CN109284662B - 一种基于迁移学习的水下声音信号分类方法 - Google Patents

一种基于迁移学习的水下声音信号分类方法 Download PDF

Info

Publication number
CN109284662B
CN109284662B CN201810766508.0A CN201810766508A CN109284662B CN 109284662 B CN109284662 B CN 109284662B CN 201810766508 A CN201810766508 A CN 201810766508A CN 109284662 B CN109284662 B CN 109284662B
Authority
CN
China
Prior art keywords
new
domain
loss
classifier
old
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810766508.0A
Other languages
English (en)
Other versions
CN109284662A (zh
Inventor
王红滨
秦帅
谢晓东
何茜茜
赵昱杰
王念滨
周连科
薛冬梅
蔡新宇
韦正现
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810766508.0A priority Critical patent/CN109284662B/zh
Publication of CN109284662A publication Critical patent/CN109284662A/zh
Application granted granted Critical
Publication of CN109284662B publication Critical patent/CN109284662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种基于迁移学习的水下声音信号分类方法，涉及机器学习技术领域；本发明将数据集之间的分布和领域之间的域不变性结合；在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，最大化域分类器的分类误差，使分类器具有领域不变性。一种基于迁移学习的水下声音信号分类方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN，并且分类越复杂，效果越明显。

