监督学习

摘要： 地震相是沉积相在地震剖面上的反映,能为地下资源尤其是油气资源的勘探开发提供有效依据。近年来随着人工智能的快速发展和油气人工智能的有力推进,国内外学者提出了多种地震相智能识别的方法。对地震相智能识别方法进行了归纳总结,将其归纳为无监督学习、监督学习和半监督学习3类,并详细介绍了这3类方法的原理、应用现状及其优缺点。无监督学习利用没有标签的地震数据进行学习聚类,从而实现地震相的自动识别,具有简单易操作的特点。监督学习主要利用标签数据反馈学习,通过学习不断接近标签,从而使得该方法在地震相识别中具有更高的精度。半监督学习在地震数据标签不足的情况下,利用合成伪标签等方式进行学习,但伪标签中存在的误差会降低该方法的精度。最后以神经网络地震相识别为例,对地震相智能识别技术进行了展望。

摘要： 针对网络入侵检测模型自适应能力不足的问题,将麻雀搜索算法(SSA)中的大范围快速搜索能力引入到粒子群优化(PSO)算法,提出基于麻雀搜索算法的改进粒子群优化(SSAPSO)算法。该算法通过对轻量级梯度提升机(LightGBM)算法中难以整定的参数进行寻优,使PSO算法在保证寻优精度的同时快速收敛,并得到最优的网络入侵检测模型。仿真实验结果表明,在4种基准函数上,SSAPSO比基本PSO算法收敛速度更快;在KDDCUP99数据集上,SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升(CatBoost)算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%;SSAPSO-LightGBM算法在上述数据集中正常流量(Normal)、未授权远程访问(R2L)攻击、未授权本地访问(U2R)攻击、监听(PROBE)攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。

摘要： 针对脑肿瘤磁共振成像(MRI)勾画数据少、类别不平衡以及各个私有的数据库具有较大差异导致脑肿瘤MRI图像分割困难的问题,提出了一种基于局部-全局自适应信息学习(ALGIL)分割算法.该方法只需要少量的勾画数据,解决了传统监督学习中对勾画数据数量的依赖问题.通过融合图像的空间域信息和频域信息,利用小波变换将图像从空间域转换到频域,从低频和高频子带中分别提取统计特征和纹理特征,解决了传统单一领域特征提取的局限性;利用局部-全局自适应信息学习算法,首先通过随机森林算法得到特征权重对图像进行赋权并构造相似性矩阵,然后利用指数衰减函数自适应调整标注样本对算法的影响程度,解决了因勾画数据少导致分割不理想的问题.所提方法在公开数据集Brats2018上的实验结果显示,该方法与其他先进模型相比,各项评价指标均有所提升,并且减少了对勾画样本量的需求,大幅提高了图像分割的效率,为脑胶质瘤的自动精确分割提供了新的思路.

摘要： 低照度图像存在亮度低、噪声伪影、细节丢失、颜色失真等退化问题,使得低照度图像增强成为一个多目标增强任务。现有多数增强算法不能很好地在多个增强目标上取得综合的性能,对此,提出PNet——融合注意力机制的多级低照度图像增强网络模型,通过构建多级串联增强任务子网,结合注意力机制设计多通道信息融合模块进行有效特征筛选及记忆,网络以序列方式处理图像流,协同渐进式完成图像全局自适应亮度提升、噪声伪影抑制、细节恢复、颜色矫正等多任务。此外,通过与现有主流算法进行定量及定性分析对比,结果显示该方法能实现自适应图像亮度增强、细节对比度提升,增强后图像整体亮度自然,没有明显光晕及伪影且色彩较丰富真实,在PSNR、SSIM、RMSE指标中较次优算法分别提升0.229、0.112、0.335。实验结果表明,该方法在低照度图像增强的多目标任务上取得了综合较优秀的表现,具有一定的应用价值。

