,使用该支持向量机对目标结构进行损伤识别。应用于钢框架与混凝土框架,以及不同结构形式钢框架中的跨域损伤识别,显著提高了支持向量机对目标结构的损伤识别准确率。该方法充分利用了不同结构的损伤标签和支持向量机模型,解决了机器学习中训练数据和损伤标签缺乏的难题,并能极大地提高学习效率、降低学习成本,为基于支持向量机的结构损伤识别提供了新的解决思路。

摘要：卫星工程参数异常检测是判断卫星与载荷健康状态的重要手段。传统异常检测方法通常针对具体的卫星或载荷设计,在处理新卫星和新载荷时需要重新建模和训练,然而新运行的卫星设备尚未产生足够的历史数据来支撑建模任务。融合深度学习和迁移学习思想,提出一种基于领域自适应的卫星工程参数异常检测方法。利用深度残差收缩网络(DRSN)结构框架,在训练过程中将无标签的目标域卫星工程参数数据加入网络训练过程,有效获取数据的特征表示。对提取到的数据特征使用距离度量,衡量所提取的源域特征与目标域特征之间的差异性,使得两者在特定特征空间上的分布相似,从而增强了DRSN利用已有标签数据对无标签数据的分类能力。在基于空间科学先导专项系列卫星工程参数构建的数据集上的实验结果表明,该方法的准确率达到98.03%,与梯度提升决策树、支持向量机、DRSN方法相比,迁移检测平均准确率分别高出20.95、22.51、15.02个百分点,能够有效对新卫星和新载荷开展快速准确的异常检测。

摘要：传统子空间学习方法在对齐领域总体分布时往往忽略样本类别信息,若原始样本判别力不足,将难以保证投影后子空间中样本的判别性。针对该问题,提出迁移子空间的半监督领域自适应方法。通过充分利用样本类别标签先验信息,在得到具有判别性子空间的同时充分挖掘重构矩阵中蕴含的鉴别信息,增强子空间跨领域特征表达的鉴别力和鲁棒性,提高模型的分类性能。在领域自适应问题常用的基准图像数据集上进行实验,其结果表明,该算法有较好的分类效果。

摘要：领域自适应将源域上学习到的知识迁移到目标域上,使得在带标签数据少的情况下也可以有效地训练模型。采用伪标签的领域自适应模型未考虑错误伪标签的影响,并且在决策边界处样本的分类准确率较低,针对上述问题提出了基于加权分类损失和核范数的领域自适应模型。该模型使用带有伪标签的可信样本特征与带有真实标签的源域样本特征构建辅助域,在辅助域上设计加权分类损失函数,降低错误伪标签在训练过程中产生的影响;加入批量核范数最大化损失,提高决策边界处样本的分类准确率。在Office31、Office-Home、Image-CLEFDA基准数据集上与之前模型的对比实验表明,该模型有更高的精确度。

摘要：针对生成式对抗网络在半监督问答系统领域的局限性:1.生成式对抗网络中的判别器与生成器存在结构对偶属性,在现有研究中被忽略。2.直接使用生成器生成的问答句对与人工标注的问答句对训练判别器易产生过拟合与偏差判别器。为了解决以上局限性,提出一种新型的对偶生成式域自适应网络。首先,设计判别器与生成器作为对偶闭环,提出概率对偶正则化项监督生成器与判别器训练过程,同时训练判别器与生成器,使得反馈信号在两者之间共享。然后,提出领域标签作为判别器的额外输入,区分生成器生成的问答句对与人工标注的问答句对,防止判别器过拟合与生存偏差判别器。基于问答数据集SQUAD数据集进行实验,实验结果表明,提出的对偶生成式域自适应网络相对于全监督问答模型具有好的性能,节省超过一半的标签成本;相对于传统生成式对抗网络具有更优的F1值与EM值。

摘要：关键词抽取是指能自动抽取反映文本主题的词或者短语,被广泛应用于文本检索、文本摘要等领域中。目前关键词抽取任务主要依赖于预训练语言模型来获取文本表示,这类语言模型主要基于单一模态的通用文本语料进行训练,存在无法根据下游任务特性进行领域适配和语义表征能力有限的问题。该文提出一种多模态信息增强表示的中文关键词抽取方法MIEnhance-KPE,首先引入Adapter层将偏旁和部首信息集成到预训练语言模型层中,得到领域自适应的文本表示;其次利用卷积神经网络提取汉字的图像特征,同时使用交叉注意力机制融合汉字图像特征和文本特征,实现文本语义表示增强;最后利用条件随机场(conditional random field,CRF)模型进行序列标注任务,并计算词语的位置-词频权重对其进行排序获得关键词。与目前十分先进的关键词抽取方法KIEMP相比,MIEnhance-KPE在公开的中文科学文献数据集和自构建的中文教育关键词抽取数据集上的F值分别提升了15.71%和3.40%;消融实验结果表明,所提出的领域自适应模块和视觉语义增强表示模块均能有效提高关键词抽取的准确性。MIEnhance-KPE的提出有助于教育研究者精准了解教育发展趋势,促进教育理论和实践的创新。

摘要：现有的基于深度学习的目标检测模型中,由于复杂天气使得现有方法的精度大幅降低.因此为了有效地消除不同天气场景带来的域差异问题,提出一种多域动态平均教师模型.首先引入多域平均教师模块,为多个不同天气场景下目标域数据生成伪标签;然后引入基于学生网络的风格迁移模块,解决多域任务中学生网络对不同目标域泛化能力差的问题,可有效地减小源域与不同目标域之间的差异,提升学生网络对不同目标域的泛化能力;最后提出基于教师网络的动态过滤伪标签模块,根据教师网络对不同目标域的学习效果动态地调整过滤伪标签的阈值,提升每个目标域伪标签质量.在FoggyCityscapes&RainCityscapes和Dusk-rain&Night-rain数据集上的实验结果表明,所提模型分别获得了40.3%和31.4%的精度,在雨天、雾天和夜晚等多种复杂天气场景下都优于对比方法.

摘要：针对情感分类这一项从文章或句子中得到观点态度的任务,常规情感分类模型大多需要耗费大量人力获取标注数据.为解决某些领域缺乏标注数据,且其他领域分类器无法在目标领域直接使用的现状,设计了一种新颖的基于构建公共特征空间方法,使分类模型可从有标注领域向无标注领域进行迁移适应,减少人工标注的成本开销,实现情感分类的领域自适应.该方法以大规模语料下预训练的词向量信息作为以词为元素的特征,在同种语言中表达情感所采用的句法结构相似这一假设前提下,通过对领域内特有的领域特征词进行替换的方式构建有标注数据集与无标注数据集基本共有的公共特征空间,使有标注数据集与无标注数据集实现信息共享.以此为基础借助深度学习中卷积神经网络采用不同尺寸卷积核对词语不同范围的上下文特征进行抽取学习,进而采用半监督学习与微调学习相结合的方式从有标注数据集向未标注数据集开展领域自适应.在来自京东与携程共5个领域的真实电商数据集上进行实验,分别研究了领域特征词选择方法及其词性约束对领域间适应能力的影响,结果表明:相较于不采用领域适应的模型,可提升平均2.7%的准确率;且在来自亚马逊电商的公开数据集实验中,通过与现有方法进行对比,验证了该方法的有效性.