非监督学习

摘要： 静态数据的聚类方法已得到了较为深入的研究,然而现实生活中越来越多的应用涉及到时间序列的聚类分析.但此类数据具有复杂的动态特性、高维度和海量性等特点,使得传统的算法无法获得较为理想的聚类结果.本项目将针对时间序列数据挖掘的实际需要,利用集成学习的最新研究成果,深入研究基于生成模型和特征表示的时间序列数据挖掘技术,并提出了两种时间序列聚类集成模型,以解决以下主要问题:(1)通过提出新的聚类集成模型,解决时间序列聚类算法中的初始化敏感.(2)通过引入双加权机制,使得聚类集成学习的可靠性及性能得到进一步的提高.(3)在时间序列聚类分析中能够有效地捕捉类簇的本征结构,能自动识别类数.(4)提高聚类集成模型的延展性,能根据不同特点的时间序列数据,选择不同的模型设置和多特征表示.综上所述本课题将在集成学习算法的框架下,对时间序列数据聚类分析提出较为前沿的理论研究,其研究成果必将具有较高的理论和实用价值.

摘要： 针对传统雷达性能指标评估方法相对"机械"、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型,建立雷达性能指标后验概率模型.考虑到先验知识与观测数据可能存在的非共轭特性,针对先验概率模型建立分层贝叶斯模型,从而保证雷达性能指标后验概率密度函数的可解性.此外,为了保证后验概率密度函数的闭合解析解,应用变分贝叶斯期望最大化(variational Bayesian expectation maximization,VB-EM)方法,基于高斯-赛德尔迭代策略分别计算性能指标及其超参数的后验概率密度函数.最终,利用后验概率密度函数计算结果,可获得相应性能指标解析估计值及其置信区间和置信度,从而实现对指标动态变化的解析指示.相比传统蒙特卡罗评估方法,所提方法仅需一次实验数据便可获得定量的、解析的指标评估结果,可以大大缩减评估成本,提升评估效率,同时可对指标动态变化给出定量指示.应用仿真数据对雷达定位、测高精度以及目标检测概率指标进行了验证,相比传统方法,评估处理增益获得了有效提升.

摘要： 在水力压裂施工中,如何有效获取压裂过程中产生的裂缝形态以及裂缝的动态扩展过程一直是困扰学术界和工业界的问题.目前,常规利用微地震事件定位结果进行分析的方法存在需要人工干预、散点信息表示能力不足等问题;采用数值模拟分析的方法往往因复杂的地下介质情况而引入计算偏差.本文基于非监督学习算法,通过提取微地震事件的空间和时间信息,实现对裂缝平面的识别以及裂缝网络拓展路径的分析;并通过引入水力压裂岩石物理实验,利用实际监测获得的声发射数据以及对应的真实破裂情况的CT扫描数据,检验方法的可行性.最终结果表明,本文所提方法对主断裂有较好的识别效果,识别结果与CT扫描的真实结果吻合性较好.

摘要： 针对现有背景 建模算法难以处理复杂前景及间歇性运动前景的问题,提出了一种基于非监督学习的背景 建模算法(改进的BM-Unet算法).该算法结合光流法和Pearson相关系数在视频帧上提取背景 关注区域,以此优化网络训练集和损失函数,从而有效提高了该算法在复杂前景情况和前景停留情况下的适应性;在此基础上,为进一步提高背景 生成的精确度,又提出了一种堆叠Unet网络架构BM-SUnet(background modelling stacked Unet).在SBMnet数据集上与现有算法在可视化效果和评估参数两方面的比较结果表明,所提算法在复杂前景和间歇运动前景情况下建模准确性好且鲁棒性高的结论.

摘要： 针对海上军民用船舶行为监视的问题,提出了一种基于非监督学习的海上目标行为分析技术.首先,采用航迹过滤、坐标变换、航迹抽稀的方法对原始数据进行预处理;然后,使用密度空间聚类算法,将航迹线段进行聚类,关联相似的航迹线段,剔除异常航迹线段,针对聚类后航迹数据进行网格训练,生成在各个网格区域的数量、航向和航速规律特征;最后,通过试验结果表明该技术能够有效提取海上目标运动行为特征,辅助对船舶异常行为监控计算.

摘要： 本文提出一种基于卷积深度神经网络多层架构的,以脉冲神经元为独立计算单元和非监督学习方式为目标标定方式的图像分类网络,相较于传统卷积深度神经网络实现了较大程度上的神经元数目压缩和学习参数压缩,同时通过在数个不同数据集上的实验对该网络相关参数实现调优,最终在Caltech face/motorbike dataset数据集上达到了81％的准确率,验证了本模型的正确性.

摘要： 密度峰值聚类算法(DPC)是一种基于密度的非监督学习算法.分析用电类型复杂的电力负荷数据集时,存在负荷曲线聚类效果过分依赖人为参数设定和无法识别潜在用电模式的缺陷.结合非参数核密度估计,使用带宽搜索与边界优化提出一种适应多类型复杂用户的电力负荷数据优化聚类算法.在某市10KV真实数据集中进行算法测试,使用Davies-Bouldin有效性指标对比优化前后算法聚类效果.结果表明改进算法在面向用户类型复杂的电力数据集时,能够实现已知用电模式精确识别与潜在用电模式的深度挖掘并显著提高聚类有效性.

