关键词： 低照度图像增强   自调整学习   Retinex理论   HSV色彩空间   深度学习  

摘要： 低照度图像的特点是亮度低、对比度低、细节不清晰。囿于拍摄条件,日常生产生活中存在大量低照度图像。对低照度图像进行增强处理具有重要意义:一方面可提高低照度图像主观感受,另一方面可作为预处理步骤服务于人脸识别、目标检测等下游计算机视觉任务。近年来,基于深度学习的低照度图像增强有长足发展,特别是自调整学习方法由于在训练过程中只需要低照度图像,降低了获取训练集的成本,成为了近期研究热点。然而,现有基于自调整学习的低照度图像增强算法仍存在颜色偏差和亮度泛化性能差的问题。针对上述问题,本文提出基于Retinex理论的自调整低照度图像增强算法。本文工作包括以下三点:(1)针对颜色偏差问题,本文基于HSV色彩空间设计了全新的低照度图像增强网络,在保留全部色度信息(色调、饱和度)的同时单独增强亮度信息(明度),通过完全保留色度信息减少了增强图像的颜色偏差;(2)针对亮度泛化性能差的问题,本文基于Retinex理论,将与光照强度无关的反射分量作为增强的明度,利用反射分量对外界光照不敏感特性,提高算法对亮度的泛化性能,因此亮度泛化问题被转化为反射分量估计问题;(3)上述工作衍生出一个新问题:无法分辨单一明度的估计结果和反射分量的对应关系,本文设计了全新的自调整反射分量估计模型,该模型首先利用随机扰动算法生成同一场景的另一明度,然后通过反射估计网络估计在原始明度和受扰动明度中共享的反射分量。实验证明,本文所提算法在客观评价和主观评价两方面均取得了良好的效果,在PSNR指标上超越前沿自调整低照度图像增强算法0.72dB。

关键词： 滚动轴承   故障检测   多工况   数据增强   无监督学习  

摘要： 滚动轴承是旋转机械的关键组成部位之一,其状态在很大程度上影响着旋转机械整体的工作状态。滚动轴承的故障往往伴随着旋转机械整体的停机,造成很大的经济损失。针对滚动轴承故障检测时容易出现的样本数量少、样本难以标注的问题,本文展开了基于无监督学习的故障检测方法研究。以振动信号为切入点,通过神经网络模型进行嵌入特征提取和距离度量,对滚动轴承进行了快速准确的故障检测。本文首先分析了滚动轴承的机械结构,总结了滚动轴承的振动机理以及其常见的故障形式以及故障成因,分析了滚动轴承的故障特征频率以及轴承振动形式,总结了当今轴承故障诊断领域常用的监督学习以及无监督学习方法。针对上述监督学习以及无监督学习方法的不足,提出了基于特征嵌入和距离度量的滚动轴承无监督故障检测方法。使用基于卷积神经网络基础结构的模型进行输入数据的嵌入式特征提取,再通过度量调整余弦相似度等手段分析故障数据与正常数据之间的差距,进行故障检测。在模型结构设计中,使用了深度可分离卷积、倒残差结构以及全局平均池化等方法,在不损失精度的情况下大大降低模型参数量,降低了计算成本,增加了模型移植到嵌入式设备上的可能性。针对小样本故障诊断的问题,提出了基于DCGAN的数据增强方法,解决了故障诊断过程中可能因样本不足造成的数据不均衡进而降低诊断精度的问题。结合前文中基于CNN结构的特征嵌入以及改进余弦相似度距离度量的方法,形成了完整的滚动轴承故障检测流程。最后,利用上述故障诊断模型对轴承故障模拟实验台采集的数据进行分析处理,发现提出的数据增强、特征嵌入和距离度量的无监督故障检测方法在面对数据不足、变工况等问题时,可以实现精准有效的故障诊断。本文提出的无监督学习方法对滚动轴承故障诊断提供了可行思路,具有一定的实践意义。

