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 1127

会议视频 47

会议信息 22

会议专题 1

年份

2023 96

2022 106

2021 106

2020 80

2019 86

2018 71

2017 81

2016 45

2015 38

2014 43

2013 28

2012 32

2011 34

2010 45

2009 22

2008 27

2007 40

2006 34

2005 43

2004 35

展开︾

关键词

机器学习 27

人工智能 16

深度学习 15

风险分析 9

能源 8

2020 7

系统集成 7

影响因素 6

故障诊断 6

智能制造 6

神经网络 6

农业科学 5

可持续发展 5

大数据 5

ANSYS 4

仿真技术 4

分析 4

分类 4

数值模拟 4

展开︾

检索范围：

排序：展示方式：

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：故障分类作为过程监控中不可缺少的部分，其性能高度依赖于过程知识的充分性。然而，由于采样条件有限及实验室分析昂贵，数据标签总是难以获取，这可能导致分类性能下降。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

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。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。为获得更好性能，使用堆叠式模型代替具有单一隐含层的传统自动编码器结构。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

基于带约束最大间隔的贝叶斯分类器判别学习方法 None

Ke GUO, Xia-bi LIU, Lun-hao GUO, Zong-jie LI, Zeng-min GENG

《信息与电子工程前沿（英文）》 2018年第19卷第5期页码 639-650 doi: 10.1631/FITEE.1700007

摘要：提出一种新的面向贝叶斯模式分类的判别学习方法，称作“带约束的最大间隔（CMM）方法”。通过计算正样本最小决策值和负样本最大决策值的差异，定义类别之间的类别间隔。基于该类别间隔和正确分类的约束，将间隔函数学习问题转化为最大化类别间隔问题。利用序列无约束最小化技术解决该非线性规划问题。运用CMM方法得到基于高斯混合模型的贝叶斯分类器，并在10个UCI数据集上进行实验。结果表明，利用CMM方法得到的分类器分类性能，明显优于代表性的生成式学习方法期望最大化（EM）和判别式学习方法支持向量机（SVM），并且在多个数据集上取得了相比之前最优结果更好的效果。分类实验和分类器对比实验证明，CMM方法有效，具有一定应用前景。

关键词：判别学习；统计建模；贝叶斯分类器；高斯混合模型；UCI数据集

HTML PDF 收藏

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。

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

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：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。通过集成两个互补的样条回归函数，将图像分割视为一个非线性预测问题。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（supportvector regression, SVR）集成MARS和TPSR的预测结果；最后，对SVR集成结果进行GraphCut图像分割。

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

无监督域自适应的动态参数化学习 Research Article

蒋润华1,2,韩亚洪1,2

《信息与电子工程前沿（英文）》 2023年第24卷第11期页码 1616-1632 doi: 10.1631/FITEE.2200631

摘要：无监督领域自适应通过学习域不变表示实现神经网络从有标签数据组成的源域到无标签数据组成的目标域迁移。近期研究通过直接匹配这两个域的边缘分布实现这一目标。然而，已有研究大多数忽略域对齐和语义判别学习之间的动态平衡，因此容易受负迁移和异常样本影响。为解决这些问题，引入动态参数化学习框架。首先，通过探索领域级语义知识，提出动态对齐参数自适应地调整域对齐和语义判别学习的优化过程。此外，为获得判别能力强和域不变的表示，提出在源域和目标域上对齐优化过程。

关键词：无监督领域自适应；优化步骤；跨域判别表示；语义判别

HTML PDF 收藏

词加权有监督主题模型：多标签文本分类 None

Yue-peng ZOU, Ji-hong OUYANG, Xi-ming LI

《信息与电子工程前沿（英文）》 2018年第19卷第4期页码 513-523 doi: 10.1631/FITEE.1601668

摘要：有监督主题模型已成功应用于多标签文本分类任务。代表性模型包括有监督隐含狄利克雷分配模型（labeled latent Dirichlet allocation，L-LDA）和判别隐含狄利克雷分配模型（dependency-LDA）。这些已有模型忽略单词类别频率信息，即训练集中单词出现的类别数量，对分类任务的影响。CF-weight方法基于如下假设：具有较高（或较低）类别频率的单词在分类问题中具有较低（或较高）判别力。将CF-weight方法应用于L-LDA和dependency-LDA模型。实验结果表明，相比传统有监督主题模型，基于CF-weight的模型在多标签分类性能上具有优势。