Description

一种基于迁移学习的水下声音信号分类方法
技术领域
本发明涉及机器学习技术领域，具体涉及一种基于迁移学习的水下声音信号分类方法。
背景技术
机器学习领域出现了一个重要的问题：当源域样本数据与目标域样本数据的边缘分布或者条件分布不相同或者不完全相同，并且无法获取大量的有效数据去作为模型的训练数据时，怎样训练出一个精度高、稳定性强的模型去预测目标领域的数据。迁移学习这一研究方向因此变得愈发重要。迁移学习是指利用当前领域已经获取到的样本数据对模型参数进行训练，将训练好的模型应用到相关但是并不相同的领域中，对该领域的新数据进行预测的新的机器学习手段。它无需遵守传统机器学习的两个要求，其最终的目标是将已经学习到的知识(参数)迁移到目标领域中去，以解决目标域无法获取足够多的有效的训练数据的问题。
众所周知，由于水下环境的复杂性，近年来众多学者提出的水下声音信号分类方法的分类效果均无法达到理想的分类结果。本发明创新的将迁移学习的方法应用于水下声音信号的分类，试图利用迁移学习去提高分类精度。
发明内容
本发明的目的在于提供一种基于迁移学习的水下声音信号分类方法。
一种基于迁移学习的水下声音信号分类方法，具体过程为：将获取的水下声音信号输入到训练好的迁移学习网络中获取分类号的声音信号；
所述训练好的迁移学习网络的网络参数通过以下方式获得：
步骤一：输入源域数据集xs以及其对应的类标签
Figure GDA0003417615970000011
和域标签
Figure GDA0003417615970000012
目标域数据集xt；学习率σ和最大迭代次数T；类别分类器的初始调整参数值μ＝1和域分类器的初始调整参数值λ＝0；
步骤二：利用卷积神经网络的卷积层和下采样层去提取输入数据的特征，令当前迭代次数i＝0；
步骤三：通过Feature Extraction获取数据特征；通过Category Classifier获取输入样本的预测类标签
Figure GDA0003417615970000013
通过Domain Classifier获取输入样本的预测域标签
Figure GDA0003417615970000014
步骤四：根据实验设置获取数据的mini_batches；
步骤五：使用源域数据集xs以及其对应的类标签
Figure GDA0003417615970000021
和域标签
Figure GDA0003417615970000022
目标域数据集xt以及上面得到的预测类标签
Figure GDA0003417615970000023
和域标签
Figure GDA0003417615970000024
去最优化网络的参数Θ；
步骤六：使用优化后的网络去预测目标域数据集xt，并获得
Figure GDA0003417615970000025
步骤七：分别求出本次模型的类分类损失C_lossnew和域分类损失D_lossnew；
步骤八：分别计算本次损失与上次损失的差值：Cmin US＝C_lossnew-C_lossold，Dmin US＝D_lossnew-D_lossold；
步骤九：根据差值动态调整参数值：如果Cmin US≤0&&Dmin US≥0，则执行步骤十，否则执行步骤十三；
步骤十：如果i≤T/2，则执行步骤十一，否则执行步骤十二；
步骤十一：μnew＝μold+0.05；λnew＝1-μnew；
步骤十二：μnew＝μold-0.05；λnew＝1-μnew；
步骤十三：如果Cmin US≥0&&Dmin US≥0，则μnew＝μold-0.1，λnew＝1-μnew；
步骤十四：如Cmin US≤0&&Dmin US≤0，则μnew＝μold+0.1，λnew＝1-μnew；
步骤十五：如果i≤T/2，则执行步骤十六，否则执行步骤十七；
步骤十六：μnew＝μold+0.15，λnew＝1-μnew；
步骤十七：μnew＝μold-0.15，λnew＝1-μnew；
步骤十八：判断
Figure GDA0003417615970000026
如果不满足，则i＝i+1，回到步骤三重新执行；如果满足，则最终输出Θ，
Figure GDA0003417615970000027
本发明的有益效果为：
本发明将数据集之间的分布和领域之间的域不变性结合，在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，从而使MMD算法能够在训练的任一阶段有效，进而最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，从而最大化域分类器的分类误差，使分类器具有领域不变性。并提出了一种面向水下声音信号分类的迁移学习方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN。并且分类越复杂，效果越明显。
附图说明
图1为本发明迁移学习模型过程图；
图2为本发明迁移学习方法分类精度对比实验结果。
具体实施方式
具下面结合附图对本发明做进一步描述。
实施例1：
一种基于迁移学习的水下声音信号分类方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。主要内容如下：
(1)在类别分类器部分，使用改进的MMD算法作为源域和目标域之间样本分布差异度量方法。改进点在于内核的选择，本发明在实验中共使用了19个高斯核作为MMD的混合核函数，19个内核的覆盖范围为[1e-6,1e6]，有一个大范围的内核对本发明的模型训练是十分必要的，因为随着模型迭代的训练，共享特征(Shared Feature)的分布是会随之改变的，这时多高斯核的不同内核就会在不同的时间内确保核函数的有效性，并拒绝虚假的零假设，即当两分布并不相似时，得到的损失足够高。另外，在类别分类器模块还有一个比较重要的问题，那就是全连接层层数的选择。如果全连接层层数设置过少，那么会导致可调节的参数过少，使模型达不到要训练得到的效果；反之，如果全连接层层数设置过多，又会导致模型过于拟合训练数据，使模型的测试误差变大，导致过拟合现象的出现。本发明为了避免模型出现过拟合现象，在全连接层中加入L2范数，L2范数是一种比较常用的范数，欧氏距离就是一种L2范数，它的定义如下：
Figure GDA0003417615970000031
指向量中各元素的平方和然后开方。像L1范数一样，L2范数也可以度量两个向量间的差异，如平方差和(Sum of Squared Difference)：
SSD(x1,x2)＝∑i(x1i-x2i)2
L2范数的优化问题就是通过最小化其规则项，也就是min||x||2，使得x的每个元素都很小，接近于0。这样可以使模型更加简单，从而更不易产生过拟合现象。
(2)在域分类器部分，本发明采取的方法是使用梯度反转的思想去最大化域分类误差。众所周知，迁移学习方法的主要思想就是首先通过卷积神经网络的卷积层、池化层以及全连接层的相应操作去获得输入数据的分类结果，将分类结果与真实结果比较从而得到相应的误差。然后通过误差的反向传播，并在反向传播的过程中使用梯度下降的方法去最小化误差。梯度下降法是求解无约束最优化问题的一种常用方法，它更适合于需要学习的参数(变量)较多，模型比较复杂，无法罗列出具体的数学公式从而建立相应的模型的优化过程。它是一种迭代算法，每一步需要求解目标函数的梯度向量。受此思想的启发，本发明在域分类器部分的误差反向传播过程中，将相应的梯度反转，这样就能阻止梯度下降，从而增大其分类误差。