摘要： 随着软件定义网络(SDN)的兴起以及机器学习方法在分类、预测以及控制任务取得的巨大成功,寻找新的流量工程(TE)技术,自适应、动态地管理或路由网络中的流量,保证服务质量(QoS)以及提升用户体验质量(QoE)成为网络研究热点。首先介绍了SDN基本架构以及SDN流量工程研究内容及目标;其次分析了监督学习与强化学习在SDN流量工程中的应用,分析已有算法的优劣;最后总结了未来研究方向及挑战。

摘要： 针对传统方法在复杂电磁环境下难以有效提取通信辐射源指纹特征的问题,设计一种基于卷积神经网络的通信辐射源个体识别方法。首先建立基于卷积神经网络的通信辐射源个体识别模型,然后仿真产生一个主信号,并通过叠加不同的指纹特征和不同信噪比的随机噪声作为不同通信辐射源的判别依据,最后测试模型的可行性和研究分析其它因素对模型的影响。

摘要： 电磁导引是一种车辆自动导引方案,广泛应用于工业、物流等领域。为解决现有电磁导引方案对车辆机械结构要求较高、易受传感器预瞄距离短的限制、难以应用于小型自动导引车辆的问题,提出了一种基于全连接神经网络的导引方案。通过数据分析寻找有限预瞄距离内的最优传感器排布方案,设计和训练全连接神经网络模型,对车身姿态及车后道路的信息进行全面预测,以弥补传感器短预瞄所造成的前向道路探测能力的不足。经模拟和实际测试,该方案能极大改善较小体积车辆的短预瞄电磁导引系统的控制效果,实现车辆的稳定快速运行。

摘要： 为了实时检测无人机异常状态,提出基于隐马尔可夫模型(Hidden Markov Model,HMM)和决策树(Decision Tree,DT)的无人机异常检测方法(HMMDT)。首先根据异常致因将无人机异常分为干扰异常和硬件异常;然后结合HMM和DT建立无人机异常检测模型,定义无人机异常度衡量异常状态的严重程度,确定其阈值作为异常分类标准;最后用经纬600pro型无人机进行实操验证,该方法异常检测召回率达92.9%,准确率达97.2%;对硬件异常的识别准确率达88.2%。结果表明:与传统异常检测方法相比,该方法在可以满足无人机实时异常检测需要的同时,具有较高的检测准确率和较小的时间复杂度。

摘要： 关系抽取作为信息抽取领域的重要研究课题,其主要目的是抽取句子中已标记实体对之间的语义关系,对句子语义理解及知识库构建有着重要作用.针对现有抽取方法中未能充分利用单词位置信息和实体间的交互信息导致重要特征丢失的问题,本工作提出一种基于位置编码与实体交互信息的关系抽取方法 (BPI-BERT).首先将新型位置编码融入BERT预训练语言模型生成的词向量中后使用平均池化技术得到实体和句子向量,再利用哈达玛乘积构造实体交互信息,最后将实体向量、句子向量及交互信息向量拼接得到关系向量并输入到Softmax分类器进行关系分类.实验结果表明BPI-BERT在精准率和F1上较现有方法有提高,证明了BPI-BERT的有效性.

摘要： 针对Linux实践课程学习缺乏监督和实验练习、学习效果缺乏有效的及时评价等问题,聚焦课程优化和课程质量提升、课堂改革和教学质量提升,提出线上线下结合、教学过程与认知学习理论结合、知识学习与记忆规律结合、云计算与实验结合、AI与个性化培养结合等教学模式和手段,分别阐述其教学特点,为改善教学手段,提升教学效果提供参考。

摘要： 基于机器学习的迭代编译方法可以在对新程序进行迭代编译时,有效预测新程序的最佳优化参数组合.现有方法在模型训练过程中存在优化参数组合搜索效率较低,程序特征表示不恰当,预测精度不高的问题.因此,基于机器学习的迭代编译方法是当前迭代编译领域内的一个研究热点,其研究挑战在于学习算法选择,优化参数搜索以及程序特征表示等问题.基于监督学习技术,提出了一种程序优化参数预测方法.该方法首先通过约束多目标粒子群算法对优化参数空间进行搜索,找到样本函数的最佳优化参数;然后通过动静结合的程序特征表示技术,对函数特征进行抽取;最后,通过由函数特征和优化参数形成的样本构建监督学习模型,对新程序的优化参数进行预测.分别采用k近邻法和softmax回归建立统计模型,实验结果表明,在NPB测试集和大型科学计算程序上实现了较好的预测性能.