摘要： 为了研究大数据分析方法在电梯故障诊断与预测中的可行性,首先收集了海量的电梯检验数据,并对其中有关电梯轿厢振动的数据进行了特征参数的提取;然后构建了采用大数据分析方法诊断与预测电梯故障隐患的总体方案,通过监督学习与非监督学习的数据挖掘手段,对所提取到的电梯轿厢振动特征参数进行了充分的数据挖掘与分析,找出了电梯机械系统各种故障隐患与电梯运行时轿厢振动监测信号之间的内在关系,最终根据电梯轿厢振动特征量的大小及其变化趋势,诊断和预测电梯机械系统的各种故障隐患.研究结果表明:大数据分析方法可准确地对电梯机械系统故障进行诊断与预测.

摘要： 深度学习作为图像识别领域重要的技术手段,有着广阔的应用前景,开展图像识别技术研究对推动计算机视觉及人工智能的发展具有重要的理论价值和现实意义,文中对深度学习在图像识别中的应用给予综述.介绍了深度学习的由来,具体分析了深度信念网络、卷积神经网络、循环神经网络、生成式对抗网络以及胶囊网络等深度学习模型,对各个深度学习模型的改进型模型逐一对比分析.总结近年来深度学习在人脸识别、医学图像识别、遥感图像分类等图像识别应用领域取得的研究成果并探讨了已有研究值得商榷之处,对深度学习在图像识别领域中的发展趋势进行探讨,指出有效使用迁移学习技术识别小样本数据,使用非监督与半监督学习对图像进行识别,如何对视频图像进行有效识别以及强化模型的理论性等是该领域研究的进一步方向.

摘要： 2013年，RSA, E M C和NEU以EMC企业网环境为基础，联合进行了大数据安全解析实验，据称该实验在当时是实际环境下大数据安全解析的首例应用。由于缺乏异常行为数据，项目采用了非监督学习的聚类算法。采用PCA(Principal Component Analysis)方法消除特征i7的依赖关系、降低计算维度，采用了改进的K-means算法，进行聚类。提出了应加强内部威胁管理以及数据泄漏监控和保护。

摘要： SOM是一种非监督学习的神经网络,其特点在于能把高维数据映射到低维数组,通常是二维数组.因此SOM能够提供给研究者二维可视信息,这对于数据的分析能提供直观描述.然而按传统的SOM构建方法往往不能得到边界清晰的网络,而且多次训练得到的网络其类别区域划分不一致.这对于SOM的精确使用是不利的.本文提出一种适用于类别已知问题的SOM构建方案,新方案要求标准化地确定网络结构和初始权值.实验表明通过这一方案构建的SOM能够为数据类别分析提供更好的可视性,网络区域划分更加稳定,训练速度也有一定提高.

摘要： 聚类分析作为一种非监督学习方法，是智能计算领域中的一个重要的研究方向。同时，聚类技术也是数据挖掘中进行数据处理的重要分析工具和方法。聚类模型和聚类算法的设计是整个聚类分析过程中最关键的步骤，设计不同的聚类模型，就可以得到不同的聚类算法。目前出现的聚类算法主要有：基于层次的方法、基于划分的方法、基于密度的方法和基于网格的方法等。本文给出了信息粒藕合度测度与贴近度测度的定义，提出了一种新的基于粒度分析原理的模糊聚类算法。该算法利用基于确定类别数的最大最小距离算法构造初始聚类中心，引入隶属度矩阵调整聚类中心，采用模糊迭代方法得到较优的聚类结果。

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： 图像分割是数字图像处理的一项重要内容.本文将基于高斯混合模型的退火EM算法应用于非监督图像分割.由于退火EM算法具有自动探测数据中类别数的功能,通过使用通火EM算法则能够在图像中自动确定其对象的个数,并得到较好的分割效果.实验表明,应用退火EM算法进行图像分割是可行、有效的.

摘要： 图像分割是数字图像处理的一项重要内容.本文将基于高斯混合模型的退火EM算法应用于非监督图像分割.由于退火EM算法具有自动探测数据中类别数的功能,通过使用通火EM算法则能够在图像中自动确定其对象的个数,并得到较好的分割效果.实验表明,应用退火EM算法进行图像分割是可行、有效的.

摘要： 图像分割是数字图像处理的一项重要内容.本文将基于高斯混合模型的退火EM算法应用于非监督图像分割.由于退火EM算法具有自动探测数据中类别数的功能,通过使用通火EM算法则能够在图像中自动确定其对象的个数,并得到较好的分割效果.实验表明,应用退火EM算法进行图像分割是可行、有效的.

摘要： 图像分割是数字图像处理的一项重要内容.本文将基于高斯混合模型的退火EM算法应用于非监督图像分割.由于退火EM算法具有自动探测数据中类别数的功能,通过使用通火EM算法则能够在图像中自动确定其对象的个数,并得到较好的分割效果.实验表明,应用退火EM算法进行图像分割是可行、有效的.

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： 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。

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。