关键词： 双模控制   相位自学习   反电动势法   自适应控制  

摘要： 随着社会的发展,交通拥堵问题越来越严重。电动自行车作为一种广泛使用的代步工具,凭借其便捷灵活、价格低廉等优点,成为人们短距离外出的最佳选择。传统电动自行车通常使用无刷直流电机作为动力源,采用霍尔传感器为电机驱动控制提供转子位置信息,但霍尔传感器在使用中容易出现故障。无位置传感器控制通过采样电机本体信号确定换相点,省略了霍尔传感器,提高了系统稳定性,然而在重载状态下,电机启动成功率低,启动力度小,转动过程中换相噪声大。本文将两种策略相结合,在霍尔正常时使用位置传感器信号换相,霍尔故障时使用无位置传感器控制策略换相,设计出一种双模控制策略,并在此基础上提出一种相位自学习方法。结果表明双模控制策略能够自适应电机工作状态,拓宽控制器使用范围,增强电动自行车运行可靠性,减少维修成本。论文首先介绍了无刷直流电机和“反电动势法”的运行原理,重点研究了反电动势提取过程中滤波电路导致的端电压相移问题,并分析在反电动势过零点信号采集过程中,硬件滤波器移相和系统运行时间消耗等误差因素,设计软件延时补偿策略;同时针对无位置传感器控制状态下,电机启动或低速旋转过程中,反电动势信号不明显等问题,采用成熟的三段式启动法控制策略;此外对于绕组电感特性导致的换相过程中母线电流脉动,结合重叠换相法,以前一相位瞬时电流为标准,全开上管进行抑制。最后,本文根据反电动势相位与霍尔值之间对应关系,提出相位自学习控制方法,并对其中霍尔传感器60°排列和单霍尔故障状态下的学习过程进行了详细阐述。采用LKS32MC081C8T8为系统核心,设计了无刷直流电机双模控制系统的硬件电路,并采用自举升压电路解决控制芯片驱动能力不足等问题;在Keil平台上完成了整套系统控制逻辑的编写,实现了无刷直流电机的软件设计;通过试验台测试、上车测试和测功机测试等检验流程,验证了本套控制系统的可行性。

关键词： 差分隐私   联邦学习   随机森林   元学习  

摘要： 机器学习在信息时代发挥着重要的作用,利用大量数据进行机器学习模型训练,生成的模型可以服务于各行各业。传统的机器学习模型训练需要将各机构或者广大用户产生的数据收集在一起,集中式地进行模型训练。这种模式在训练过程中就会暴露用户的数据给其他方,造成了用户隐私信息泄露。因此按照数据的隐私保护规定,很多情况下不能进行集中式的机器学习模型训练,多个数据拥有者就如同数据孤岛一样存在。如何在保护用户隐私的情况下,利用更多的数据训练出更强大的机器学习模型是当前需要解决的问题。联邦学习(Federated Learning)的出现有效地缓解了数据孤岛问题。联邦学习是一种分布式机器学习方法,由中央服务器协同多个拥有数据的客户端训练机器学习模型。在训练过程中,每个客户端不用共享自己的原始数据,而是通过交流模型参数或者中间信息来完成模型的训练。将客户端原始数据保持在本地,从而保证了数据的隐私安全。联邦学习中的个性化问题和隐私保护问题已经成为目前的研究热点。传统的联邦学习训练出一个全局模型,供每个参与者使用。但是由于数据的异质性问题,全局模型在一些用户上表现甚至不如其局部模型。如何为用户训练个性化模型而不是统一的联邦学习模型值得研究。最近的研究发现联邦学习中虽然没有暴露原始数据,但是交流的模型参数也会造成用户部分数据隐私的泄露。为了保证用户数据隐私,通常也在联邦学习中引入差分隐私保护机制。从个性化和隐私保护这两个方面出发,本文分析已有的联邦随机森林中的个性化问题和联邦元学习中存在的隐私保护问题,提出差分隐私保护的个性化联邦随机森林(PP-FPRF)方法和差分隐私保护的联邦元学习(DP-Fed Meta)方法,本文的主要内容概括如下:(1)传统的联邦随机森林适合几个数据机构之间的合作训练,但是没有考虑模型的个性化问题。对于用户量多且模型需要个性化的场景下,统一的联邦随机森林模型并不能得到理想的结果。研究从数据和模型两个层面出发,为用户训练个性化的联邦随机森林模型。具体来说,利用局部敏感哈希函数,为用户计算出拥有相似数据的其他用户。用户只与相似用户一起训练而不是所有用户,实现数据层面的个性化。用户在自己本地根据集成学习中增量选择的特点,对生成的决策树进行模型层面的个性化选择。同时,利用差分隐私对模型训练过程中非叶节点和叶节点进行保护,保证参与联邦学习的用户隐私信息不被泄露。并在人类活动识别数据集上进行实验,测试提出的个性化方法的有效性。(2)已有的联邦元学习方法,可以通过元模型在用户本地的局部适应,为用户生成适合自己任务的个性化模型,该模型在图像分类任务上取得了不错的效果。但是针对联邦元学习中的隐私保护问题,目前研究不够充分。通过利用差分隐私机制,保证用户在联邦元训练过程中的隐私安全。在元模型训练过程中,每轮上传局部梯度之前,首先对梯度进行切割,确定梯度的隐私敏感度。然后,对梯度进行差分隐私噪声保护,将扰动后的梯度信息上传到服务器端,避免了原始梯度泄露用户的隐私信息。本文在几个经典的图像分类任务上进行了实验,验证了在保护隐私的同时保证了模型个性化的有效性。

