智能系统学报

浅谈超级认知智能

唐杰 — 2023年09月05 00:00

基于强化学习的水下高速航行体纵向运动控制研究

白涛, 董勤浩, 冯梓昆, 李雪华 — 2023年09月05 00:00

水下高速航行体由于空泡特性导致其数学模型存在强非线性和强不确定性，经典控制方法如线性二次型调节控制（linear quadratic regulator, LQR）、切换控制等很难实现有效控制。针对水下高速航行体模型难以准确解耦或线性化处理；经典控制方法难以充分考虑水下环境复杂多变性以及在应对扰动时控制器可能会出现过饱和现象的问题，采用智能控制中的强化学习算法，使用在不基于准确模型的条件下与环境不断探索与交互得到控制策略的策略，完成了深度确定性策略梯度（deep deterministic policy gradient,DDPG）智能体控制器的设计。实验结果证明，设计的控制器能够保证水下高速航行体纵向运动的稳定控制，在执行器不超过饱和范围内能够应对扰动并完成下潜控制任务，具有较强的鲁棒性和更好的适应性。

多尺度特征融合的双判别器残差生成对抗网络

管凤旭, 路斯棋, 郑岩 — 2023年09月05 00:00

生成对抗网络(generative adversarial networks, GANs)作为一类基于深度学习的无监督生成模型，无需对数据分布进行建模便可以生成真实且质量较高的图像。标准的GANs往往训练困难，常出现梯度消失、梯度爆炸或者模式崩溃等问题，限制模型的性能。为解决模式崩溃问题，本文提出一种双判别器结构来提高模型生成图像的多样性。另外，本文改进了生成器模型和判别器模型，提出一种基于残差网络和多尺度特征融合的生成器和基于多尺度特征融合的判别器，在提高生成图像质量的前提下解决深层网络出现的梯度消失、梯度爆炸的问题。将其应用于MNIST、LSUN、CelebA数据集上，训练结果稳定且生成图像质量较高，取得了令人满意的FID和IS值。

知识推理框架下的改进自组织映射方法设计

杨伟凯, 王艳 — 2023年09月05 00:00

随着互联网技术的快速发展，在智能制造过程中会伴随着出现海量的工艺知识数据，为了提升对工艺数据的充分利用和掌握，提出一种知识推理框架下的改进自组织映射算法。在协同训练的思想下，对于知识库当中的工艺知识数据进行自组织映射网络下的筛选优胜，提高优胜单元的抗局部最优能力；利用改进自组织映射算法对特征优胜单元进行知识推理准则判断，在向量空间的映射下，通过双曲空间距离公式优选出置信度高的样本数据进行更新子代样本集；为了进一步提升特征信息的利用率，在知识推理框架下多次循环筛选提高工艺知识数据的有效预测。通过对铣削过程中真实数据进行建模仿真，验证了所提方法在面对多样本数据情况下的良好预测优化的性能。

注意力机制和图卷积神经网络引导的谱聚类方法

陈容珊, 高淑萍, 齐小刚 — 2023年09月05 00:00

经典的谱聚类算法需要计算图拉普拉斯矩阵的特征分解，代价昂贵，学者们将深度学习模型引入谱聚类算法。然而，现有的方法存在一定的局限性。针对现有聚类模型忽略了节点间的关联度信息，导致聚类结果不准确；当图神经网络中的节点数目发生变化时，需要更新整张图，耗费大量存储空间的问题，本文将注意力机制与改进的图卷积神经网络架构相结合，提出了一种基于注意力和图卷积神经网络的谱聚类方法。该方法主要利用注意力机制引导节点聚类，然后建立相应的目标，通过训练神经网络计算出目标最优时对应的聚类分配，并在图重构过程中利用注意力信息和拓扑信息双重引导，从而提升重构的精确度。实验结果显示，本文提出的方法在图分类、图聚类及图重构中具有良好性能。

