Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 748

年份

2024 1

2023 83

2022 74

2021 66

2020 58

2019 65

2018 49

2017 59

2016 32

2015 15

2014 16

2013 21

2012 14

2011 15

2010 8

2009 10

2008 19

2007 21

2006 24

2005 25

展开︾

关键词

机器学习 27

深度学习 15

人工智能 11

神经网络 7

半旱地农业 3

3D打印 2

DX桩 2

农业节水 2

决策规则 2

动力学 2

动态规划 2

化学反应 2

参数估计 2

可再生能源 2

固体氧化物燃料电池 2

增材制造 2

强化学习 2

悬索桥 2

指标体系 2

展开︾

检索范围：

排序：展示方式：

学习挑选伪标签：一种用于命名实体识别的半监督学习方法 Research Articles

李真真,冯大为,李东升,卢锡城

《信息与电子工程前沿（英文）》 2020年第21卷第6期页码 809-962 doi: 10.1631/FITEE.1800743

摘要：深度学习模型在命名实体识别（NER）中实现了最先进的性能；然而，其良好性能很大程度上依赖于大量标记数据。在某些特定领域，例如医学、金融和军事领域，标记数据非常稀缺，而未标记数据则很容易获得。本文提出一种用于NER任务的半监督方法，其通过学习一个判别模块筛除错误伪标签，以创建高质量标注数据。伪标签是为未标记数据自动生成的标签，并被当作真实标签用来训练模型。该半监督框架包括3个步骤：为特定NER任务构建最佳单神经网络模型，学习一个评价伪标签的模块，以及迭代创建新的标记数据和改进NER模型。两个英语NER任务和一个中文医疗命名实体识别任务的实验结果表明，该方法进一步提高了最佳单神经模型的性能。当仅使用预训练的静态词嵌入且不依赖任何外部知识时，该方法可获得与CoNLL-2003和OntoNotes 5.0英语NER任务上最先进模型相当的性能。

关键词：命名实体识别；无标注数据；深度学习；半监督学习方法

HTML PDF 收藏

NGAT：基于广度和深度探索注意力机制的半监督图表示学习 Research Articles

胡荐苛,张引

《信息与电子工程前沿（英文）》 2022年第23卷第3期页码 409-421 doi: 10.1631/FITEE.2000657

摘要：近年来图神经网络（GNN）在图结构数据表示学习方面取得显著成绩。然而，随着网络层数增加，由于过度平滑问题，基于邻域信息聚合策略的GNN性能恶化，这也是GNN应用于真实图的主要瓶颈。为缓解过度平滑，本文提出一种嵌套的图注意网络，即基于双重注意力机制的多尺度特征融合模型NGAT，该网络可以半监督形式工作。本文在公开数据集上对比了现有图神经网络模型，实验表明本文提出的NGAT模型具备更强的节点嵌入学习能力。

关键词：图学习；半监督学习；节点分类；注意力机制

HTML PDF 收藏

半监督堆叠距离自动编码器的表征学习在图像分类上的应用 Research Articles

侯亮,罗潇逸,汪子扬,梁军

《信息与电子工程前沿（英文）》 2020年第21卷第7期页码 963-1118 doi: 10.1631/FITEE.1900116

摘要：图像分类是深度学习的重要应用。在典型分类任务中，分类精度与通过深度学习方法提取的特征密切相关。自动编码器是一种特殊神经网络，常用于降维和特征提取。本文所提方法基于传统的自动编码器，将不同类别样本之间的“距离”信息纳入其中。该模型被称为半监督距离自动编码器。首先以无监督方式对每一层进行预训练。在随后的监督训练中，将优化的参数设置为初始值。将所提半监督距离自动编码器方法分别与传统自动编码器、稀疏自动编码器和监督自动编码器比较，实验结果证明该模型有效。

关键词：自动编码器；图像分类；半监督学习；神经网络

HTML PDF 收藏

面向强化学习自动驾驶模型的异步监督学习预训练方法 Research Articles

王云鹏,郑坤贤,田大新,段续庭,周建山

《信息与电子工程前沿（英文）》 2021年第22卷第5期页码 615-766 doi: 10.1631/FITEE.1900637

摘要：强化学习训练需要大量训练数据，然后模型才能达到合理的性能要求，这使得基于强化学习的模型不适用于现实环境，尤其在数据昂贵的情况下。本文为基于强化学习的端到端自动驾驶模型提出一种异步监督学习（asynchronous supervised learning，ASL）方法，以解决在实际环境中训练基于强化学习模型时初始性能差的问题。具体而言，通过在多个驾驶演示数据集上并行且异步执行多个监督学习过程，在异步监督学习预训练阶段引入先验知识。本文在赛车模拟器TORCS（The Open Racing Car Simulator）上对所提出的预训练方法进行评估，以验证该方法在改善强化学习训练阶段端到端自动驾驶模型的初始性能和收敛速度方面足够可靠此外，建立一个实车验证系统，以验证所提预训练方法在实车部署中的可行性。仿真结果表明，在有监督的预训练阶段使用一些演示，可以显著提高强化学习训练阶段的初始性能和收敛速度。

