关键词： 气溶胶光学厚度   机器学习   塔基高光谱观测   大气校正  

摘要： 气溶胶光学厚度（AOD）是表征大气中气溶胶颗粒散射和吸收特性的关键参数。在塔基生态遥感观测中，获取准确的AOD以量化气溶胶的散射和吸收作用对光谱观测数据的定量化处理至关重要。本研究提出一种基于塔基高光谱观测数据和机器学习的AOD反演方法。首先，基于大气辐射传输模型分析太阳辐照度对AOD变化的敏感性及其光谱特征。然后，选取785和665 nm波段的辐照度(E785和E665)，通过构建双通道比值指数(E785/E665)可以敏感追踪AOD的变化。最后，系统评估了3种机器学习模型（随机森林、支持向量机和人工神经网络）的反演精度。结果表明：基于塔基高光谱观测数据的3种机器学习模型估算的AOD均表现出较高的精度，决定系数分别为0.950、0.936、0.947，均方根误差分别为0.025、0.028、0.027，平均绝对误差分别为0.017、0.020、0.019，其中，随机森林模型表现最佳。机器学习方法有潜力在不需要额外辅助数据的情况下从太阳辐照度光谱数据中准确估算AOD，能够为塔基平台大气校正方法提供可靠、同步的AOD估算数据。

关键词： 视听零次学习   视频分类   注意力机制   KL散度  

摘要： 视听零次学习需要理解音频和视觉信息之间的关系,以便能够推理未见过的类别。尽管领域做出了许多努力并取得了重大进展,但往往专注于学习强大的表征,从而忽视了音频和视频之间的依赖关系和输出分布与目标分布不一致的问题。因此,该文提出了基于Transformer的视听广义零次学习方法。具体来说,使用注意力机制来学习数据的内部信息,增强不同模态的信息交互,以捕捉视听数据之间的语义一致性;为了度量不同概率分布之间的差异和类别之间的一致性,引入了Kullback-Leibler(KL)散度和余弦相似度损失。为了评估所提方法,在VGGSound-GZSL^(cls),UCF-GZSL^(cls)和ActivityNet-GZSL^(cls)3个基准数据集上进行测试。大量的实验结果表明,所提方法在3个数据集上都取得了最先进的性能。

关键词： 智能电网   隐私保护   联邦学习   可验证秘密共享   数据聚合  

摘要： 智能电网通过整合先进的信息与通信技术,将传统电网升级为更高效、可靠和可持续的系统。然而,集中化的数据处理模式面临着隐私泄露和数据安全挑战。为此,提出了一种面向智能电网的可验证隐私保护联邦学习方法,基于秘密共享及其同态性设计了一种安全数据聚合方案。在上传梯度信息前,用户在本地对梯度添加掩码并通过秘密共享与其他用户共享掩码值。服务器在收到经过隐私处理的梯度后利用同态特性恢复掩码之和,从而确保安全聚合并降低通信开销。在数据传输过程中,基于可验证秘密共享和认证加密技术进行了数据完整性验证,以确保客户端与服务器间传输数据的真实性和完整性。仿真结果表明,该方案在保证用户隐私和数据完整性的前提下仍具有优越的模型性能和较低的通信成本,在MNIST和CIFAR数据集上模型精度分别达到99.2%和99.5%。

关键词： 知识感知推荐系统   去偏推荐   公平表征学习   对抗学习  

摘要： 当前知识感知推荐系统在融合知识图谱时缺少公平性保障机制，导致模型隐式学习到知识关系中的潜在偏见，从而引发推荐公平性问题.现有去偏方法通过敏感属性特征学习来去除敏感属性信息，但仍面临两方面的问题：一是未能充分捕捉多敏感属性间的潜在关系；二是缺乏对属性间因果效应的建模.为此，本文提出了一种基于改进敏感图的知识感知推荐公平表征学习方法 .一方面，本文以多阶邻接矩阵的形式构建和更新敏感图节点表示；另一方面，本文引入因果注意力机制捕获敏感属性节点间的因果传导效应，最终结合对抗学习去除敏感属性信息，在不影响知识感知推荐模型主要流程的前提下实现公平表征学习.本文在推荐领域基准数据集MovieLens-1M和Last. FM上进行了大量的实验，结果表明：本文方法能够有效提升基础模型的公平性表现，同时能更好地平衡推荐性能和公平性表现.

关键词： 仿生踩曲机器人   多模态感知   行为学习  

摘要： 针对传统白酒酿造中踩曲工艺标准化程度低、自动化水平不足而机械式制曲效果差的问题,设计了一种基于多模态感知与分阶段仿生行为学习的具身踩曲机器人系统,系统集成运动捕捉、RGB-D视觉、足底压力感知与机械臂控制模块,具备对踩曲环境的实时感知与交互能力。搭建了两阶段数据采集平台,分别用于采集人类踩曲行为与机器人模仿执行数据,构建了多模态踩曲数据集。在此基础上,提出了目标引导的两阶段行为学习算法TG-ACT,实现了从视觉计划到动作生成的完整行为建模流程。实验结果验证了所提出方法在动作自然性、执行稳定性以及踩曲质量控制方面的有效性,为白酒酿造中复杂技能的机器人化提供了参考路径。

