小样本

摘要： 近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法(MSCNN)。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;(1)模型使用具有一定重复率的样本数据,大幅扩充了样本数量;(2)引入多尺度卷积核进行特征提取;(3)模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。

摘要： 本文以矩阵信息几何理论为基础,提出一种新的信号检测器框架,该检测器将样本数据建模为正定矩阵,利用参考单元对应正定矩阵的几何中值来估计杂波协方差矩阵,从而将信号检测问题转化为度量矩阵流形上两点间的差异性大小,通过比较流形上两点间的差异值与阈值大小来实现信号检测.此外,深入分析了流形上不同几何度量所反映出的几何结构差异,并依据各向异性定义了几何度量的区分能力描述子.由于几何度量的区分性较好,并且几何中值对干扰具有较好的鲁棒性,因此,矩阵信息几何中值检测器在小样本、非均匀环境下具有较好的性能.实验结果表明,与自适应匹配滤波相比,所提出的信号检测器在小样本、非均匀环境下具有明显的性能优势.

摘要： 针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法。该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征。同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构造更深层网络的同时避免了梯度消失的问题。实验表明:本文方法能充分利用高光谱图像的空间和光谱特征,在印第安纳森林数据集、帕维亚大学数据集上分别能够取得99.29%、99.74%的总体分类精确度,提高了小样本下的分类精度。

摘要： 在基于深度学习的人脸识别领域中,孪生神经网络是一种解决过少样本数据降低模型性能并导致过拟合现象的有效方法。文章基于孪生神经网络提出一种引入CBAM混合域注意力机制的小样本人脸识别方法,对比实验将输出值映射为128维特征向量;采用对比损失函数,通过比较样本网络输出特征向量之间的欧氏距离来判断人脸的相似度。结果表明:在使用更少的训练数据情况下,孪生神经网络引入CBAM能够为不同通道的特征图设置不同的权重,可以显著提高模型的准确率;以实验准确率为性能指标,与其他4种人脸识别模型对比,文章所提出的算法对于小样本集的人脸识别准确率达到了98.12%。

摘要： 基于Pope修正的有效黏度假设,张量基神经网络(tensor based neural network,TBNN)构建了从雷诺平均方程湍流模型(RANS)的平均应变率张量和平均旋转率张量到高精度数值解的雷诺应力各向异性张量的映射.将高精度数值解用于TBNN的训练,从而使TBNN根据RANS求解的湍动能、湍流耗散率和速度梯度预测其雷诺应力各向异性张量,并与对应的高精度数值模拟结果以及风洞实验结果对比以评估TBNN的预测能力.本工作将TBNN的预测能力从低速域拓展至高超声速工况,分别对低速槽道流、低速NACA0012翼型以及高超声速平板边界层3种工况进行了小样本的训练并成功预测,并以槽道流训练的TBNN较好地预测了低速平板边界层,验证了模型的泛化能力.对于外推的低速槽道流算例,TBNN预测的结果在y^(+)>5的区域与直接数值模拟(DNS)以及实验的误差均在10%以内,预测结果揭示了TBNN对雷诺应力各向异性张量的良好预测能力;对于翼型的预测效果尽管相较于槽道流略有下降,但近壁关键区域较RANS结果仍有显著提升;对于高超声速平板,TBNN在边界层内展现出了良好的预测能力,在y^(+)>5的区域与DNS的误差同样在10%以内.基于Pope本构关系的TBNN方法在平板的高超声速工况下仍能较准确预测边界层内的雷诺应力各向异性张量,方法在宽速域下的预测能力具有较好的表现,且模型泛化能力亦得到了验证.

摘要： 近年来,网络贷款的兴起带来了大量的用户贷款信息,金融行业普惠政策的推广使其亟需了解用户贷款信息对违约的影响,分析用户贷款信息、预测风险用户是成功推广普惠政策的重点。由于银行贷款数据量较少,为了解决小样本问题,该文引入迁移学习思想,将网络贷款的海量数据迁移至银行贷款数据中,基于LightGBM模型采用5折交叉验证进行训练,得到风险用户识别模型,实现对风险用户的精准预测,从而达到保障金融风控安全的目的。