摘要： 本文提出基于监督学习的道路网选取方法.首先,将评价各条道路重要程度的指标用作输入,将各条道路在某个地图比例尺下是否保留用作输出;然后,用已知输入和输出的样本数据进行训练和学习,以获得分类器;最后,将该分类器用于确定整个道路网的选取表达.利用交叉检验方法评价3种监督学习方法(决策树C4.5、BP神经网络和支持向量机)用于道路网选取的可行性,并利用非参数假设检验方法(Kruskal-Wallis test)比较3种方法之间是否存在统计意义上的显著性差异.实验结果表明,监督学习方法用于道路网自适应选取具有可行性,75％～90％的道路段能被正确分类,但未发现以上3种监督学习方法用于道路网选取存在显著性差异.

摘要： 答案排序是自动问答系统答案抽取部分的重要关键技术，答案排序结果的好坏直接影响到整个问答系统的性能，是自动问答系统研究中必须解决的重要问题。本文将监督学习的方法引入答案排序任务中，综合常见的答案排序相关度度量，提出了基于监督学习的多重相关度答案排序方法.本文实验对比了单一相关度排序和基于监督学习的多重相关度答案排序方法的性能，结果表明本文方法能够在答案排序问题上取得更好的效果。另外，本文还对比了二类分类、回归、排序学习三种基于监督学习的答案排序方案.实验证明排序学习在答案排序任务中性能优于其它两种方法。

摘要： 线性分类器是指:给定训练数据(xi,yi),i=1,…,l,yi∈{-1,1},xi∈Rn,求出w∈Rn(权重)和γ∈R(阈值),使得当yi=1时,有wTxi≥γ;yi=-1时,有wTxi＜γ. 本文考虑下述几类监督学习中的模型问题,包括， 1.支持向量机(SVM)及对偶(MSVMD)问题， 2 最优性条件， 3 数值试验。

摘要： 基于直推式支持向量机(TSVM)的图像通用隐写检测的主要缺陷是需要预先设置待训练的未标记样本中的正负样本数，和已标记的样本很少时性能下降，为此本文提出聚类与TSVM融合的算法。该算法通过聚类估计总体训练样本的正负样本比例，按这个比例扩充已标记样本，最后用TSVM进行训练。实验结果表明，本文方法比TSVM具有较好的检测正确率。当训练集中有标记样本和无标记样本中的正负样本比例不同时，本文方法比TSVM具有更好的时间效率。在与监督学习算法SVM的比较中，本文方法的检测效果接近于sVM。

摘要： 针对基于输入输出数据的复杂系统的实时模糊辨识问题,本文提出了一种新的神经模糊推理网络及相应的学习算法.学习算法可以同时并且在线的完成系统结构辨识与参数辨识.在结构辨识阶段,介绍了一种新的直接从输入输出数据中抽取和优化模糊规则的学习算法;在参数辨识阶段,提出和推导了一种非监督学习和监督学习相结合的混合式学习算法实现模糊隶属函数的初步调整和优化.仿真结果表明,我们的方法可以同时满足对实时性、辨识精度、可读性和规则数的要求.

摘要： 该文提出了一种改进的径向基人工神经元网络，并赋予该网非监督自组织和监督学习混合学习算法。论文给出了改进型径向基网络应用示例，验证了改进型径向基网络的函数实现功能和模式分类功能。

摘要： 实体相似度的计算有诸多应用,例如电商平台的相似商品推荐,医疗疗效分析中的相似病人组等.在知识图谱的实体相似度计算中,给出了每个实体的属性值,并对部分实体进行相似度的标注,要求能得到其他实体之间的相似度.本文把该问题归结为监督学习问题,提出一种通用的实体相似度计算方法,通过清洗噪声数据,对数值、列表以及常文本等不同数据类型进行预处理,使用SVM,Logistic回归等分类模型、Random Forest等集成学习模型以及排序学习模型进行建模,得到了较好的结果.