关键词：有监督主题模型；多标签分类；类别频率；有监督隐含狄利克雷分配模型；判别隐含狄利克雷分配模型

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。

关键词：联邦学习；无监督学习；表示学习；对比学习

HTML PDF 收藏

一种观点挖掘新词语权重过程性能分析 Article

G. R. BRINDHA,P. SWAMINATHAN,B. SANTHI

《信息与电子工程前沿（英文）》 2016年第17卷第11期页码 1186-1198 doi: 10.1631/FITEE.1500283

摘要：基于不同主题的信息通常包含了主观的定性词语，需要经过统计分析转换为可用的定量数据。这些数据如不恰当处理则会影响观点的正确表达。每个观点相关词的主要表义各有不同。为将词的语义转换为数据并加强对观点挖掘的分析，我们提出了一种新颖的加权方案，称为词权重推测法（inferred word weighting, IWW）。相对已有的方法，本文提出的加权方法从分析的视角上为词语提供了合适的权重。此外，通过对包含停用词的文本分类的性能研究，提供了另一种校验方法，作为对所提出的新加权方法的补充。将包含停用词这一新概念应用于本文提出的加权方法和已有加权方法，可观察到2个现象：（1）文本分类性能增强；（2）包含停用词与否，所造成的文本处理结果的差异在所提出的方法中较小，而在已有方法中较大。基于基准数据集的实验结果表明所提出的方法在分类精度上具有优化潜力。

关键词：词权重推测法；观点挖掘；监督分类法；支持向量机；机器学习

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

交互式可视化标注与主动学习：实验比较 Research

Mohammad CHEGIN, Jürgen BERNARD, Jian CUI, Fatemeh CHEGINI, Alexei SOURIN, Keith Keith, Tobias SCHRECK

《信息与电子工程前沿（英文）》 2020年第21卷第4期页码 524-535 doi: 10.1631/FITEE.1900549

摘要：监督式机器学习方法可自动分类新数据，且对数据分析非常有帮助。监督式机器学习的质量不仅依赖于使用的算法类型，也依赖于用于训练分类器的标注数据集的质量。训练数据集中的标注实例通常依赖于专业分析人员的手工选择与注释，且通常是一个单调与耗时的过程。标签可以在学习过程中为主动学习算法提供有用的输入，以自动确定数据实例的子集。交互式可视化标注技术是有前景的选择，它提供有效的视觉概览，分析人员可从中同时查看数据记录与选择项目标签。将分析人员置于循环中，生成的分类器可得到更高准确率。本文使用mVis工具标注一个多元数据集以比较3种交互式可视化技术（相似图、散点矩阵与平行坐标图）以及主动学习。结果表明3种交互式可视化标注技术的分类准确率均高于主动学习算法，相对于散点矩阵与平行坐标图，用户主观上更偏爱使用相似图标注。用户也可以根据使用的可视化技术采用不同标注策略。

关键词：交互式可视化标注；主动学习；可视分析

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

HTML PDF 收藏

基于两级层次特征学习的图像分类方法 Article

Guang-hui SONG,Xiao-gang JIN,Gen-lang CHEN,Yan NIE

《信息与电子工程前沿（英文）》 2016年第17卷第9期页码 897-906 doi: 10.1631/FITEE.1500346

摘要：概要：在图像分类任务中，不同类别之间的相似度是不同的，样本经常被误分到相似度较高的类别中。为了区分高度相似类别中的样本，需要更加具体的图像特征，以便于分类器能够提高分类性能。本文提出了一种新颖、有效的基于深度卷积神经网络的两级层次特征学习框架。首先，不同层次的深度特征抽取器使用迁移学习方法进行训练。然后，从全部类别中抽取的通用特征和从高度相似类别中抽取的具体特征被融合成一个特征向量，并将其输入线性分类器进行分类。最后，基于Caltech-256、Oxford Flower-102和Tasmania Coral Point Count三个图像数据集的实验证明，通过两级层次特征学习的深度特征的表达能力十分强大，与传统的扁平多分类方法相比，我们提出的方法能有效的提高分类精度。

关键词：迁移学习；特征学习；深度卷积神经网络；层次分类；谱聚类