SICK鋼鐵冷軋軋制力預(yù)測編碼器1058712

SICK鋼鐵冷軋軋制力預(yù)測編碼器1058712DFS60B-T5EA08192模式識別領(lǐng)域中的研究熱點,它能夠成功地辨識出測試集中未參與訓(xùn)練的異常數(shù)據(jù)。在實際應(yīng)用中,異常數(shù)據(jù)在訓(xùn)練過程中往往缺失、數(shù)量稀少或尚未明確定義。因此,單類分類器（one-class classifier）適用于處理該類問題。然而,與兩類分類及多類分類情形類似,單類分類器也需要克服“維數(shù)災(zāi)難”難題,即同一分類器為了獲得相同的泛化性能需要的樣本數(shù)目隨維數(shù)的增加而呈指數(shù)級增長。為了解決異常檢測所面臨的維數(shù)災(zāi)難問題,一種可行的策略將高維樣本投影到低維子空間,這恰好是機器學(xué)習(xí)中的特征提取。所以,特征提取的有效性是異常檢測方法在處理高維數(shù)據(jù)時成功與否的關(guān)鍵。近年來,稀疏編碼和稀疏自編碼器作為兩種流行的特征提取方法,得到了大量的研究與關(guān)注,稀疏編碼可以有效地減少特征集的冗余度,而稀疏自編碼器可以提取樣本的抽象特征,兩者均可以提高傳統(tǒng)異常檢測方法的分類性能并解決維數(shù)災(zāi)難問題。本文對傳統(tǒng)的稀疏編碼及稀疏自編碼器進行了改進,使改進后的相應(yīng)方法更適用于解決異常檢測問題,主要工作包含以下兩個方面:1.提出了基于相關(guān)熵和Log型懲罰函數(shù)的魯棒稀疏編碼。傳統(tǒng)的稀疏編碼僅適用于處理高斯噪聲,當(dāng)訓(xùn)練集中所含噪聲服從非高斯分布時,稀疏編碼無法取得的系數(shù)向量。為了使稀疏編碼更適用于處理非高斯噪聲,同時提高系數(shù)向量的稀疏性,使用相關(guān)熵代替稀疏編碼的重構(gòu)誤差項,并引入Log型懲罰函數(shù)代替l1范數(shù)作為正則化項,進而利用所得系數(shù)向量作為異常檢測方法的輸入。此外,給出了所提魯棒稀疏編碼的泛化誤差界,并在UCI基準(zhǔn)數(shù)據(jù)集上驗證了所提方法的有效性。2.提出了基于Transformed-l1懲罰函數(shù)及l(fā)2,1范數(shù)的堆棧魯棒稀疏自編碼器。傳統(tǒng)的稀疏自編碼器采用KL散度作為其正則化項,需要人工設(shè)置其稀疏性參數(shù)。為了避免人工設(shè)置參數(shù)帶來的不確定性,利用Transformed-l1懲罰函數(shù)和l2,1范數(shù)的組合型正則化項代替?zhèn)鹘y(tǒng)稀疏自編碼器中的KL散度,其中Transformed-l1懲罰函數(shù)可以消除自編碼器中神經(jīng)元之間的冗余連接,而l2,1范數(shù)能夠剔除多余的神經(jīng)元,進而有效減少模型參數(shù)并提高訓(xùn)練效率。然而,僅含一個隱藏層的自編碼器在完成特征提取時,所獲得的低維特征具有欠佳的表征能力。因此,在所提魯棒稀疏自編碼器的基礎(chǔ)上,建立了堆棧魯棒稀疏自編碼器。為了充分利用堆棧魯棒自編碼器所獲得不同層次的特征,引入了集成學(xué)習(xí)的思想,使用這些不同層次的特征訓(xùn)練多個單類分類器,并通過投票策略終確定樣本的輸出值。后,在MNIST手寫數(shù)字?jǐn)?shù)據(jù)集和UCI基準(zhǔn)數(shù)據(jù)集上驗證了所提方法的性能。