定义输入样本x对应的域标签为y∈{0,1}，x通过Feature Extraction部分后提取出的特征为f，其中各层的参数
Figure GDA0003417615970000041
Gdomain(·)定义为域分类器，其中各层的参数
Figure GDA0003417615970000042
本发明的目的就是通过训练模型，调整参数项Θd和Θf，最大化分类器的分类误差。所以模型的域分类器损失DC_LOSS可以定义为如下形式：
Figure GDA0003417615970000043
其中Ldomain(·,·)代表域分类器的分类损失计算函数。在使用梯度下降法去调整参数的过程中，传统的做法如下所示：
Figure GDA0003417615970000044
Figure GDA0003417615970000045
其中σ代表学习率，上面的做法就叫做随机梯度下降法(StochasticGradientDescent，SGD)，其思想是随机选取一个点做梯度下降，而不是遍历所有样本点后进行参数迭代，主要作用是提高迭代速度，避免陷入庞大计算量的泥沼。如果不做任何改动，那么模型的域分类器会随着一次次的迭代，一次次的梯度下降而使分类误差越来越小，这样的后果是会导致模型丧失领域不变性。所以，本发明的做法是在误差反向传播的过程中加入梯度反转层(Gradient Reversal Layer，GRL)，梯度反转层没有参数需要更新，它的功能就像是身份转换，在反向传播的过程中，通过在
Figure GDA0003417615970000046
的前面乘以一个系数-λ，来反转当前梯度方向，具体的做法如下所示：
Figure GDA0003417615970000051
Figure GDA0003417615970000052
现在将梯度反转加入到域分类器的损失函数中，就能得到模型的域分类器损失DC_LOSS：
Figure GDA0003417615970000053
其中GRL(·)代表梯度反转函数，这样就实现了将域分类器的分类损失最大化。
实现的算法如下：
Figure GDA0003417615970000054
(3)在本发明提出的迁移学习方法中，类别分类器模块和域分类器模块分别从类间差异和域间差异角度对模型进行优化，但是二者在不同的训练阶段，对模型训练的重要程度是不同的，在模型最初的训练阶段，主要应该考虑类间的分布差异，通过最大平均差异去最小化类分类器的分类误差；而随着模型训练的进一步深入，域间的差异逐渐变得重要，这时就需要通过梯度反转去最大化域分类器的分类误差，保证模型的领域不变性。
基于以上的讨论，本发明提出一种参数动态调整算法，算法的思想如下：在类别分类器和域分类器的误差项前面分别乘以一个参数λ和μ，去调整二者在以此迭代训练中的重要程度。λ的初值设置为1，μ的初值设置为0，然后在下一次迭代前，利用本次训练的损失值与上次的损失值做差，通过对差值进行分析，动态的调整λ和μ的值，但是二者的和要保证为1，这样通过动态的调整参数的值就可以保证每一次迭代过程中，类别分类器和域分类器都能发挥出最好的效果。
具体的算法如下：
Figure GDA0003417615970000061
Figure GDA0003417615970000071
实施例2：
一种面向水下声音信号分类的迁移学习方法，通过以下步骤实现，并通过图1的流程框图直观的表示出来：
步骤一：利用卷积神经网络的卷积层和下采样层去提取输入数据的特征；
步骤二：通过全连接层加上逻辑斯蒂分类对输入数据进行分类，在全连接层中利用改进的MMD(Maximum Mean Discrepancy)算法，去度量两个数据集间的分布差异，以此最大化模型的迁移能力。同时会在卷积神经网络的全连接层中加入L2范数，这样就可以在增加全连接层个数的同时，有效防止模型出现过拟合现象，并且提高模型的精度；
步骤三：利用梯度反转去实现域分类器的分类损失最大化，也就是在误差反向传播的过程中，通过反置梯度去阻止梯度下降，这样就能最大化域分类器的分类损失；
步骤四：通过动态的调整参数的值就可以保证每一次迭代过程中，类别分类器和域分类器都能发挥出最好的效果；
步骤五：将训练好的模型应用于水下声音信号的分类。
各步骤的实现过程如下：
输入：源域数据集xs以及其对应的类标签
Figure GDA0003417615970000072
和域标签
Figure GDA0003417615970000073
目标域数据集xt；学习率σ和最大迭代次数T；类别分类器的初始调整参数值μ＝1和域分类器的初始调整参数值λ＝0
输出：迁移学习网络的参数Θ以及目标域数据集对应的预测标签
Figure GDA0003417615970000074
由输入实现输出的过程：
(1)通过Feature Extraction获取数据特征，通过卷积和下采样操作去提取特征并对其进行降维；
(2)通过Category Classifier获取输入样本的预测类标签
Figure GDA0003417615970000075
(3)通过Domain Classifier获取输入样本的预测域标签
Figure GDA0003417615970000076
(4)根据实验设置获取数据的mini_batches；
(5)使用源域数据集xs以及其对应的类标签
Figure GDA0003417615970000081
和域标签
Figure GDA0003417615970000082
目标域数据集xt以及上面得到的预测类标签
Figure GDA0003417615970000083
和域标签
Figure GDA0003417615970000084
去最优化网络的参数Θ；
(6)使用优化后的网络去预测测试集xt，并获得
Figure GDA0003417615970000085
(7)分别求出本次模型的类分类损失C_lossnew和域分类损失D_lossnew；
(8)分别计算本次损失与上次损失的差值：Cmin US＝C_lossnew-C_lossold，Dmin US＝D_lossnew-D_lossold；
(9)根据差值动态调整参数值：如果Cmin US≤0&&Dmin US≥0，则执行(10)，否则执行(13)；
(10)如果i≤T/2，则执行(11)，否则执行(12)；
(11)μnew＝μold+0.05；λnew＝1-μnew；
(12)μnew＝μold-0.05；λnew＝1-μnew；
(13)如果Cmin US≥0&&Dmin US≥0，则μnew＝μold-0.1，λnew＝1-μnew；
(14)如果Cmin US≤0&&Dmin US≤0，则μnew＝μold+0.1，λnew＝1-μnew；
(15)如果i≤T/2，则执行(16)，否则执行(17)；
(16)μnew＝μold+0.15，λnew＝1-μnew；
(17)μnew＝μold-0.15，λnew＝1-μnew；
(18)判断
Figure GDA0003417615970000086
如果不满足，则i＝i+1回到步骤(1)重新执行，如果满足，则最终输出Θ，
Figure GDA0003417615970000087