关键词： 情景化识字教学   学习方法  

摘要： 情景化识字教学模式为学生创造了一个良好的学习方法，使学生成为学习的主体，并能提高他们的识字能力和学习的兴趣。本文根据识字教学现状给出了情景化识字的意义和方法策略，运用模拟情景、联系实际、互动化和完善评价体系等方法来解决出现的问题。

关键词： 恒星参数   恒星质量   恒星年龄   机器学习   星震学  

摘要： 宇宙的基本结构单元-星系,它的形态、结构、性质、规律性、多样性以及集成历史的相关科学问题是目前天体物理学家面临的重要挑战。为了了解银河系的结构、演化以及动力学历史,需要对分布在银河系中的大量恒星样本进行准确的质量和年龄估计。尽管目前的光谱巡天为大量恒星提供了位置、温度、化学丰度、质量与年龄等信息,但目前年龄等参数相关的精度、准度、系统误差以及不同方法的优劣势仍然缺乏系统深入的剖析,从而阻碍了我们对银河系中不同星族恒星形成历史的认识,所以我们仍然需要不同的方法去探索和测定大样本恒星的质量和年龄。为了解决上述问题,我们将LAMOST和Kepler的星震学数据进行交叉匹配,以同时获得具有恒星质量（年龄）以及恒星参数的高精度训练样本,并基于机器学习方法在这两者之间建立联系,对恒星参数已知的大样本恒星进行质量和年龄估计。通过仔细挑选,我们对948 216颗大样本恒星进行了质量预测,对163 105颗红团簇星进行了质量和年龄预测,其预测结果与前人的工作进行比较后发现具有较好的一致性,验证了我们方法的可靠性。我们的工作具体可分为两个部分:第一部分我们假设不知道哪些恒星参数与恒星年龄具有较高的相关性,因此采用了核主成分分析对所有的恒星参数进行了数据降维,并探究了核主成分分析所使用的主成分个数与模型预测性能的相关性。结果发现在当主成分个数达到4的时候模型的预测性能开始趋于稳定,测试集显示预测的弥散为0.72,绝对误差的中位值为0.25 Gyr,相对误差的中位值为8%,最后还将红团簇星年龄预测的结果与星震学可靠样本进行了对比,其精度可以达到19%。第二部分为了提高模型预测的效率,我们提取出了与恒星质量或年龄具有高度相关性的恒星参数,并只用这些高相关性的恒星参数对模型进行训练,然后对大样本恒星的质量以及红团簇星的质量和年龄进行了预测。测试集显示其预测的绝对误差中位值分别为0.05 M☉、0.05 M☉和0.21 Gyr,相对误差中位值分别为3%、4%和7%。而后我们将预测结果与高分辨率星震学的可靠样本比较,发现对于大样本,最后的质量精度可以达到13%;对于红团簇星,质量精度可以达到9%,年龄精度达到18%。最后,在本文中通过误差分析比较了多种机器学习方法如:包括多元线性回归、贝叶斯线性回归、梯度提升决策树回归、随机森林回归、多层感知器回归和支持向量回归,我们发现,非线性模型相较于线性模型更符合我们的预期,而其中以决策树作为基础的梯度提升决策树和随机森林算法的表现相对更为优异。

