在过程监控中,使用现代工业系统中的变量进行准确有效的监控诊断仍然是一个具有挑战性的任务.本文以多元指数加权移动平均(MEWMA)策略结合一种有监督分类器(“one plus epsilon”,简称OPE分类器),提出OPE-MEWMA控制图.在考虑不同模型、...在过程监控中,使用现代工业系统中的变量进行准确有效的监控诊断仍然是一个具有挑战性的任务.本文以多元指数加权移动平均(MEWMA)策略结合一种有监督分类器(“one plus epsilon”,简称OPE分类器),提出OPE-MEWMA控制图.在考虑不同模型、偏移模式和偏移大小的情况下,探究了控制图对均值偏移的检测能力,通过比较平均运行长度等多个指标衡量控制图的性能表现.仿真结果表明,所开发的OPE-MEWMA控制图能够快速检测到均值偏移,灵敏度较高.展开更多
在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种...在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种“噪声标签”下多尺度时空特征学习的运动想象分类方法。首先,采用卷积神经网络提取脑电信号多尺度局部时间特征,降低个体间差异性影响;其次,在时空维度上分块划分特征图,作为Transformer模块输入,利用时空特征融合模块,优化全局时空特征;最后,引入对称交叉熵损失,将交叉熵计算方式扩展到所有类别,降低“噪声标签”的影响。在PhysioNet和BCI IV 2a运动想象数据集上的实验结果表明,本文方法的平均准确率优于其他方法,其中在PhysioNet数据集上引入对称交叉熵损失,二、三和四分类的平均准确率分别提升0.09%、0.65%和0.66%。此外,在不同比例的“噪声标签”干扰下,无需增加模型参数量和计算量,对称交叉熵损失就能改善模型的分类性能与鲁棒性。展开更多
害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提...害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提取能力有限,元学习算法没有提供较好的权重初始化策略,可能导致网络出现梯度消失或者梯度爆炸的情况。为了解决这一问题,该研究提出一种基于空间注意力增强ResNeSt-101和迁移元学习算法的小样本害虫分类器。首先,通过一个空间注意力模块增强ResNeSt-101以更好地提取害虫图像特征,即在ResNeSt-101的第1阶段的最大池化层之前以及在第2~4阶段的末尾分别附加集成空间注意力模块,并通过数值仿真确定空间注意力增强模块的最佳放置位置为第1阶段的最大池化层之前。随后,通过迁移学习策略初始化网络权重,进而通过元学习进行优化。为了避免网络出现梯度消失或者梯度爆炸的情况,在元学习算法中选择归一化的温度缩放交叉熵损失函数代替三元组损失函数。最后,通过计算查询图像和支持图像深度特征之间的相似度实现害虫分类。所提出方法在自建的害虫图像数据集AD0和MIP50上使用N-类K-例准确率和每张图像处理时间(the time of per image processing,TPIP)进行评估。害虫图像数据集的构建方式如下:首先对公共害虫图像数据集IP102和D0进行清洗,以消除由于英文害虫名称导致的歧义类别;然后移除卵、幼虫和蛹阶段的害虫图像,仅保留成虫阶段的图像。考虑到人工和时间成本,从清理后的IP102害虫数据集中选择50个类别构建MIP50害虫图像数据集。随后,通过害虫的拉丁名称从互联网搜索更多的害虫图像,生成AD0害虫图像数据集。自建的MIP50数据集包括来自IP102的50个类别的16424张成虫图像,AD0包含来自D0的所有40个类别的17112张成虫图像。试验结果表明,当测试集中只有少数未知类别的害虫图像时,本文方法在AD0数据集上的5-类10-例评估准确率达到了96.37%,在MIP50数据集上达到了76.91%。当测试集中同时存在几个未知和已知类别的害虫图像时,所提方法在AD0数据集上的5-类10-例设置下的识别准确率达到了93.73%,在MIP50数据集上达到90.60%。同时,本文方法的TPIP大约为0.44 ms,满足大多数场景下的实时害虫识别要求。此外,消融试验结果表明,基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类方法在AD0、MIP50数据集上对未知类别害虫图像的5-类10-例的识别准确率分别提升了5和3个百分点以上,具有良好应用前景。但未来研究中还需进一步研究本方法中存在的问题,如通过采用更好地表征支持集样本与查询集样本之间复杂关系的度量优化本工作中用到的度量以解决增加类别数可能导致分类准确率降低的问题,以及将所提方法应用于现实农业场景进行优化改进以更好提升本文方法的实用性。展开更多
文摘在过程监控中,使用现代工业系统中的变量进行准确有效的监控诊断仍然是一个具有挑战性的任务.本文以多元指数加权移动平均(MEWMA)策略结合一种有监督分类器(“one plus epsilon”,简称OPE分类器),提出OPE-MEWMA控制图.在考虑不同模型、偏移模式和偏移大小的情况下,探究了控制图对均值偏移的检测能力,通过比较平均运行长度等多个指标衡量控制图的性能表现.仿真结果表明,所开发的OPE-MEWMA控制图能够快速检测到均值偏移,灵敏度较高.
