关键词： 滚动轴承   深度学习   迁移学习   故障诊断   未知类识别  

摘要： 党的二十大报告中提出了建设现代化产业体系,推动新型工业化,实现制造强国、质量强国、数字中国等战略目标。机械设备成为了重点关注对象,对旋转机械关键零部件之一的滚动轴承的故障状态的信号进行深度挖掘,有助于实现制造装备的故障诊断和后续的维修管理。基于深度学习的故障诊断方案是目前的研究热点,但由于工业生产的随机性和复杂工作环境,相关研究存在以下局限性:(1)出现新的未知故障数据且模型无法准确识别,表现出数据识别的局限性;(2)变工况和未知故障同时出现的域外分布问题,导致识别困难;(3)多个未知故障出现且模型无法准确识别并学习未知故障的特征,增加诊断难度。因此,本文以深度学习和迁移学习为基础,开展对滚动轴承运行中因环境变化等原因出现未知故障从而引起诊断性能下降问题的研究,主要研究内容如下: (1)针对新的未知故障数据出现导致识别难度增加的问题,提出了一种迁移聚类计算中心点的方法(Transfer Clustering Calculation Center Points,TCCP)。该方法通过计算待测样本与已知样本之间的特征空间分布,完成未知类故障诊断任务,并通过匹配目标分布进一步提高精度。验证实验在两个振动和一个声发射数据集以及五个最新的故障诊断模型下进行,证明了TCCP的可行性和优越性,并通过可视化输出结果证明了匹配目标分布模块的重要性和必要性。 (2)针对实际工业生产工况和故障的随机性,提出了一种具有领域自适应能力的未知类故障诊断模型(Transfer Clustering with Wasserstein loss calculation of sample points distribution and Convolutional Neural Networks with Transformer,TCWPCT)。该模型采用Transformer层作为故障分类器,提高模型的特征提取和学习能力。未知类诊断模块通过计算样本点和样本中心的概率,更新特征分布并用Wasserstein损失对齐,从而更新故障诊断结果,提高了整体诊断性能。结果表明TCWPCT不仅可以解决域外分布下的数据外分布和标签外的分布的问题,在不同的噪声强度下也具有良好的诊断精度。 (3)针对工业生产中多个未知类的出现导致诊断精度下降的问题,设计了多输出故障诊断模型(Transfer clustering multi-output is based on sample point center probability,TCPC)。该模型评估已知类特征向量的相似度,并设置阈值区间确认未知类别的存在和数量。利用聚类方法对未知类别进行初始分类,生成伪标签,建立特征分布。利用样本点和中心的概率值进行迭代优化,不断更新诊断结果。这种方法可以在识别和学习未知类别的特征的同时更新并保存权重。在三个振动数据集下验证了TCPC的有效性和可行性,促进模型的自学习和实时数据库构建。

摘要： 数学是高中学习阶段公认的繁难学科，而高中立体几何更是重要知识点。立体几何则因其抽象性特征，有较高的学习难度。为了帮助大家更好地掌握立体几何，本文将介绍一些有效的学习方法和解题策略，期望能够让大家以更顺畅的方式学会、学好高中立体几何。一、以学启智：高中数学立体几何学习方法（一）依托空间几何，精准分析与确定内在关系我们在学习立体几何的过程中不难发现，无论是教师日常布置的练习题还是历年的高考真题中，有相当一部分的题目都需要借助空间几何思维进行分析与求解。

