摘要：针对一类具有多重扰动、不可测速度信息和执行器故障的无人艇系统,提出一种重复学习复合抗扰容错控制策略.首先,为了克服速度信息不可用的不足,提出一种新的集成故障-扰动估计器,实现故障与干扰之和的准确估计;然后,基于观测信息,通过设计一类比例微分型重复学习复合抗扰容错控制器来实现周期性轨迹跟踪,相比于传统比例微分型重复学习控制器,所提出基于观测器的重复学习控制器不需要利用测量输出的导数且具有更大的控制自由度;最后,通过对一类无人艇动力定位系统的仿真,验证所提出重复学习复合抗扰容错控制策略的有效性和优势.

摘要：网络在线招聘逐渐取代了传统线下招聘,成为求职者首选的求职方式,但虚假招聘广告的出现给企业与求职者带来极大困扰,严重妨碍了网络招聘健康发展。针对现有基于单一机器学习模型的检测准确性较低,基于深度学习模型的时间效率较差的问题,提出一种基于特征融合的虚假招聘广告检测模型。首先,引入注意力机制为每个基分类器分配权重;其次,横向融合多个基分类器特征以显著提升虚假招聘广告检测效果。实验表明,特征融合模型准确率相较于性能最好的机器学习模型、BERT深度学习模型、TextCNN深度学习模型分别提升1.78%、1.67%、1.16%,模型运行时间略高于各机器学习模型但远低于深度学习模型,在EMSCAD数据集上的实验表明特征融合模型具有较好的虚假招聘广告检测性能。

摘要：微表情识别旨在揭示目标对象隐藏的真实情感,其在人机交互、心理诊断以及意图预测等领域具有重要应用价值。然而,微表情表达强度微弱、时间短暂且面部运动单元间存在长距离依赖,使得传统卷积神经网络难以有效表征微表情动态特征。此外,微表情特征与受试者身份以及面部外观信息存在强耦合性,不利于分离和提取微表情语义信息。为了解决上述问题,本文提出了一种基于视觉Transformer和运动特征选择的微表情识别算法。首先,利用TVL1光流算法计算水平和垂直光流运动图,用以表征面部运动。随后,利用视觉Transformer网络编码微表情发生时面部运动单元间的运动依赖关系,为了进一步提升特征表达能力,本文设计了特征选择融合模块(Feature Selection Fusion Module,FSFM)以实现微表情关键的局部信息的有效获取,并引入空间一致性注意力模块(Spatial Consistency Attention Module,SCAM)以确保不同运动特征在空间分布上的一致性。此外,本文提出的交叉注意力融合模块(Cross Attention Fusion Module,CAFM)能够增强微表情语义信息的表征能力。与现有方法相比,本文所提出的算法在三个权威的微表情数据库上微表情识别任务中表现出显著的准确率提升,进一步验证了该方法的有效性与优越性。

摘要：移动数据每天都在不断增长,如何精准预测无线流量对高效、合理的配置通信和网络资源至关重要.现有的流量预测方法多采用集中式训练架构,涉及大规模的流量数据传输,会导致用户隐私泄露等安全问题.联邦学习可以在数据本地存储的前提下训练一个全局模型,保护用户隐私,有效减轻数据频繁传输负担.但是在无线流量预测中,单个基站数据量有限,且不同基站流量数据模式异构,流量模式难以捕捉,导致训练得到的全局模型泛化能力较差.此外,传统联邦学习方法在进行模型聚合时采用简单平均,忽略了客体贡献差异,进一步导致全局模型性能下降.针对上述问题,提出一种基于注意力的“类内平均,类间注意力”联邦无线流量预测模型,该模型根据基站的流量数据进行聚类,更好地捕捉具有相似流量模式基站的流量变化特性;同时,设计一个预热模型,利用少量基站数据缓解数据异构,提高全局模型的泛化能力;在模型聚合阶段引入注意力机制,量化不同客体对全局模型的贡献,并在模型迭代过程中融入预热模型,大幅提升模型的预测精度.在两个真实数据集(Milano和Trento)上进行大量实验,结果表明该方法优于所有基线方法.并且与目前最先进的方法相比,在两个数据集上的平均绝对误差性能增益最高分别达到10.1%和9.6%.