面向模糊C均值算法的MAME聚类有效性指标

唐益明, 陈仁好, 李冰 — 2023年09月05 00:00

聚类有效性指标可用来评估聚类结果的有效性，并且帮助判别聚类的类别数。现有的面向模糊C均值算法的聚类有效性指标存在对于类内紧致性的刻画不太到位、对于类间分离性的度量刻画不够准确的问题。为此，基于类内紧致性和类间分离性两个角度着手设计，提出了一种新的模糊聚类有效性指标——考虑最大值和均值的指标（maximum-mean，MAME）。首先，考虑了整个数据集的综合特征，计算分别分为K类和1类的情况的比值，提出了一种新的模糊紧致性度量表达式。其次，引入最大聚类中心距离和平均聚类中心距离，提出了一种新的分离性度量方法。最后，从模糊紧致性度量表达式、分离性度量方法出发，提出了MAME指标。面向5个UCI数据集和6个人工数据集，和9个聚类有效性指标（包括CH、DB、NPC、PE、FSI、XBI、NPE、WLI和I指标）一起进行了对比实验，验证了所提指标的准确性、稳定性，说明了MAME指标的鲁棒性较好。

基于自注意力机制与卷积ONLSTM网络的软测量算法

2023年09月05 00:00

针对实际工业过程的非线性和动态性特点，并考虑过程变量中存在的冗余信息，提出一种带自注意力机制的卷积有序神经元长短时记忆网络(ordered neurons long short-term memory, ONLSTM)多层时序预测模型。首先利用卷积神经网络降低局部特征维度，对输入变量进行局部特征提取，并通过构建层级重要性指标对长短时记忆网络(long short-term memory, LSTM)隐藏层神经元进行特定排序，以辨识层级结构信息，提高网络模型的重要信息判断能力；其次将自注意力机制引入ONLSTM网络，根据各输入变量之间内部相关性，自适应地为其分配不同的注意力权重，以提高模型预测性能；最后将模型应用于青霉素发酵过程的产物浓度预测，并与其他先进网络模型进行对比，验证了模型的有效性。

基于深度可分离空洞卷积金字塔的变压器渗漏油检测

2023年09月05 00:00

为了降低影响并提高对变压器渗漏油巡检图像的检测效率，提出一种基于深度可分离空洞卷积金字塔的变压器渗漏油检测模型。首先，将空洞金字塔中普通卷积块修改为深度可分离卷积块，以此扩大金字塔感受野，使特征提取网络提取到的特征图语义信息更加丰富；然后，改进了特征提取阶段低阶语义特征与高阶语义特征融合过程，进一步增强特征提取网络产生特征图的语义信息；最后，为了避免经过多次卷积、池化操作后特征图语义信息的损失，在融合过程中引入空间注意力机制和通道注意力机制，进一步增强特征图中的语义信息。与UNet(convolutional networks for biomedical image segmentation)、PSPNet(pyramid scene parseing network)、DeepLabv3+(encoder-decoder with atrous separable convolution for semantic image segmentation)和MCNN(multi-class convolutional neural network)等算法进行对比实验发现，本文所提出网络检测模型效果好，查准率达到了76.85%，平均交并比达到了64.63%，召回率达到了73.56%，检测速率达到了30 f/s。为了验证本文提出方法的有效性，设计了消融实验，与基础网络模型相比，查准率提高了9.33%，平均交并比提高了7.15%，召回率提高了5.66%。

数据流形边界及其分布条件的增量式降维算法

2023年09月05 00:00

为了解决增量流形学习中的噪声干扰，以及对不同分布状态下的新数据进行流形降维问题，本文提出一种数据流形边界及其分布条件的增量式降维算法（incremental dimensionality reduction algorithm based on data manifold boundaries and distribution state, IDR-DMBDS）。该算法首先分析噪声概率分布同时对数据降噪，确定降噪数据的流形形态为主流形，并在主流形上表征出噪声的分布形式，以此获得近似的原数据流形边界，然后基于流形边界判别新数据的分布状态，最后将分布于原流形形态之上以及之外的新数据分别映射至低维空间。实验表明，该算法能够有效实现基于流形的增量式高维含噪数据的低维特征挖掘。

优化分类的弱目标孪生网络跟踪研究

2023年09月05 00:00

针对传统孪生网络算法对模糊、低分辨率等弱目标跟踪效果不佳的问题，提出了优化分类预测的孪生网络算法。首先通过引入可变形卷积模块，提高骨干网络特征提取能力，其次在分类分支中引入位置信息，提升算法对于目标的识别能力，最后使用轻量级的卷积神经网络进行分类预测和边界预测任务，在规避多尺度测试的同时，进一步利用了图像的语义信息，使跟踪结果具有较高的可信度。在OTB2015、VOT2018公共数据集上进行的大量实验表明，本文算法综合表现优于主流同类算法，对模糊、形变、快速运动等多种复杂场景具有较好的适应性。