关键词：自主驾驶；自动驾驶车辆；强化学习；监督学习

HTML PDF 收藏

自监督脓毒症治疗推荐算法 Research Articles

朱思涵1,浦剑2

《信息与电子工程前沿（英文）》 2021年第22卷第7期页码 926-939 doi: 10.1631/FITEE.2000127

摘要：本文将强化学习应用于个人治疗推荐，采用对样本不确定性进行建模并评估的方法，根据患者对治疗的反应和状态，将患者样本分为两个域，然后使用辅助迁移学习任务重建两个域的样本，使用特权学习的蒸馏方法与用于迁移学习的变分自动编码器框架关联低质量域和高质量域间的任务通过结合自监督方式获得更好的状态和动作表示，本文提出一种针对引起较高风险的不确定性进行控制的深度强化学习方法；模型提供一定的灵活性使之可以在不同场景对模糊样本做出保守预测或明确判断，并降低预期死亡率。

关键词：治疗推荐；脓毒症；自监督学习；强化学习；电子病历

HTML PDF 收藏

基于回归预测集成学习的交互式图像分割 Article

Jin ZHANG, Zhao-hui TANG, Wei-hua GUI, Qing CHEN, Jin-ping LIU

《信息与电子工程前沿（英文）》 2017年第18卷第7期页码 1002-1020 doi: 10.1631/FITEE.1601401

摘要：对于复杂场景下的自然图像，全自动图像分割方法难以获得与真实情况吻合的结果，人们常常采用交互式分割手段实现精确分割。然而，当前及背景中存在颜色相似的区域时，传统半监督图像分割方法只能通过大量增加手工标记获得精确分割结果。为此，本文提出一种结合半监督学习的基于回归预测的集成学习交互式图像分割方法。首先，基于已标记样本训练出两个在属性上互补的多元自适应回归样条学习器（multivariate adaptive regression splines, MARS）和薄板样条回归学习器（thin platespline regression, TPSR）；接着，提出一种基于聚类假设和半监督学习的回归器增强算法，该算法从未标记样本中抽选部分样本辅助训练MARS和TPSR；然后，引入支持向量回归方法（support

关键词：交互式图像分割；多元自适应回归样条；集成学习；薄板样条回归；半监督学习；支持向量回归

HTML PDF 收藏

集成增强主动学习混合判别分析模型及其在半监督故障分类中的应用 Research Article

王伟俊1,王云2,王君1,方信昀3,何雨辰1

《信息与电子工程前沿（英文）》 2022年第23卷第12期页码 1814-1827 doi: 10.1631/FITEE.2200053

摘要：为了解决这个难题，本文提出一种新的半监督故障分类方法，其中每个未标记样本相对于特定标记数据集的价值采用增强的主动学习来评估。具有高价值的未标记样本将作为训练数据集的补充信息。最后，通过数值例子和田纳西伊士曼过程（TEP）评估了该方法的故障分类有效性。

关键词：半监督；主动学习；集成学习；混合判别分析；故障分类

HTML PDF 收藏

联邦无监督表示学习 Research Article

张凤达1,况琨1,陈隆1,游兆阳1,沈弢1,肖俊1,张寅1,吴超2,吴飞1,庄越挺1,李晓林3,4,5

《信息与电子工程前沿（英文）》 2023年第24卷第8期页码 1181-1193 doi: 10.1631/FITEE.2200268

摘要：为利用分布式边缘设备上大量未标记数据，我们在联邦学习中提出一个称为联邦无监督表示学习(FURL)的新问题，以在没有监督的情况下学习通用表示模型，同时保护数据隐私。我们采用对比方法进行局部模型训练，通过在3个数据集上独立同分布和非独立同分布设定下的大量实验，我们证明FedCA以显著的优势优于所有基线方法。

关键词：联邦学习；无监督学习；表示学习；对比学习

HTML PDF 收藏

融合自监督图学习与目标自适应屏蔽的会话型推荐方法 Research Article

王祎童,蔡飞,潘志强,宋城宇

《信息与电子工程前沿（英文）》 2023年第24卷第1期页码 73-87 doi: 10.1631/FITEE.2200137

摘要：为了解决上述问题，本文提出一种融合自监督图学习与目标自适应屏蔽的会话型推荐方法(SGL-TM)。具体来说，首先根据所有涉及到的会话构建全局图，然后从物品之间的全局连接中捕捉自监督信号，用来监督模型生成当前会话中准确的物品表示。之后，通过比较真值与经过我们设计的目标自适应屏蔽模块调整后的物品的预测分数来计算主监督损失。最后，将主监督组件与辅助自监督模块相结合，以获得用来优化模型参数的最终损失。