Claims (1)

1.一种基于迁移学习的水下声音信号分类方法，其特征在于：所述方法具体过程为：将获取的水下声音信号输入到训练好的迁移学习网络中获取分类号的声音信号；
所述训练好的迁移学习网络的网络参数通过以下方式获得：
步骤一：输入源域数据集xs以及其对应的类标签
Figure FDA0003428310030000011
和域标签
Figure FDA0003428310030000012
目标域数据集xt；学习率σ和最大迭代次数T；类别分类器的初始调整参数值μ＝1和域分类器的初始调整参数值λ＝0；
步骤二：利用卷积神经网络的卷积层和下采样层去提取输入数据的特征，令当前迭代次数i＝0；
步骤三：通过Feature Extraction获取数据特征；通过Category Classifier获取输入样本的预测类标签
Figure FDA0003428310030000013
通过Domain Classifier获取输入样本的预测域标签
Figure FDA0003428310030000014
步骤四：根据实验设置获取数据的mini_batches；
步骤五：使用源域数据集xs以及其对应的类标签
Figure FDA0003428310030000015
和域标签
Figure FDA0003428310030000016
目标域数据集xt以及上次迭代得到的预测类标签
Figure FDA0003428310030000017
和域标签
Figure FDA0003428310030000018
去最优化网络的参数Θ；
步骤六：使用优化后的网络去预测目标域数据集xt，并获得
Figure FDA0003428310030000019
步骤七：分别求出本次模型的类分类损失C_lossnew和域分类损失D_lossnew；
步骤八：分别计算本次损失与上次损失的差值：Cmin US＝C_lossnew-C_lossold，Dmin US＝D_lossnew-D_lossold；
其中，C_lossold是上次模型的类分类损失，D_lossold是上次模型的域分类损失；
步骤九：根据差值动态调整参数值：如果Cmin US≤0&&Dmin US≥0，则执行步骤十，否则执行步骤十三；
步骤十：如果i≤T/2，则执行步骤十一，否则执行步骤十二；
步骤十一：μnew＝μold+0.05；λnew＝1-μnew；
其中，μnew是下一次训练的类别分类器的参数值，μold是当前类别分类器的参数值，λnew是下一次训练的域分类器的参数值；
步骤十二：μnew＝μold-0.05；λnew＝1-μnew；
步骤十三：如果Cmin US≥0&&Dmin US≥0，则μnew＝μold-0.1，λnew＝1-μnew；
步骤十四：如果Cmin US≤0&&Dmin US≤0，则μnew＝μold+0.1，λnew＝1-μnew；
步骤十五：如果i≤T/2，则执行步骤十六，否则执行步骤十七；
步骤十六：μnew＝μold+0.15，λnew＝1-μnew；
步骤十七：μnew＝μold-0.15，λnew＝1-μnew；
步骤十八：判断
Figure FDA0003428310030000021
如果不满足，则i＝i+1，回到步骤三重新执行；如果满足，则最终输出Θ，
Figure FDA0003428310030000022
其中，
Figure FDA0003428310030000023
是目标域数据集对应的预测标签。
CN201810766508.0A 2018-07-12 2018-07-12 一种基于迁移学习的水下声音信号分类方法 Active CN109284662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810766508.0A CN109284662B (zh) 2018-07-12 2018-07-12 一种基于迁移学习的水下声音信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810766508.0A CN109284662B (zh) 2018-07-12 2018-07-12 一种基于迁移学习的水下声音信号分类方法