基于空时对抗变分自编码器的人群异常行为检测

2023年09月05 00:00

基于视频的人群异常行为检测对提前发现安全风险、预防群体安全事故发生具有重要价值。针对人群异常行为事件的稀少性导致的无法直接充分学习异常样本的表示、异常事件检测精度低的问题，在变分自编码器基础上，提出一种基于预测的空时对抗变分自编码器（spatial-temporal adversarial variational autoencoder, ST-AVAE）视频异常检测模型，通过引入长短期记忆网络（long short-term memory，LSTM）和对抗网络模块，对正常样本视频序列的时间维度与空间维度进行联合特征表示与重构，减少了正常样本重建过程中的特征损失进而扩大了异常样本的预测损失，避免了对异常样本的依赖，实现了基于模型重构误差的人群逃散异常行为检测。在公开数据集UMN及采集视频数据集上进行对比实验，证明ST-AVAE模型在基于监控视频的人群异常逃散行为检测中均具有最优的检测精度和召回率，对抗网络模块显著提升了异常检测的性能。

不平衡小样本基于局部域对抗适应网络的发动机振动预测模型

2023年09月05 00:00

在发动机振动预测中，实际装配数据样本量小且类别不平衡，难以直接建立有效的预测模型。迁移学习方法能够通过迁移源域知识来提高目标域模型性能，为此，本文提出了基于局部域对抗适应网络的发动机振动预测模型。将领域按标签分为多个局部域，通过多个局部域对抗适应网络将目标域样本映射到源域，保证小样本中的少数类得到正确迁移。并通过伪标签来解决目标样本的域转换，使用源域分类器给出可靠的预测结果。本文在多个真实数据集上验证了所提方法的有效性和泛化性，与其他方法相比，振动预测准确率能够平均提升15%左右。

潜在多步马尔可夫概率的鲁棒无监督特征选择

过伶俐, 陈秀宏 — 2023年09月05 00:00

无监督特征选择是机器学习和数据挖掘中的一种重要的降维技术。然而当前的无监督特征选择方法侧重于从数据的邻接矩阵中学习数据的流形结构，忽视非邻接数据对之间的关联。其次这些方法都假设数据实例具有独立同一性，但现实中的数据样本其来源是不同的，这样的假设就不成立。此外，在原始数据空间中特征重要性的衡量会受到数据和特征中的噪声影响。基于以上问题，本文提出了潜在多步马尔可夫概率的鲁棒无监督特征选择方法（unsupervised feature selection via multi-step Markov probability and latent representation, MMLRL），其思想是通过最大多步马尔可夫转移概率学习数据流形结构，然后通过对称非负矩阵分解模型学习数据的潜在表示，最后在数据的潜在表示空间中选择特征。同时在6个不同类型的数据集上验证了所提出算法的有效性。

基于点集匹配的缺陷样本图像生成方法

2023年09月05 00:00

针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题，使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换，使用单张样本进行扩充得到不同特征的缺陷图像，解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证，该方法生成的图像具有更好的视觉效果，并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中，达到扩充样本提高训练效果的目的。

采用轻量级姿态估计网络的脊柱侧弯筛查方法

2023年09月05 00:00

脊柱侧弯是一种复杂的脊柱三维畸形，如不及时矫正将对身体健康产生严重影响。通过拍摄X光片或测量人体表面形貌的方法可以对脊柱侧弯进行筛查，但现有方法存在成本高、效率低且不适用于所有人群等缺点。本文提出了一种采用轻量级姿态估计网络的脊柱侧弯筛查方法，首先，将MobileNetV3的前13层作为轻量级人体姿态估计网络的编码器，经过坐标解码得到关键点的二维坐标。其次，利用各关节点的坐标计算人体姿态的空间特征；最后，用3个SVM（support vector machine）二分类器对脊柱侧弯进行详细分级，并将训练好的姿态估计和脊柱侧弯筛查模型移植到嵌入式平台。实验结果显示，该系统可以对4种不同程度的侧弯进行筛查，准确率分别为93.0%、81.7%、81.3%、86.6%。该方法的提出为脊柱侧弯筛查工作提供了一种便捷解决方案，易于在全民健康普测工作中进行推广。