摘要： Artificial intelligence systems，machine learning improves system performance automatically from experience.provides tools for intelligent data analysis.learning task category：supervised learning、partially supervised learning、reinforcement learning、unsupervised learning.a typical formulation：value function approximation directly find the parameters of the policy.supervised/partially supervised learning.machine learning=representation + evaluation + optimization.highly complex functions vs. gradient-based methods，relax to convex problems，convex loss functions are noise-sensitive [Long and Servedio, MLJ'OO]，convex regularizations are not consistent [Fan and Li, JASA'O1]，hard to be relaxed.

摘要： Artificial intelligence systems，machine learning improves system performance automatically from experience.provides tools for intelligent data analysis.learning task category：supervised learning、partially supervised learning、reinforcement learning、unsupervised learning.a typical formulation：value function approximation directly find the parameters of the policy.supervised/partially supervised learning.machine learning=representation + evaluation + optimization.highly complex functions vs. gradient-based methods，relax to convex problems，convex loss functions are noise-sensitive [Long and Servedio, MLJ'OO]，convex regularizations are not consistent [Fan and Li, JASA'O1]，hard to be relaxed.

摘要： 本发明公开了一种基于有监督学习和无监督学习的反欺诈方法，具体步骤如下：数据预处理，数据转换，创建高斯混合模型，期望最大化算法，有监督学习，无监督学习，预测，该基于有监督学习和无监督学习的反欺诈方法使用有监督学习和无监督学习结合的方法来建立反欺诈模型，有监督学习模型和无监督学习模型被包含在一个大的模型中，这个大的模型将达到集成模型的效果，预测的结果将会优于单独考虑有监督学习或无监督学习时的效果，而且有监督学习和无监督学习是互补的，两种学习方式结合将可以检测出已知的欺诈模式和未知的欺诈模式。

摘要： 本发明公开的一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法，属于机器学习和数据挖掘领域。本发明将监督和半监督学习结合起来，对于监督学习部分，通过软多重投票方式，产生监督学习噪声识别结果；对于半监督学习部分，基于监督学习产生的纯净数据训练的分类模型，对无标签数据集进行标记，标记后的无标签数据作为训练集，用加权KNN方法对标签数据集进行检测产生噪声识别结果；最终将噪声识别结果结合起来产生最终识别结果。本发明算法还采取迭代方式，每次迭代输入的待测样本为上次迭代时过滤掉噪声后的剩余样本。同传统噪声识别算法比，该发明结合了更多互补信息，同时辅以迭代方式，能更好促进噪声识别准确性。

摘要： 本公开提出一种自监督学习方法和自监督学习装置，涉及计算机领域。本公开通过每个原始图片的每个增广图片的特征到所述每个原始图片的所有增广图片的特征均值的距离度量信息，能够有效监测到语义出现偏差的增广图片样本，通过减小相应的权重，语义出现偏差的增广图片样本带来的训练噪声能够被有效地抑制，很好地平衡了数据增广分布的方差与偏差，提升了学习模型在下游的计算机视觉任务上的性能。

摘要： 本发明提供了一种监督学习与非监督学习结合的因子提取气候特征方法，包括：获取因子的历史数据；所述因子的历史数据包括物理量场因子的历史数据和预报对象的历史数据；对因子的历史数据进行标准化，得到标准化后的数据；对标准化后的数据采用监督学习回归类作分析，提取其均方误差场；对标准化后的数据采用相关系数类作分析，提取其相关系数场；获取均方误差场的预报因子集；获取相关系数场的预报因子集；将均方误差场的预报因子集和相关系数场的预报因子集合并，得到多因子序列。本发明的有益效果：避免了大范围提取因子时，总体高相关和高影响的区域会掩盖掉较低影响区域的信息；避免过多丢弃了与整体场要素模态不一致的低信号信息。