摘要： 近年来,数据驱动的人工智能模型在气体绝缘组合电器(GIS)绝缘缺陷诊断上取得了一定突破。然而,这些以海量实验数据构建的模型难以部署到现场复杂工况和小样本条件下,导致现有诊断方法现场应用困难。为了解决现场制约传统诊断方法应用的数据匮乏难题和现有诊断模型现场应用困难的问题,该文提出了一种新颖的域对抗迁移卷积神经网络用于小样本下的GIS绝缘缺陷智能诊断。首先,以自动寻优构建的卷积神经网络从缺陷样本中学习可迁移绝缘缺陷表征特征,自动寻优构建方法在减少网络构建过程人为干预的同时,有效提升了网络精度等多方面性能。然后,引入域对抗迁移学习,实现海量数据(源域)下训练模型到复杂工况和小样本(目标域)下的迁移,以提升诊断准确率。通过对抗训练方法学习类边界表征特征和域空间表征特征,实现了诊断知识的迁移。在域对抗训练中引入两个领域分类器来进行决策边界域空间的对齐,获得了更合适的特征匹配。在实验室和现场实验验证中,所提方法在目标域下分别达到了99.35%和90.35%的诊断准确率。结果表明,该方法可以有效学习可迁移特征,实现小样本GIS绝缘缺陷的高精度、鲁棒性诊断。

摘要： 针对工业机器人上使用的RV减速器寿命长且性能退化缓慢的特点,提出一种基于RV减速器高应力加速退化试验与传动精度退化模型建模的方法,对RV减速器可靠性进行评估。对RV减速器薄弱环节的强度进行校核,确定加速试验最大加载值;在该加载值下对3台RV减速器开展加速退化试验,获得加速条件下RV减速器传动精度退化量;根据RV减速器传动精度退化特性,使用样本数据分离的极大似然估计法,对每台减速器的传动精度展开退化轨迹建模;将Wiener退化模型中的初始性能退化量和漂移系数设为定值,获得扩散系数的变异系数,假设扩散系数服从正态分布,求得RV减速器可靠性。结果表明:高应力加速退化试验可为RV减速器可靠性分析提供切实可信的试验数据,节约试验时间及成本。基于加速退化试验和传动精度退化模型建模的求解RV减速器可靠性的方法,在体现个体差异的同时,实现了小样本条件下RV减速器的可靠性分析,并且能够准确计算出RV减速器的失效概率,对于提升工业机器人的工作性能具有重要意义。

摘要： 针对雷达信号由于缺少先验知识难以形成信号模板或识别网络的识别难题,本文重新审视了战争雷达的应用场景,并提出一种基于原型网络的雷达信号识别算法。原型网络作为一种弱监督学习模型,已被证明对于小样本数据的分类拟合具有积极作用。本文利用卷积神经网络将现有的充足样本信号时频信息映射到样本空间,获取各充足类样本原型,以样本点到原型的距离为损失函数,使得类间分散、类内聚合,得到泛化的训练模型。实验结果表明:小样本信号在较少先验信息的支持和微调下,通过泛化的模型能准确识别信号类别。在多种小样本信号并存的条件下,-2 dB时识别率可达90%以上。

摘要： 针对小样本情景下辐射源个体识别困难等难题,提出一种在小样本情景下基于特征融合和深度学习的辐射源个体识别方法。将基于希尔伯特-黄变换、魏格纳-威利分布、连续小波变换所提取的信号个体特征进行融合并构建ResNet完成训练和识别。采用该方法,对3部实采辐射源数据进行测试,测试结果表明,相比于使用单一特征进行网络分类识别的主流算法,该方法能提高小样本情境下辐射源个体识别准确率、改善神经网络性能。

摘要： 应力-强度干涉模型在航天产品可靠性评估中有着重要的作用.针对航天产品小样本、高可靠性的特点,基于二维单侧容限系数思想,建立了应力-强度干涉模型的小样本可靠性评估方法.该方法既能利用当前的试验数据,又能充分利用以往积累的试验信息,因此,其可利用的信息量要远远大于只能利用当前试验数据的常规方法,从而能够在当前较少的试验量下对航天产品进行高精度的可靠性评估.

摘要： 针对再制造发动机生产企业的特点，分析了百分比抽样的不合理性，并结合模糊综合评价理论建立了优化方案模型，为再制造发动机验收中小样本的抽取提供了一种新的思路。

摘要： 针对图像匹配速度问题,本文将灰色关联理论与遗传算法相结合,提出一种快速图像匹配方法——GGA(Grey Genetic Algorithm)法.该方法首先确定问题的参数空间,通过对参数空间编码和种群初始化得到待匹配的多个初始位置,然后利用模板图和当前搜索子图的直方图信息,分别构建参考序列和比较序列,以两序列间的灰色关联度为适应度函数.在此基础上,初始群体经过选择、交叉和变异等操作逐代进化到搜索空间的优化区域,并逼近最佳匹配位置.实验结果显示GGA法充分利用了灰色关联理论的小样本特性和遗传算法的计算并行性,在保证了一定匹配精度的情况下,实时性得到明显提高.

摘要： 支持向量机(SVM)是建立在统计学习理论基础上的新机器学习方法,他使风险结构最小化,解决了小样本情况下的学习问题,本文利用支持向量机对非线性模型辩识,设计了一种控制结构,并使用遗传算法求解了预测控制律.