关键词：会话型推荐；自监督学习；图神经网络；目标自适应屏蔽

HTML PDF 收藏

基于自适应置信度校准的交互式医疗图像分割框架

沈楚云,李文浩,徐琪森,胡斌,金博,蔡海滨,朱凤平,李郁欣,王祥丰

《信息与电子工程前沿（英文）》 2023年第24卷第9期页码 1332-1348 doi: 10.1631/FITEE.2200299

摘要：基于人机交互的医疗图像分割方法是一种新的范式，其通过引入专家交互信息来指导算法完成图像分割任务。为更好地利用不同时间尺度上的交互信息，本文提出一种基于自适应置信度校准的交互式医疗图像分割框架MECCA，其结合了基于分割决策的置信度学习技术和多智能体强化学习技术，并通过预测分割决策与短期交互信息的对齐水平来学习一个新颖的置信度网络

关键词：医疗图像分割交互式分割多智能体强化学习置信度学习半监督学习

HTML 收藏

基于主动学习的不确定性感知补标签查询 Perspective

刘圣源1,陈珂2,胡天磊1,毛云青3

《信息与电子工程前沿（英文）》 2023年第24卷第10期页码 1497-1503 doi: 10.1631/FITEE.2200589

摘要：许多主动学习方法假设学习者可便捷地向注释者询问训练数据的完整标注信息。这些方法主要试图通过最小化标注数量降低标注成本。然而，对于许多现实中的分类任务来说，精确标注实例仍然非常昂贵。为降低单次标注行为成本，本文试图解决一种新的主动学习范式，称为具有补标签的主动学习（ALCL）。ALCL学习器只针对样例特定类别提出是或否的问题。在收到标注者答案后，ALCL学习器获得一些有监督实例和更多具有补标签的训练实例，这些补标签仅表示对应标签与该实例无关。。针对第一个问题，在主动学习范式下提出一种基于不确定性的抽样策略。针对第二个问题，改进了一种已有的ALCL方法，同时适配了我们的抽样策略。在各种数据集上的实验结果验证了本文方法的有效性。

关键词：主动学习；图片分类；弱监督学习

HTML PDF 收藏

基于学习方法的三维医学图像压缩质量控制参数预测 Research Articles

侯宇轩1,任重1,陶煜波1,陈为2

《信息与电子工程前沿（英文）》 2021年第22卷第9期页码 1169-1178 doi: 10.1631/FITEE.2000234

摘要：其中，量化参数（QP）对HEVC的压缩质量控制起决定性作用，如能对其精确预测，就能完成质量控制的目标；然而，直接将视频压缩领域中的预测方法套用到三维医学数据压缩，精度和效率无法取得令人满意的结果。为此，提出一种基于学习的参数预测方法，用于实现三维医学图像压缩中的高效质量控制。本文方法基于支撑向量回归（SVR），可以直接利用从原始数据中提取的基于视频的特征与基于结构的特征来预测最佳QP，无需经过耗时长的预编码或迭代过程。在若干数据集上的实验结果证明，本文方法比现有方法在预测准确度和速度上表现更好。

关键词：医学图像压缩；高效视频编码（HEVC）；质量控制；基于学习方法

HTML PDF 收藏

埋入式传感、图像处理技术和机器学习方法在路面监测与分析中应用的最新研究进展 Review

侯越, 李秋晗, 张晨, 陆国阳, 叶周景, 陈逸涵, 汪林兵, 曹丹丹

《工程（英文）》 2021年第7卷第6期页码 845-856 doi: 10.1016/j.eng.2020.07.030

摘要：埋入式传感器、图像处理和机器学习是目前常用的三种路面结构动力响应监测技术和分析方法。本文综述了近年来上述三种技术在路面工程中的应用现状，并阐述了这些技术在未来路面工程监测与分析中的发展方向。

关键词：路面监测与分析最新的研究进展埋入式传感器图像处理技术机器学习方法

HTML PDF 收藏

模糊中心聚类的模式识别学习方法

曾黄麟,袁慧,刘小芳

《中国工程科学》 2004年第6卷第11期页码 33-37

摘要：

基于一个约束条件下的非线性规划问题的优化计算思想，把模糊中心聚类中计算输入矢量与中心的距离来实现聚类作为一种优化计算问题，证明了模糊中心聚类方法，取一个适当的属函数，其聚类中心vi为模糊聚类中心价值函数的极小值，推导出了基于模糊中心聚类的模式识别的无导师递推学习方法，提出了模糊中心聚类模式分类神经网络结构，该网络可以实现并行数据处理和模式分类的软划分和硬划分。

关键词：模糊中心聚类模式识别神经网络

HTML PDF 收藏

联合局部学习和组稀疏回归的无监督特征选择 Regular Papers

Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU

《信息与电子工程前沿（英文）》 2019年第20卷第4期页码 538-553 doi: 10.1631/FITEE.1700804

摘要：通过挑选特征子集，可有效提升学习算法效率。由于难以获取标签信息，无监督特征选择算法相较于有监督特征选择算法应用更为广泛，其关键在于找出更能反映数据分布的特征集合。为解决这一问题，本文提出联合局部学习和组稀疏回归的无监督特征选择算法。将基于局部学习聚类方法与组稀疏回归算法有机整合，选出有效反映数据流形分布同时保持组稀疏结构的特征。

关键词：无监督；局部学习；组稀疏回归；特征选择