摘要：提出一种多源遥感监测方法,用于南四湖流域常规水污染物监测系统设计。超分辨率处理后的Sentinel-2 L2A卫星多光谱数据可实现流域水质的大范围监测,利用无人机多光谱/高光谱数据可实现入湖河流水质的精细化监测,地物光谱仪高光谱数据能够实现湖、河岸边带水体的水质反演精度修正,基于多源遥感影像光谱特征与非光敏水质参数的相关性分析,建立光谱特征数据库。相比半经验法,结合机器学习法后,总氮、总磷反演的平均误差分别下降22.84%、39.19%。通过增强数据集、添加正则化项、集成学习、泛函分析等正则化技术,能够进一步提高反演模型对不同区域、不同季节、不同水质类别水体的自适应能力。

摘要：【目的】针对影响力最大化问题中贪心算法时间效率低的局限,提出基于重叠社区的影响力最大化算法。【方法】基于重叠社区,综合传播度最大的节点和重叠节点选出候选种子集,并采用CELF算法确定最优种子集,从而提高影响范围。【结果】实验数据表明,在亚马逊数据集上IM-BOC算法运行时间最大幅度能够提高约89%。【局限】仅凭社区节点的数量分配候选种子节点的数量,可能存在一定误差。【结论】基于重叠社区的IM-BOC算法在保证影响范围的前提下,适用于大型社交网络。

摘要：针对模糊C均值聚类算法(FCM)分割图像时对噪声敏感和分割边界不封闭问题,该文基于FCM的隶属度矩阵定义伪水平集及演化曲线,提出一个融合曲线演化和FCM的快速图像分割模型。在伪水平集上,通过采用高斯滤波近似曲线演化过程中的弧长正则项,得到封闭光滑的分割边界;通过设计新的边缘停止函数,依据灰度值与隶属度映射关系对噪声点灰度值进行修正,降低了滤波对聚类的影响。聚类和曲线平滑交替进行,提高了模型对图像噪声的鲁棒性。实验结果表明该模型能够较好地克服图像噪声对分割的影响,得到较为理想的分割结果。

摘要：在使用深度学习模型自动生成放射学报告时,由于数据的极度不平衡,当前的模型难以识别异常区域特征,从而导致对疾病的错判与漏判。为了提升模型对疾病的识别能力,提高放射学报告的质量,提出使用多尺度特征解析Transformer(MFPT)模型来生成放射学报告。构建一个关键特征强化注意力(KFEA)模块,以便加强对关键特征的利用;设计一个多模态特征融合(MFF)模块,以便促进语义特征与视觉特征的特征融合,缓解特征差异造成的影响;探索阶段感知(SA)模块在放射学报告任务中对初级特征的优化作用。最后,在流行的放射学报告数据集IU X-Ray上,与当前的主流模型进行对比实验,结果表明,所提模型取得当前最佳效果。

摘要：针对描述具体流程案例信息的自然文本,提出一种案例自动抽取方法,实现了无结构过程文本向结构化事件日志转换,从而为后续的过程挖掘研究提供数据支持。首先对过程文本案例抽取任务进行了形式化描述,抽象出活动/属性实体识别、活动/属性关系识别、活动顺序关系识别3个核心任务,然后应用半监督统计学习技术分别设计了解决方法。选取中文菜谱文档为实例开展了大规模实验研究,对所提出的案例信息抽取方法的有效性进行了全面评估。实验结果表明,所提方法能够在少量人工标注数据的基础上有效利用同领域内大量未标注过程文本提升案例抽取效果,且无需人工设计复杂的规则,具有良好的领域适用性。

摘要：现有的基于深度学习的业务流程剩余时间预测方法大多采用传统的长短期记忆循环神经网络构建预测模型,由于传统长短期记忆循环神经网络对序列数据的建模能力有限,导致现有方法的预测效果还有较大提升空间。针对现有方法的不足,提出一个基于注意力双向循环神经网络的业务流程剩余时间预测方法。该方法使用双向循环神经网络对流程实例数据进行建模,同时引入注意力机制自动学习流程实例中不同事件的权重。此外,为了进一步提升学习效果,基于迁移学习的思想设计了一种迭代学习策略,为不同长度的流程实例分别构建剩余时间预测模型,提高了模型的针对性。实验结果表明,所提方法与传统的方法相比具有明显的优势。