融合可拓学与在线评论挖掘的产品改进需求识别研究

于志刚, 成思源, 杨雪荣, 谢通 — 2023年09月05 00:00

利用形式化、条理化的手段从在线评论当中挖掘并理清不同类别的产品改进需求是产品改进中亟待解决的问题，考虑到产品设计信息的多层次、多特征性，提出一种基于基元模型的在线评论产品设计信息分层表示及识别产品改进需求的可拓分析方法。利用PYLDA-vis交互式可视化库从在线评论中提取产品要素，将产品要素划分为实体−功能−属性3个层次，并采用物元模型进行分层表达；结合情感倾向点互信息算法计算各个层次用户观点的评价值，借助事元模型对评价值较低的对象特征进行用户需求表达；利用相关网分析方法确定缺陷物元之间的关联关系，蕴含系分析方法找出产品改进需求的实现途径。以一款养生壶的在线评论为例，通过对在线评论的挖掘找到用户对该产品的改进需求，并识别出实现需求的途径。融合可拓学与在线评论挖掘的产品改进需求识别方法可实现用户需求的分层表达，形式化、条理化地理清产品改进设计信息，为识别产品改进途径提供科学依据和有效方法。

多策略融合的改进黏菌算法及其应用

2023年09月05 00:00

针对黏菌算法存在自适应能力有限，抗停滞能力弱等不足，提出多策略融合的改进黏菌算法。采用Bernoulli混沌初始化，丰富种群多样性，提升算法优化精度和收敛速度；提出动态非线性递减策略，动态调节黏菌个体探索幅度，协调并优化算法全局搜索与局部开发能力；结合麻雀算法的预警机制与折射反向学习策略，优化黏菌个体分离觅食过程，防止前期优质个体流失以及后期种群多样性匮乏，提升算法整体抗停滞能力。通过对基准测试函数及部分CEC2017测试函数进行寻优对比实验，测试结果表明改进算法具有更好的寻优精度、稳定性。利用改进算法优化XGBoost参数并将其用于变压器故障诊断，进一步验证了改进策略的有效性及算法的工程实用性。

耦合演化采样和深度解码的可解释网络流量异常检测模型

2023年09月05 00:00

针对现有网络流量异常检测模型缺乏可解释性的问题，本研究提出了耦合演化采样和深度解码的可解释网络流量异常检测模型。首先，引入演化采样学习抽取代表特征样本，依此实现了强可解释性的样本编码过程；其次，构建了可解释的演化采样样本编码过程和不可解释的深度神经网络解码过程的耦合学习模型；最后，使用样本编码结果和重构误差进行异常检测。在NSL-KDD和CICIDS2017数据集上与现有方法的实验比较结果表明，该方法可显著提升模型可解释性和模型规模效率，并能取得与现有最优方法同等水平的检测性能。此外，上述新的学习策略，也可为可解释机器学习方法研究提供一种极具特色的技术方案参考。

双分支跨级特征融合的自然场景文本检测

刘光辉, 张钰敏, 孟月波, 占华 — 2023年09月05 00:00

现有的场景文本检测方法在处理任意形状文本时，由于复杂背景的影响会造成文本区域定位不准确、相邻文本漏检误检的问题，基于此提出一种双分支跨级特征融合的自然场景文本检测方法。首先，以Resnet50为主干网络提取初始特征，设计跨级特征分布增强模块（cross-level feature distribution enhancement module，CFDEM），增强跨级特征文本信息的交互性，提高特征的表达能力；然后，为自适应地选择过滤非文本或冗余特征，降低误检率和漏检率，提出自适应融合策略（adaptive fusion strategy，AFS），利用双分支结构加强不同维度特征之间的联系，优化融合过程；最后，预测阶段采用可微分二值化的方法来生成文本检测结果。所提方法在ICDAR2015、ICDAR2017、Total-Text、CTW1500数据集上进行消融实验，实验结果表明该方法能准确定位文本区域，克服文本漏检误检影响。

面向阿尔茨海默症辅助诊断的多尺度域适应网络

蔡鸿顺, 张琼敏, 龙颖 — 2023年09月05 00:00

针对传统有监督学习忽略了磁共振影像数据（magnetic resonance imaging, MRI）由于个体差异和不同站点等原因导致的特征分布不一致这一域偏移问题，本文提出了一种多尺度域适应网络模型应用于阿尔茨海默症（Alzheimer disease，AD）的辅助诊断。首先在三维卷积神经网络中设计空洞空间金字塔模块进行特征的多尺度信息提取融合，并加入注意力一致性损失来保留域间转移的语义信息；然后协同训练两个域判别器和特征提取器进行对抗学习实现源域和目标域的特征对齐，并加入权重差异损失防止域判别器过拟合；最后，在对抗训练中引入基于最大密度差异的距离度量方法，增强两个域数据的特征对齐。实验结果表明，本文方法在面临域偏移的MRI数据上具有更好的识别精度和鲁棒性。