关键词： 二氧化碳浓度   机器学习   黄土高原   环境因子  

摘要： 二氧化碳(CO_(2))是主要的温室气体之一,空气中二氧化碳浓度的变化受到多种因素的影响。现在能连续观测地面空气二氧化碳浓度的站点依旧较少,但是常规气象数据容易观测,在给定地点如何用常规气象数据模拟地面空气二氧化碳浓度依旧缺乏研究。基于陕西省淳化县的和家山小流域的实测气象数据和二氧化碳浓度数据,分别采用不同位置的地面空气二氧化碳浓度或环境因子的组合驱动MLP、LSTM、Bi-LSTM和RF模型,评价了机器学习方法在黄土高原沟壑区典型站点模拟日尺度地面空气二氧化碳浓度的潜力。研究结果表明,无论是以同类型观测数据作为输入还是以环境因子的组合作为输入,4种机器学习模型都可以较好的模拟地面空气二氧化碳浓度的整体变化过程,且都可以用于插补数据。以其他点位实测二氧化碳浓度作为输入时,MLP模拟2号点的浓度C_(2)精度最高,在测试集的误差仅为3.8%;以环境因子作为输入时,RF模拟2号点的浓度C_(2)精度最高,在测试集的误差为6.3%。但是以环境因子作为输入时无法模拟出二氧化碳浓度剧烈的日变化过程。为了进行数据插补,以同类型的观测数据作为输入用于插补数据的效果更好,它可以较好地模拟出地面空气二氧化碳浓度的日变化过程。

关键词： 熔融沉积建模   人工神经元网络   随机森林   Gradient Boosting   拉伸性能  

摘要： 采用拉丁超立方实验设计,研究了层高、壁厚、顶底厚、顶底线条方向、填充密度、填充线条方向、打印速度、挤出温度、床温、工作空间温度10种熔融沉积建模(FDM)工艺参数对丙烯腈-丁二烯-苯乙烯共聚物(ABS)零件拉伸性能的影响,对比了人工神经元网络(ANN)、随机森林(RF)和梯度提升算法(GB)3种机器学习方法预测拉伸性能的准确性。结果表明,ANN预测拉伸强度和断裂伸长率的相关系数R仅为0.883 5和0.892 4,在训练和测试数据集上,预测的均方误差(MSE)在5~10和20~24之间;RF预测的R值为0.913 6和0.924 0,MSE在3~8和15~20之间;GB预测准确性最高,R值为0.975 9和0.981 2,MSE最低,在1~4和8~10之间。在10种工艺参数中,在采用RF模型时,拉伸性能的显著影响因素为填充密度、壁厚、填充线条方向和顶底厚,在采用GB模型时,拉伸性能的显著影响因素为填充密度、壁厚、层高和填充线条方向。填充密度是影响拉伸性能最显著的因素,对GB预测结果的影响显著性达到80%左右,远大于RF模型中的40%。

关键词： 气滞证   机器学习   辨证   诊断模型  

摘要： 目的建立基于机器学习方法的气滞证及其亚型证候辨证决策网络模型。方法基于中医证候临床诊断量表—气滞证及其亚型证标准,纳入498例符合气滞证候患者,采用annaconda 3.8.8软件进行气滞证辨证模型的构建,分别采用支持向量机(SVM)、随机森林(RF)、BP神经网络(BP-NNs)以及XGBoost算法进行建模,并优化相关参数。评价指标采用ROC曲线下面积、平均准确率、精确率、召回率、F值、运行速率,综合评价模型优劣,择优构建模型。结果XGBoost算法的平均准确率及ROC曲线下面积分数最高,分别为74.3%、0.94;随机森林算法的平均准确率及ROC曲线下面积为74%、0.93;BP神经网络平均准确率及ROC曲线下面积为70.9%、0.92;支持向量机平均准确率及ROC曲线下面积为71.4%、0.92。结论通过XGBoost算法构建气滞证辨证决策网络模型具有良好的诊断及证型辨别能力,且具有较高的准确率,机器学习技术的应用在中医传统证型的决策诊断模型构建具有方法学上的可行性。

关键词： 跨领域   最大均值差异   流形正则化   非线性  

摘要： 近年来,深度学习模型在跨领域分类学习中得到了广泛应用。边缘降噪自动编码器(mDA)因其采用线性结构获取最优解且训练速度快,被广泛使用。然而,mDA在特征表示学习中对特征空间非线性关系刻画不足,且在构建新的特征空间时未充分考虑领域间的分布差异。因此,文章提出了基于双重约束的非线性跨领域特征表示学习方法(FNDC)。该方法在重构误差中引入核函数,以捕捉特征空间的非线性关系;同时将最大均值差异(MMD)和流形正则化(MR)作为双重约束,以减少跨领域的分布差异,并保持特征映射后空间的相对位置关系。实验结果表明,该方法在跨领域文本分类任务中的表现优于现有的基线算法。

关键词： 序列推荐   扩散增强   对比学习   多视角意图  

摘要： 针对意图驱动的序列推荐中出现的数据稀疏性和意图信息提取不足问题,提出了一种基于扩散增强的多视角意图对比学习方法(DMVRec)。为学习原始项目间的购买意图相关性,在扩散模型反向过程中,通过融合原始序列意图信息和无分类器指导策略来预测高斯噪声。利用原始项目间的购买意图相关性信息指导反向过程的去噪,以得到增强序列的意图预测值,并利用余弦相似度计算每个位置下的增强项目。通过切分用户交互序列和聚类算法来构建意图监督信号,并分别在宏观和微观视角下利用意图对比学习来捕捉隐藏的用户意图信息。通过在四个公开数据集下实验,充分体现了DMVRec方法的优越性。其中,对比最先进基线,在HR@5指标上,提升7.03%,在NDCG@5指标上,提升4.53%。