文摘在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种“噪声标签”下多尺度时空特征学习的运动想象分类方法。首先,采用卷积神经网络提取脑电信号多尺度局部时间特征,降低个体间差异性影响;其次,在时空维度上分块划分特征图,作为Transformer模块输入,利用时空特征融合模块,优化全局时空特征;最后,引入对称交叉熵损失,将交叉熵计算方式扩展到所有类别,降低“噪声标签”的影响。在PhysioNet和BCI IV 2a运动想象数据集上的实验结果表明,本文方法的平均准确率优于其他方法,其中在PhysioNet数据集上引入对称交叉熵损失,二、三和四分类的平均准确率分别提升0.09%、0.65%和0.66%。此外,在不同比例的“噪声标签”干扰下,无需增加模型参数量和计算量,对称交叉熵损失就能改善模型的分类性能与鲁棒性。
基金National Science Foundation of China(62172165)Science and Technology Planning Project of Guangdong Province under Grant(2021B1212040009)+2 种基金Natural Science Foundation of Guangdong Province(2022A1515010325)Guangzhou Basic and Applied Basic Research Project(202201010742)Science and Technology Program of Guangzhou(202206010116,201902010081,107126242281)。
文摘害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提取能力有限,元学习算法没有提供较好的权重初始化策略,可能导致网络出现梯度消失或者梯度爆炸的情况。为了解决这一问题,该研究提出一种基于空间注意力增强ResNeSt-101和迁移元学习算法的小样本害虫分类器。首先,通过一个空间注意力模块增强ResNeSt-101以更好地提取害虫图像特征,即在ResNeSt-101的第1阶段的最大池化层之前以及在第2~4阶段的末尾分别附加集成空间注意力模块,并通过数值仿真确定空间注意力增强模块的最佳放置位置为第1阶段的最大池化层之前。随后,通过迁移学习策略初始化网络权重,进而通过元学习进行优化。为了避免网络出现梯度消失或者梯度爆炸的情况,在元学习算法中选择归一化的温度缩放交叉熵损失函数代替三元组损失函数。最后,通过计算查询图像和支持图像深度特征之间的相似度实现害虫分类。所提出方法在自建的害虫图像数据集AD0和MIP50上使用N-类K-例准确率和每张图像处理时间(the time of per image processing,TPIP)进行评估。害虫图像数据集的构建方式如下:首先对公共害虫图像数据集IP102和D0进行清洗,以消除由于英文害虫名称导致的歧义类别;然后移除卵、幼虫和蛹阶段的害虫图像,仅保留成虫阶段的图像。考虑到人工和时间成本,从清理后的IP102害虫数据集中选择50个类别构建MIP50害虫图像数据集。随后,通过害虫的拉丁名称从互联网搜索更多的害虫图像,生成AD0害虫图像数据集。自建的MIP50数据集包括来自IP102的50个类别的16424张成虫图像,AD0包含来自D0的所有40个类别的17112张成虫图像。试验结果表明,当测试集中只有少数未知类别的害虫图像时,本文方法在AD0数据集上的5-类10-例评估准确率达到了96.37%,在MIP50数据集上达到了76.91%。当测试集中同时存在几个未知和已知类别的害虫图像时,所提方法在AD0数据集上的5-类10-例设置下的识别准确率达到了93.73%,在MIP50数据集上达到90.60%。同时,本文方法的TPIP大约为0.44 ms,满足大多数场景下的实时害虫识别要求。此外,消融试验结果表明,基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类方法在AD0、MIP50数据集上对未知类别害虫图像的5-类10-例的识别准确率分别提升了5和3个百分点以上,具有良好应用前景。但未来研究中还需进一步研究本方法中存在的问题,如通过采用更好地表征支持集样本与查询集样本之间复杂关系的度量优化本工作中用到的度量以解决增加类别数可能导致分类准确率降低的问题,以及将所提方法应用于现实农业场景进行优化改进以更好提升本文方法的实用性。