关键词： 深度学习   医学图像处理   肝脏结节   肝细胞癌   语义分割  

摘要： 肝脏是人体最大的实体器官,在新陈代谢和消化过程中起着至关重要的作用。近年以来,随着各类成像方式的飞速发展,医学图像处理在医学领域的应用和成就都备受关注,能够为疾病的诊断、治疗和预后提供重要的理论支持。深度学习是一种具有更加强大表达和学习能力的机器学习算法,在医学图像处理领域展现了重要价值。本文针对肝脏医学图像处理关心的病灶分割和疾病分类两个问题,结合先验知识提出了两个人工智能算法,具体工作如下: (1)肝脏占位性病变的分割在肝癌或转移肝癌的诊断和治疗中起到至关重要的作用,本文第一部分针对原发性肝癌小微型肿瘤辨认困难的问题提出了基于CT数据小微肿瘤增强的肝脏肿瘤分割算法。将肿瘤自动分割任务分解为区域定位粗分割和小微型肿瘤增强分割两个串行任务。搭建的MDD-UNet通过学习切片间关联性实现肿瘤区域定位分割,MBA-UNet通过增强肿瘤边缘、修复不确定区域实现小微肿瘤区域增强分割。设计实现相邻肿瘤搜索模块将2D小肿瘤增强拓展到3D数据。在湘雅二医院提供的内部CT数据集上进行了训练和测试,并在Li Ts公开数据集上进行了外部验证,验证了提出的自动分割流程框架的有效性,其分割精度超过了许多现有方法,取得了具有竞争力的结果。 (2)为了实际应用于复杂多变的临床场景,在对特定结节类别病灶区域进行分割之前,通常还需要实现对不同类型结节的精确诊断作为指导。本文第二部分针对不同肝脏结节类型的分类问题,提出了基于多相位MRI数据的肝脏结节分类算法。本文中提出的方法结合不同肝脏结节类型在多相位MRI成像上的不同表征,设计了两步分类网络。通过Vision Transformer统合8相图像的全局信息进行肝血管瘤、肝脓肿、肝囊肿和其他混合类别的初步分类;之后通过设计实现的PIRes Net实现混合类别中肝细胞癌、肝内胆管癌、肝转移癌和局灶性结节增生的二次分类。相比于现有模型,该模型在肝脏结节分类任务中取得了最先进的性能。此外,本研究还探索了通过多模型集成提高分类准确率的方法,有效的提高了肝脏结节分类的准确率,在实际的临床应用中展现了十足的潜力。 综上所述,本文以肝脏为主要研究对象,通过深度学习的相关方法,对于肿瘤分割基于CT数据、对于肝脏结节分类基于MRI数据进行了研究,提出的解决方案在对应的任务中都取得了良好的性能,展示了其潜在的临床应用价值。

关键词： 高光谱图像分类   自监督   对比学习   变分生成式   表征学习   3D随机掩码  

摘要： 高光谱成像结合了光谱探测与成像技术,为精细目标识别提供了丰富依据,得到精准农业、军事情报、环境监测、智慧矿山等领域广泛重视。然而,高光谱数据的非线性特性极大制约了其在现实场景中的应用与推广。深度网络模型在高维非线性拟合方便表现突出,但其模型优化极大依赖海量标签数据,这在高光谱遥感图像目标识别任务中极度欠缺。因此,自监督学习成为了具有潜力的数据表征方法,其总体被分为生成式与判别式两类。本文围绕高光谱图像特性与挑战,针对自监督学习方法的优势与不足,提出两种高光谱图像自监督表征学习方法,学习具有类内多样性与类间可分性数据表征,提升模型的感知泛化性与分类精度,主要研究内容概括如下: 1)高分辨光谱包含大量潜在信息难以挖掘利用,同时类间可分性极差,这为判别性且泛化性数据表征提出极大挑战。掩码自编码(MAE)通过像素级解码自监督,可有效捕捉数据潜在分布,但基于单个实例的MAE使得编码器缺乏判别性数据表征能力。对比学习通过在实例间对齐正样本、推开负样本,学习判别性数据表征,但容易忽略数据的潜在流形。因此,本文提出了一种结合对比学习的变分生成式Transformer(Con Va T)框架,高效结合生成式与对比式自监督模型优势,使编码器同时兼顾语义表征泛化性和判别性。Con Va T由变分生成式分支(VGT)和对比学习分支(MCL)组成,VGT在编-解码Transformer之间引入变分推理,引导在线锚点尽可能覆盖数据潜在信息;MCL从在线编码器动量更新目标编码器,通过区分正负样例引导锚点具有可判别性。值得注意的是,为了促进潜在表征信息全覆盖,本文利用重参数化技巧从全局锚点进行词元采样,而非直接使用编码词元重建输入样本。大量实验表明,Con Va T在类内聚集和类间可分性数据表征方面更具优越性,并且相比现有方法取得更高的线性分类精度,特别是对于具有严重光谱不确定性的Indian pines数据集。 2)对比学习方法通常由双分支编码器构建代理任务进行自监督学习,在线编码器负责获取数据表征,目标编码器通过动量更新迁移在线分支参数,并以此产生潜在表征作为在线分支的预测目标。为了提升编码器的感知能力,通常利用数据增强增加任务难度。高光谱数据空谱信息冗余度高,通用的数据增强方法很难避免双分支之间的数据泄露,降低代理任务难度。因此,本文提出了一种简单高效的3D掩码数据增强方法用于高光谱图像对比自监督学习(M-BYOL)。该方法通过空谱域同步三维随机掩码,增加双分支输入样本之间的差异性,再通过编码器提取样本高阶语义信息,并在在线分支增加预测层。最后,自监督目标期望对齐预测结果与下分支编码结果,同时最大化其与批次内其他样本编码负例距离,避免模型坍塌。本文利用SVM分类器测试利用M-BYOL预训练在线编码器获取的数据表征。实验表明,在公开的三个数据集上,M-BYOL能够有效地提取高光谱图像的判别性表征,并在分类精度上取得一定优势。 综上所述,面对高光谱遥感图像的高维非线性、高度信息冗余等特性,本文从生成式与对比式自监督学习方法优势互补融合,以及适用于高光谱图像的数据增强等方面展开研究,旨在提出适用于高光谱数据潜在信息感知的自监督学习方法,助力高光谱成像技术的市场应用与推广。