成為信息傳播的主要載體,跨域圖像生成也漸漸被人們所關(guān)注,深度學(xué)習(xí)的發(fā)展為跨域圖像生成提供了技術(shù)支撐。但是,早期的工作往往需要依靠成對的數(shù)據(jù)集,而在現(xiàn)實生活中難以找到一對一成對的圖像,因此這在一定程度上限制了跨域圖像生成任務(wù)的泛化能力,并且難以滿足實際生活的需要。此外,這些跨域圖像生成工作大都只能實現(xiàn)一對一的圖像生成,無法滿足一對多的生成需求。本文聚焦于以上問題,致力于構(gòu)建一種無監(jiān)督（不提供成對數(shù)據(jù)）的一對多圖像生成算法。針對以上問題,本文提出了一種基于自編碼的跨域圖像生成算法。假定跨域圖像擁有獨立的風(fēng)格屬性和一致的內(nèi)容屬性,首先利用編碼器對跨域圖像進行編碼得到其內(nèi)容屬性和風(fēng)格屬性,對于獨立的風(fēng)格屬性而言,采用變分自編碼器來進行擬合,使其盡可能滿足預(yù)先設(shè)定的高斯分布;對于一致的內(nèi)容屬性而言,采用對抗自編碼器使其域標(biāo)簽和類別標(biāo)簽進行對抗學(xué)習(xí),以此來擬合內(nèi)容屬性的先驗分布。后將擬合好的風(fēng)格屬性和內(nèi)容屬性進行隨機抽樣,并以此進行拼接實現(xiàn)跨域圖像生成。本文算法四個數(shù)據(jù)集上進行了有監(jiān)督和無監(jiān)督實驗,充分驗證了本文算法的有效性。

SICK鋼鐵冷軋軋制力預(yù)測編碼器1058712DFS60B-T5EA08192集成可以增加可用帶寬并且提高頻譜效率,被認(rèn)為是未來無線通信系統(tǒng)有前景的技術(shù)之一。但是,由于毫米波頻段射頻鏈路功耗很高,這使得功耗成為毫米波大規(guī)模MIMO的主要瓶頸。為了降低毫米波大規(guī)模MIMO所需的射頻鏈的數(shù)量,本文對低射頻收發(fā)機結(jié)構(gòu)進行研究。首先,模擬波束賦形可以減少基站（BS）和用戶所需的昂貴的射頻（RF）鏈的數(shù)量。并且,基于碼本的模擬波束賦形通常用于補償毫米波信號的嚴(yán)重衰減。然而,傳統(tǒng)的波束賦形方案涉及在預(yù)定義的碼本之間進行的復(fù)雜搜索。為了降低搜索復(fù)雜度,同時大程度地提高系統(tǒng)可達(dá)速率,我們提出了一種基于改進粒子群算法（IC-PSO）的波束賦形算法,使用改進的粒子群算法（PSO）更智能的確定模擬預(yù)編碼矩陣和模擬合并矩陣。仿真結(jié)果表明,與優(yōu)的全搜索（FS）算法相比,所提算法可以低得多的復(fù)雜度實現(xiàn)近乎佳的系統(tǒng)性能。混合模擬和數(shù)字的波束賦形（混合預(yù)編碼）能夠有效應(yīng)對多流傳輸并進一步提高系統(tǒng)能效。并且可以在硬件復(fù)雜度和系統(tǒng)性能之間達(dá)成有效的折中。為此,本文又深入研究了多流傳輸?shù)幕旌项A(yù)編碼結(jié)構(gòu),進一步提出了基于改進群體增量學(xué)習(xí)算法的多用戶混合預(yù)編碼算法。本文在基于開關(guān)和反相器（SI）的新型毫米波大規(guī)模統(tǒng)架構(gòu)中引入改進的群體增量學(xué)習(xí)算法（PBIL）來確定混合預(yù)編碼矩陣。仿真結(jié)果表明,與其他傳統(tǒng)混合預(yù)編碼算法和現(xiàn)有的其他機器學(xué)習(xí)算法相比,在大規(guī)模天線陣列下所提的混合預(yù)編碼具有更低的計算復(fù)雜度和更高的能量效率。