关键词： 高三学生   历史笔记   学习方法   深度学习  

摘要： 随着时代的发展进步,社会对人的要求也随之改变,在互联网大数据的时代背景下,对学习者的深度学习效率、学习能力有了更高的要求。历史核心素养是培养学生空间立体思维、正确价值观以及关键学习能力的综合体现,这与深度学习理论强调思维迁移价值观念不谋而合。深度学习理论有助于核心素养的培育,历史笔记是辅助学生学习的主要工具之一,在发展思维、知识迁移、引导学生知识反思方面和深度学习理论可谓是相辅相成。因此,立足于深度学习理论,在深度学习理论的视域下探讨高三历史笔记有效的方法,以期能促进学生深度学习,培养学生的核心素养。读书使人充实、讨论使人机智、笔记使人准确。读书、学习要讲究学习方法,教给学生一些合理的学习方法,就会使学生学得快,学得好,培养学生终生学习能力,可谓是终身受益。记笔记一直是各学科所提倡的学习方法。在高三历史学习中,学生需要对高中所有历史知识进行总结和复习,这对于高三学生来说,是记忆力和概括能力的一大考验,这就要求学生对历史知识进行深度学习和思考,有效利用笔记学习方法,促进学生历史的有效学习。该项研究主要以高三历史学习复习阶段为研究背景,采用文献分析法、个案分析法、文本分析法、访谈法进行研究。通过选取处在不同学习层次学生的历史笔记,笔记的形式主要包括课后复习笔记、试卷笔记、错题笔记进行笔记文本分析,并从学生笔记的认知心理、内容与形式、方法与策略三个维度分析各层次学生笔记记录内容情况、使用的方法。通过研究学生历史笔记文本发现,学生利用笔记达到深度学习的情况不容乐观,主要是在学生对笔记的认知心理层面上,学生对笔记缺乏认知、自主性不强、笔记记录在高三阶段学习出现焦虑心理。在笔记记录内容与形式层面上,笔记比较杂乱、笔记缺乏整合性、完整性和准确性有待提高。在笔记记录方法与策略层面上,笔记知识体系不完善、时空观念薄弱、历史思维欠缺。针对在个案分析和访谈中所存在的问题,笔者从学生和教师的角度提出了改进意见,即学生要端正记录笔记的学习态度、养成好的记录笔记的方法习惯,正确记录笔记的内容与形式。教师在教学过程中从学生角度出发,对学生笔记记录过程中进行“一把钥匙,开一把锁”式的指导,强化学生笔记记录和使用,以期能够为处在不同学习阶段的学生,提供适合学生的笔记方法,促进学生深度思维发展和终身学习能力的培养。通过调查研究所提出的建议策略,在研究最后一章的环节设计中,对笔记策略建议实施之后,从收集的学生历史成绩、笔记文本、笔记认知访谈前后对比的数据的分析,有效验证了笔记方法对学生学习提高的有效性,对学生的学习和终身能力的培养有很大的裨益。

关键词： 多标记学习   缺失特征   缺失标记   尾标记   矩阵分解  

摘要： 在多标记学习中,通常单个实例用多个不同的标记表示,这种一对多的关系能够更全面地描述事物的多样性。多标记学习的主要任务就是能够为未见实例分配出合适的标记集。在以往的多标记学习问题中,通常假定参与训练的数据集中的特征信息和标记信息是完整的。然而,在实际应用中,这种假设往往不能保证,即对于一些数据样本来说,存在特征信息和标记信息同时缺失的情况,亦即存在不完整的数据,高度不完整的数据对于多标记学习来说无疑是一个巨大的挑战。在这样不完整的数据集上构建的分类模型的性能将会大打折扣,从而影响对未见实例预测类别标记的准确性,进一步导致不能很好地区分多义性对象。然而,现有的关于数据缺失的多标记学习算法大多数仅关注缺失特征或者缺失标记,而很少考虑到特征和标记同时缺失的问题。为此,本文提出一种新的多标记学习方法(Multi-label learning with Missing Features and Labels,MMFL),该方法能够处理特征与标记同时缺失的问题,并将特征和标记的缺失值恢复过程与分类模型的构建整合到统一的框架中,从而减轻因特征和标记同时缺失造成的分类模型性能下降的情况。具体来说,首先,针对多标记学习中特征信息以及标记信息均缺失的情况,采用矩阵分解模型尝试恢复缺失信息,并在低维空间中构建分类器。其次,为克服因尾标记存在破坏的矩阵分解中的低秩假设问题,本文将原始标记矩阵分解为低秩性矩阵与尾标记矩阵,并构建稀疏尾标记分类器,以便更充分地挖掘标记间的潜在信息。此外,采用流形正则技术约束实例相似性以及标记相关性的流形结构,从而进一步提升模型性能。通过在九个常用的数据集上的实验,验证了MMFL的有效性。