关键词： 大学生学习   B站   学习空间   空间理论  

摘要： “B站大学”、“B站毕业生”等词汇流行于网络,暗含着大学生群体对B站学习的青睐与认可。然而,B站固有的娱乐属性使其不得不面临大学生在B站“伪学习”的质疑。以B站学习和娱乐属性之间形成的张力为切入点,本研究选取B站和有过B站学习经历的大学生为研究对象,从学习空间的视角对发生于B站的大学生学习展开分析与意义阐释。空间社会学理论提供了一条“空间——实践”的研究逻辑,本研究采用质性研究方法,基于对26名大学生的深度访谈,325条弹幕、评论数据的内容分析,辅以社交媒体资料,揭示B站网络学习空间的生成过程以及大学生B站学习实践的内隐逻辑与意义建构。 本研究将B站视为一种社会空间,认为B站网络学习空间的生成,得益于资本与流量的联姻、Z世代大学生群体个性化学习诉求的凸显,以及互联网时代知识的视频化表达浪潮。三重合力之下,B站实现空间意义上的更新。B站学习空间的出现为大学生学习提供了选项。大学生群体进入B站,其学习需求可以整合为“为学校课程而学”、“为升学就业而学”、“为兴趣满足而学”三类,并强调大学生群体兼有多种类型的学习需求。学习需求的视角仅解释了个体为何进入B站学习,未能完全阐释B站学习空间之于大学生学习的深刻意义。因此,本研究认为有必要将大学生B站学习理解为特定学习空间中的一种实践。 聚焦空间中的大学生B站学习实践,本研究考察个体自主学习和群体互动交往。就个体自主学习实践而言,对比传统学习空间,大学生群体在知识权威、学科边界、学习时间维度逃离规训,实现自主学习重构。然而,规训逃离伴随着困境遭遇,大学生群体面临注意力漂移、学习资源迷航、学习拖延的自主困境。就群体互动交往实践而言,脱域关系为大学生群体带来双重体验。一方面,经由学习者的自由表达,个体与他者建立联系,构建出缺场学习共同体,大学生群体从中实现知识共享与情感共振。另一方面,互动规则未被共享滋生互动摩擦,流动的弱关系导致交往有限,大学生群体因此产生消极体验。无论是个体自主学习抑或是群体互动交往,B站学习空间对大学生学习实践的影响均有其积极与消极的一面。作为具有主体性和能动性的个体,本研究中的大学生能够察觉自主困境、感知互动交往消极体验,并在自我调节中形成相应的应对策略。 B站作为理解大学生学习与发展的空间、观察大学生群体的窗口,从中可以看见隐含着“个体化”特征的自由选择和自我负责。对此,高等教育工作者应重新审视大学生的学习与发展,重视并关照“个体化”时代大学生学习场域、学习需求、学习实践、学习责任的变化及其对高等教育发展的深层次影响。