摘要： 本文针对送电工程造价管理中，出现的众多影响因素以及同一时期样本数目有限的实际情况，提出一种基于小样本智能预测的送电工程造价估算模型。对原始指标数据进行预处理，提出主要的信息量，得到合理的简化指标体系，以新指标作为输入集建立基于支持向量机的学习网络，对历史工程进行学习训练，并对新建工程进行预测估算。实例预测表明：该方法在小样本学习方面表现突出,应用在送电工程造价快速估算中能够达到理想的效果。

摘要： 结合小波理论优良的时频局部化特性、支持向量机在小样本情况下出色的学习性能和良好的推广特性以及遗传算法有全局优化能力的优势,建立了WT-AGA-SVM混合智能预测模型.对某电铲供电机组运行状态的预测结果验证了模型的有效性和优越性。

摘要： 航天器、战略导弹等产品的造价昂贵，试验数据有时十分有限，其结构可靠性评估为小样本问题。针对此类问题，基于随机加权法提出一种新的求解方法。该方法对小样本应力强度数据进行重复抽样，获得其均值方差的大量抽样值，从而得到大量的可靠度抽样值，进而确定可靠度的分布，最终依据所确定的分布计算可靠度点估计和置信限估计。通过算例分析说明该方法是有效可行的。

摘要： 为了解决LPP算法的小样本问题，提出了一种应用于人脸识别的二维LPP算法，直接对图像矩阵进行特征提取，既解决了传统LPP算法的小样本问题，又加快了特征提取速度.ORL人脸库和Extended Yale B人脸库上的实验结果表明2DPP具有较高的识别率，对光照的变化具有一定的鲁棒性.

摘要： 均匀实验设计是对微波效应研究现行的全面实验方法的改进，从实验参数空间中挑选有代表性的实验点进行实验，以减少实验所需样本量。对低噪声放大器的微波注入实验进行两因素六水平的均匀设计，与同条件下的全面实验相比理论上节省75％的实验样本量。

摘要： 均匀实验设计是对微波效应研究现行的全面实验方法的改进，从实验参数空间中挑选有代表性的实验点进行实验，以减少实验所需样本量。对低噪声放大器的微波注入实验进行两因素六水平的均匀设计，与同条件下的全面实验相比理论上节省75％的实验样本量。

摘要： 用于小样本图像识别的样本抽取、扩充方法及存储介质，属于图像处理技术领域。为了解决针对于小样本图像识别过程中采用生成新样本的方式中存在的可能导致的生成错误样本的问题。本发明首先提出了一种基于特征重构的样本抽取方法来解决小样本数据集特征缺失的问题，从数据特征的角度实现了大样本数据集中抽取出一个典型小样本数据集。该方法将大样本数据的质心作为抽取度量的标准，使得抽取出的典型小样本数据集具有更全面的特征，效果更稳定。本发明还提出了基于变形信息的样本扩充方法，利用最优划分中同类异簇的数据间变形信息实现了将抽取出的典型小样本数据集扩充成新的大样本数据集。主要用于小样本图像识别的样本抽取及扩充。

摘要： 本发明公开了基于支持与查询样本的小样本目标检测方法与系统，包括，支持样本和查询样本特征提取、基于查询样本引导的支持样本加权、支持样本引导的查询特征增强、候选框的打分和筛选、混合损失函数计算，将小样本学习机制引入到深度目标检测框架，建立了一套准确率高的小样本目标检测系统。本发明的方法框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的小样本目标检测的结果上，都超过了现有方法。本发明能够为目标检测技术在军事和工业应用领域，提供基础框架和算法的支持，也能很容易地扩展到其他小样本学习任务上。

摘要： 本发明涉及小样本图像分类技术领域，具体涉及一种基于基类样本特征合成的小样本图像分类方法，本发明利用监督对比损失函数在基类数据集上对模型进行预训练得到特征提取器，提取基类和新类样本特并计算原型，对于每类新类原型，利用Cosine相似性计算其近邻基类原型，并在新类原型与其近邻基类原型之间线性合成若干新的样本特征。本发明在不考虑样本分布的情况下，就能实现少量支持样本特征的增强，从而提高小样本图像分类性能。本发明将基类视为多数类，采用过采样技术对新类中的样本进行扩充，能够解决基类与新类之间样本不平衡问题。

摘要： 本发明提出一种基于支撑样本特征增强的小样本目标检测方法及装置，小样本目标检测方法具体包括：模型初始化阶段；元训练第一阶段：在基类数据中采样待检测图片与支撑样本，按照模型的元训练方式进行训练；元训练第二阶段：将所有的基类数据作为支撑样本输入模型，计算并存储每一类别下所有支撑样本的类特征向量的均值，将其作为类特征向量计算的辅助监督信号，重复元训练第一阶段的训练；元测试阶段：根据新类标签的数目，从基类数据中进行采样，构造平衡数据集，采样待检测图片与支撑样本，并重复元训练第二阶段的训练；新类目标检测阶段。与传统的小样本目标检测方法相比，本发明可得到更高质量的支撑样本特征，提高对新类的检测准确率。