关键词： 分子动力学模拟   机器学习   固态电解质   单离子导电嵌段聚电解质  

摘要： 传统的锂离子电池以液态电解液系统为主,存在电解液泄露、燃烧和爆炸等隐患。固态聚合物电解质(SPE)能够提升锂离子电池的稳定性和力学性能,但电导率普遍较低,且传统聚合物基体/锂盐体系存在浓差极化的问题。单离子导体(SICs)聚电解质能够有效阻碍阴离子迁移,防止浓差极化的发生。作为SICs的一类,单离子导电嵌段聚电解质(SIC-BCPE)可以通过调节不同嵌段的物理和化学性质,对多个材料参数进行设计和优化,近年来受到了广泛的关注,有望成为一类综合性能优异的电解质材料。在本文工作中,我们结合分子动力学(MD)模拟与机器学习方法对SIC-BCPE体系的多设计参数调控问题进行了研究。具体而言,我们设计了一种基于真实化学体系的SIC-BCPE通用模型。该模型包含四种具有代表性的设计参数,在实验上可以通过多样的物理结构调整(侧链长度,离子分数)和化学修饰(阴离子直径,电负性基团电荷)来进行调控,覆盖了广泛的设计空间。我们首先通过直接的MD模拟初步探索了各设计参数对离子电导率的影响,发现处于不同配位环境的锂离子的比例与离子电导率的变化趋势密切相关。接下来,我们引入机器学习方法进一步探究了设计参数组合与离子电导率的综合关系。将设计参数作为输入特征,离子电导率作为标签值,我们通过高斯过程回归(GPR)模型进行电导率预测并获得了高电导率设计方向。在此基础上,基于GPR模型的贝叶斯优化算法能够在少于网格搜索的采样次数的前提下找到SICBCPE体系的最优设计参数组合。更多地,为了对比各机器学习模型在材料科学领域中高维特征小样本数据集的适配性,本文分别引入支持向量回归(SVR)模型与全连接神经网络(FCNN)模型,对数据集进行高维回归并分析了回归误差。整体结果显示GPR与SVR模型对数据集的匹配程度较好。SVR模型可以在不损失过多精度的前提下有更快的训练效率。FCNN模型在小样本数据集上的回归误差高于其它两种机器学习模型,更适合大数据驱动。本研究中报道的SIC-BCPE通用模型以及MD模拟结合机器学习的高效率研究方法,有望为设计更广泛的聚电解质体系提供有价值的见解。

关键词： 零样本学习   变分自编码器   生成对抗网络   交叉对齐损失   卷积神经网络  

摘要： 在医学、航空等图像资源稀缺的领域,传统深度学习中需要大量图像样本进行训练的要求无法得到满足,而零样本学习的出现就解决了训练阶段图像稀缺的问题,它可以通过对图像数量充足的类别的训练实现对图像资源稀缺类别的识别和分类。本文选取基于生成模型的零样本学习方法为研究对象,以提高四种不同零样本学习设置下的图像分类准确率为目标进行研究和实验。本文提出了一种改进的变分自编码器(VAE)和生成对抗网络(GAN)融合模型CA-VAEGAN模型用于零样本学习。本文所提出的模型包含四个模块:第一个模块是语义和特征嵌入模块,该模块由变分自编码器的编码器组成;第二个模块是特征生成器模块,该模块将VAE中的解码器和GAN中的生成器共享相同的参数进行融合;第三个模块是生成特征鉴别器模块,该模块由GAN中的鉴别器组成;第四个模块是改进的语义嵌入解码器反馈模块,该模块由语义嵌入解码器子模块和反馈子模块两个子模块组成,该模块将已知类别语义嵌入和合成特征进行解码重构并生成重构后的语义嵌入,随后基于重构后的语义嵌入生成反馈因子。再将反馈因子与真实语义嵌入通过交叉对齐损失进行调整,随后再次输入特征生成器模块中以实现对合成特征的不断微调和优化。通过不断的对抗训练和合成特征的迭代优化,最终实现分类准确率的提升。在改进模型的基础上我们进行了大量的实验来验证本文模型的有效性。本文选取了四个零样本学习的基准数据集并在四种零样本学习设置下进行实验。实验结果表明本文模型在四个数据集上都在一定程度上提升了分类准确率。其次通过参数敏感性分析实验发现本文所加入的交叉对齐损失能够实现对反馈模块的反馈因子的微调。最后通过模型稳定性分析实验得出本文的模型在训练中稳定性不错,能够适应多种零样本学习设置的实验。