摘要： 本发明涉及一种半监督学习系统和一种半监督学习方法，半监督学习方法包括：取得一或多个源域的源域数据及一目标域的目标域数据；使用该源域数据及该目标域数据以训练一特征萃取模型；利用一域判别模型、一任务模型及一半监督学习机制以分别计算该特征萃取模型的域判别损失函数、任务损失函数及半监督损失函数；依据该域判别损失函数、该任务损失函数及该半监督损失函数以计算一总损失函数，并依据该总损失函数以更新该特征萃取模型、任务模型与域判别模型的权重；以及因应于整体模型满足模型收敛条件，结束整体模型的训练过程。

摘要： 本发明涉及一种联合自监督学习和半监督学习的地外图片分割方法和系统。该方法对于地外图片通过掩码图片建模的方式进行自监督预训练，使得模型学习到多样鲁棒的特征空间表示，然后通过半监督方式来微调模型，充分利用地外数据中未标注部分的信息，使得模型在下游任务即语义分割上能有更好的表现。本发明通过自监督学习预训练使得网络可以在无标签数据中学习到良好的特征表示，并且提高了半监督方式下微调阶段的伪标签预测质量，同时微调阶段通过产生伪标签来利用未标注区域的监督信息，使得模型输出的预测结果更准确。本发明能够显著提升图片分割性能。

摘要： 本发明公开了一种融合无监督学习和自监督学习的中文拼写纠错方法，首先，利用混淆集对模型进行预训练，在预训练时不再替换为随机的字，而是替换为混淆集中的字使模型学到字音和字形相关信息；在训练时利用无监督学习和自监督学习对中文拼写错误进行检测和纠正，并利用混淆集进行候选字的选取；最后在中文拼写纠错领域的测试集上测试模型在字级层面和句级层面的纠错性能。本发明融合无监督学习和自监督学习提高模型中文拼写纠错性能的方法所训练的模型能够使模型更好的学习到字音和字形信息，使得模型在中文拼写纠错领域的性能得到提高。

摘要： 一种自监督学习辅助下的半监督学习方法，包括以下步骤：将训练样本划分为若干个批次，每个批次包括标注数据或无标注数据；将当前批次的数据随机翻转，再与原数据进行合并，作为当前输入数据；用特征提取网络提取当前输入数据的特征，得到抽象特征；以及把提取的抽象特征送入到图像类别分类网络或者图像角度翻转分类网络进行图像类别和图像角度翻转判断，若输入数据为标注数据，则将抽象特征同时送入图像类别分类网络和图像角度翻转分类网络进行图像类别和图像角度翻转判断，若输入数据为无标注数据，则只将抽象特征送入图像角度翻转分类网络，进行图像角度翻转判断。本发明方法提升了半监督学习的图像类别分类性能。

摘要： 本发明提供了一种半监督学习方法，该方法包括：利用有标签数据对神经网络模型进行初始训练；获得待标定的无标签数据的增强数据；利用初始训练好的神经网络模型标定待标定的无标签数据及其增强数据的伪标签；利用有标签数据以及待标定的伪标签数据重新训练神经网络模型；其中，用于半监督学习的神经网络模型包括：输入层，用于接收输入数据；第一隐藏层，用于提取输入数据的低层语义信息；语义层，用于基于低层语义信息确定输入数据的低层语义标签；第二隐藏层，用于基于输入数据及其低层语义标签提取输入数据的高层语义信息；以及输出层，用于基于输入数据的高层语义信息确定其高层语义标签，并作为最终标签输出。

摘要： 本发明公开了一种基于有监督学习和无监督学习的反欺诈方法，具体步骤如下：数据预处理，数据转换，创建高斯混合模型，期望最大化算法，有监督学习，无监督学习，预测，该基于有监督学习和无监督学习的反欺诈方法使用有监督学习和无监督学习结合的方法来建立反欺诈模型，有监督学习模型和无监督学习模型被包含在一个大的模型中，这个大的模型将达到集成模型的效果，预测的结果将会优于单独考虑有监督学习或无监督学习时的效果，而且有监督学习和无监督学习是互补的，两种学习方式结合将可以检测出已知的欺诈模式和未知的欺诈模式。