面向异构分布式机器学习的动态自适应并行加速方法

马翔, 申国伟, 郭春, 崔允贺, 陈意 — 2023年09月05 00:00

分布式机器学习因其优越的并行能力成为人工智能领域复杂模型训练的常用技术。然而，GPU升级换代非常快，异构集群环境下的分布式机器学习成为数据中心、研究机构面临的新常态。异构节点之间训练速度的差异使得现有并行方法难以平衡同步等待和陈旧梯度的影响，从而显著降低模型整体训练效率。针对该问题，提出了一种基于节点状态的动态自适应并行方法(dynamic adaptive synchronous parallel, DASP)，利用参数服务器动态管理节点训练时的状态信息并对节点的并行状态进行划分，通过节点状态信息自适应调整每个节点的并行状态，以减少快速节点对全局模型参数的同步等待时间与陈旧梯度的产生，从而加快收敛效率。在公开数据集上的实验结果表明，DASP比主流方法收敛时间减少了16.9%~82.1%，并且训练过程更加稳定。

深度残差收缩网络的多特征锅炉炉管声波信号故障识别

杨正理, 吴馥云, 陈海霞 — 2023年09月05 00:00

为了提高锅炉炉管声波信号故障识别的学习效果和识别精度，采用特征向量并行和拼接两种融合方式构成特征层，以及平均得分和最大值得分两种融合方式构建决策层等不同信息融合机制，提出基于深度残差收缩网络的多特征锅炉炉管声波信号故障识别方法。首先，考虑锅炉炉管上各声波传感器的差异性，分别计算声波信号谱特征一阶和二阶差分构建三通道特征集作为二维网络的输入特征向量；然后，在卷积神经网络和双向长短时记忆网络基础上引入注意力机制构建基线模型，并采用深度残差收缩网络对二维网络的通道权重进行优化分配，提高模型的故障识别精度。大量实验结果表明：采用特征向量并行融合方式构成特征层的信息融合机制是一种更有效的策略；本文模型的识别精度得到较大程度提高，与基线模型相比较，未加权平均召回率提高了4.32%。

压缩感知重构算法的两步深度展开策略研究

2023年09月05 00:00

针对压缩感知中重构算法的深度展开问题，提出了一种两步深度展开策略(two-step deep unfolding，TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值，TwDU对已有深度展开重构算法增加估计深度，依赖于前两步估计值估计当前展开值。TwDU对已有深度展开算法前两步估计值增加了两个训练权重。训练权重优化利用了信号估计值之间的相关特性，可以随着数据的特性自我学习和调整，所提TwDU策略应用于可学习迭代软阈值算法（learned iterative soft thresholding algorithm, LISTA）、可训练迭代软阈值算法(trainable iterative soft thresholding algorithm ,TISTA)、可学习近似消息传递算法(learned approximate message passing, LAMP）等已有深度展开算法。通过在一维和二维稀疏信号的仿真验证，TwDU策略在重构精度和收敛速度上都更具有明显优势。

融合聚类和小生境搜索的多模态多目标优化算法

2023年09月05 00:00

针对多模态多目标优化中种群多样性难以维持和所得等价Pareto最优解数量不足问题，提出一种融合聚类和小生境搜索的多模态多目标优化算法(multimodal multi-objective optimization algorithm with clustering and niching searching, CSSMPIO)。首先利用基于聚类的特殊拥挤距离非支配排序方法(clustering-based special crowding distance, CSCD)初始化种群；引入自适应物种形成策略生成稳定的小生境，在不同的小生境子空间并行搜索和保持等价Pareto最优解；采用特殊拥挤距离非支配排序策略实现个体选优、精英学习策略避免过早收敛。通过在14个多模态多目标函数上进行测试，并与7种新提出的多模态多目标优化算法进行对比实验以及Wilcoxon秩和检验发现，CSSMPIO的总体性能优于对比算法。最后将算法用于基于地图的测试问题，进一步证明了算法的有效性。