摘要： 本发明属于古生物化石识别技术领域，公开了一种单样本与小样本微体古生物化石图像识别方法及系统，该方法包括：拍摄微体化石显微图像；将微体化石显微图像组成成对图像数据集，设置类别标签；对输入图像进行数据增强；搭建孪生网络框架结构，提取输入图像的特征；计算两个特征向量间的相似度；反向更新网络参数，重复多次训练直至微体化石识别模型的精度稳定；将单样本或小样本微体化石图像作为模型一个输入，将大量混合微体化石图像依次作为另一个输入，根据模型输出的特征相似度值找出与当前单样本或小样本属于同一类别的微体化石样本。本发明降低人工分拣化石的成本投入，提升稀有化石发现速率，为分析寒武纪生命大爆发的起源提供数据支撑。

摘要： 本发明公开了一种基于跨样本注意力聚合的小样本学习方法，包括将将支持集输入至卷积神经网络后压缩至矩阵形式得到多类别特征向量，将多类别特征向量输入至注意力聚合模块得到支持集的多个类别聚合向量；将查询集输入至卷积神经网络后压缩至矩阵形式得到查询特征向量，将查询特征向量输入至注意力聚合模块得到查询聚合向量；基于类别聚合向量、查询聚合向量和真实类别聚合向量通过距离感知概率激活方法得到查询图片的类别预测概率值；类别预测概率值构建交叉熵损失函数，通过交叉熵损失函数优化训练模型中的参数得到类别预测模型；该方法能够清晰区分物体和背景区域，并能够准确提取类别特征。

摘要： 本发明公开了一种基于样本对关系传播的小样本学习方法和装置。该方法通过对支撑集‑查询集的样本对之间的关系进行显式建模和传播，可以得到判别性更好的关系编码。通过引入伪关系节点，可以有效保留查询集样本自身的特征信息。此外，本发明进一步提供了一种有效的转导学习策略，可以较好地挖掘查询集样本之间的关系信息，从而得到更精确的分类结果。与现有技术相比较，本发明更好地挖掘了每一个任务中支撑集‑查询集的样本对所蕴含的潜在信息，在处理全新任务时，拥有更高的准确度以及更好的泛化能力。

摘要： 本发明涉及一种基于核心样本自适应扩充的小样本高光谱图像分类方法，首先对高光谱图像进行数据预处理，得到训练样本和测试样本；采用MCFSFDP聚类方法自适应确定测试样本中的核心样本；将核心样本加入至训练样本中，扩充得到训练样本集；将训练样本集代入至生成对抗网络中进行训练，生成与训练样本集数量一致的生成样本，并将生成样本加入至训练样本集中，扩充得到训练样本数据集；将训练样本数据集代入至BP神经网络模型中进行训练，得到最终的BP神经网络模型；将测试样本代入至最终的BP神经网络模型中，正向计算得到小样本高光谱图像的分类结果，通过对训练样本进行两次自适应样本扩充，有效提高了神经网络的泛化能力和小样本高光谱图像分类精度。

摘要： 本发明公开了基于支持与查询样本的小样本目标检测方法与系统，包括，支持样本和查询样本特征提取、基于查询样本引导的支持样本加权、支持样本引导的查询特征增强、候选框的打分和筛选、混合损失函数计算，将小样本学习机制引入到深度目标检测框架，建立了一套准确率高的小样本目标检测系统。本发明的方法框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的小样本目标检测的结果上，都超过了现有方法。本发明能够为目标检测技术在军事和工业应用领域，提供基础框架和算法的支持，也能很容易地扩展到其他小样本学习任务上。

摘要： 用于小样本图像识别的样本抽取、扩充方法及存储介质，属于图像处理技术领域。为了解决针对于小样本图像识别过程中采用生成新样本的方式中存在的可能导致的生成错误样本的问题。本发明首先提出了一种基于特征重构的样本抽取方法来解决小样本数据集特征缺失的问题，从数据特征的角度实现了大样本数据集中抽取出一个典型小样本数据集。该方法将大样本数据的质心作为抽取度量的标准，使得抽取出的典型小样本数据集具有更全面的特征，效果更稳定。本发明还提出了基于变形信息的样本扩充方法，利用最优划分中同类异簇的数据间变形信息实现了将抽取出的典型小样本数据集扩充成新的大样本数据集。主要用于小样本图像识别的样本抽取及扩充。