Publications (2)

Publication Number Publication Date
CN109284662A CN109284662A (zh) 2019-01-29
CN109284662B true CN109284662B (zh) 2022-02-22

Family

ID=65182501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810766508.0A Active CN109284662B (zh) 2018-07-12 2018-07-12 一种基于迁移学习的水下声音信号分类方法

Country Status (1)

Country Link
CN (1) CN109284662B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503092B (zh) * 2019-07-22 2023-07-14 天津科技大学 基于领域适应的改进ssd监控视频目标检测方法
CN110659744B (zh) * 2019-09-26 2021-06-04 支付宝(杭州)信息技术有限公司 训练事件预测模型、评估操作事件的方法及装置
CN111239137B (zh) * 2020-01-09 2021-09-10 江南大学 基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法
CN111998936B (zh) * 2020-08-25 2022-04-15 四川长虹电器股份有限公司 一种基于迁移学习的设备异音检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537256A (zh) * 2015-01-11 2015-04-22 北京工业大学 一种基于rbf神经网络m-ran算法的数控慢走丝线切割机床热误差建模方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000098031A (ja) * 1998-09-22 2000-04-07 Hitachi Ltd インパルスソーナー
US20130071837A1 (en) * 2004-10-06 2013-03-21 Stephen N. Winters-Hilt Method and System for Characterizing or Identifying Molecules and Molecular Mixtures
WO2009142872A1 (en) * 2008-05-22 2009-11-26 Exxonmobil Upstream Research Company Seismic horizon skeletonization

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537256A (zh) * 2015-01-11 2015-04-22 北京工业大学 一种基于rbf神经网络m-ran算法的数控慢走丝线切割机床热误差建模方法

Also Published As

Publication number Publication date
CN109284662A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN109284662B (zh) 一种基于迁移学习的水下声音信号分类方法
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN108228716B (zh) 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法
CN110084610B (zh) 一种基于孪生神经网络的网络交易欺诈检测系统
CN107688825B (zh) 一种改进型的集成加权极限学习机污水处理故障诊断方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN107463993B (zh) 基于互信息-核主成分分析-Elman网络的中长期径流预报方法
CN109472088B (zh) 一种页岩气调产井生产压力动态预测方法
CN112465040B (zh) 一种基于类不平衡学习算法的软件缺陷预测方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN112733449B (zh) 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN114022693B (zh) 一种基于双重自监督的单细胞RNA-seq数据聚类方法
CN105718943A (zh) 基于粒子群优化算法的特征选择方法
CN111062425A (zh) 基于c-k-smote算法的不平衡数据集处理方法
CN105913078A (zh) 改进自适应仿射传播聚类的多模型软测量方法
CN111723523A (zh) 一种基于级联神经网络的河口余水位预测方法
CN111652264A (zh) 基于最大均值差异的负迁移样本筛选方法
CN109063750B (zh) 基于cnn和svm决策融合的sar目标分类方法
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
Cui et al. Enhancing Robustness of Gradient-Boosted Decision Trees through One-Hot Encoding and Regularization
CN106295677A (zh) 一种联合拉斯正则项和特征自学习的水流图像分簇方法
CN113378998A (zh) 一种基于机器学习的地层岩性随钻识别方法
CN108631817A (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant