导读:本文包含了无监督方法论文开题报告文献综述及选题提纲参考文献，主要关键词:故障诊断,滚动轴承,无监督迁移成分分析,深度信念网络
无监督方法论文文献综述
谭俊杰,杨先勇,徐增丙,王志刚[1]（2019）在《基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法》一文中研究指出针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。(本文来源于《武汉科技大学学报》期刊2019年06期）
孙一飞,武继刚,张欣鹏[2]（2019）在《面向眼底图像小目标检测的无监督学习方法》一文中研究指出小目标检测是图像处理领域的一个难点,尤其是医学图像中的小目标检测。微动脉瘤MA作为眼底图像中的一类小目标,尺寸小、局部对比度较低,并且存在较多的噪声干扰,检测难度较大。传统的检测方法需要手工提取特征,难以准确检测MA。而基于深度学习的检测需要进行复杂的前期准备工作,工作量大,并且难以解决正负样本数量不平衡的问题,容易产生过拟合。稀疏编码器SAE是一种无监督机器学习算法,可以在样本数量不平衡的环境中有效地提取样本的特征。因此,提出了一种基于SAE的无监督学习方法检测MA,采用反向传播更新SAE的权重和偏置以提取样本的特征,并利用提取的特征训练Softmax,最终实现MA的准确检测。为验证方法性能,选取了Retinopathy Online Challenge、DIARETDB1和E-ophtha-MA 3个数据库分别进行实验。实验结果表明,本文方法能够准确地检测出眼底图像中的MA,并且获得了较高的准确率和灵敏度。准确率分别为98.5%,87.2%和92.6%,灵敏度分别为99.9%,99.8%和98.7%。(本文来源于《计算机工程与科学》期刊2019年11期）
姚明海,方存亮[3]（2019）在《多层校正的无监督领域自适应方法》一文中研究指出目的目前深度神经网络已成功应用于众多机器学习任务,并展现出惊人的性能提升效果。然而传统的深度网络和机器学习算法都假定训练数据和测试数据服从的是同一分布,而这种假设在实际应用中往往是不成立的。如果训练数据和测试数据的分布差异很大,那么由传统机器学习算法训练出来的分类器的性能将会大大降低。为了解决此类问题,提出了一种基于多层校正的无监督领域自适应方法。方法首先利用多层校正来调整现有的深度网络,利用加法迭加来完美对齐源域和目标域的数据表示;然后采用多层权值最大均值差异来适应目标域,增加网络的表示能力;最后提取学习获得的域不变特征来进行分类,得到目标图像的识别效果。结果本文算法在Office-31图像数据集等4个数字数据集上分别进行了测试实验,以对比不同算法在图像识别和分类方面的性能差异,并进行准确度测量。测试结果显示,与同领域算法相比,本文算法在准确率上至少提高了5%,在应对照明变化、复杂背景和图像质量不佳等干扰情况时,亦能获得较好的分类效果,体现出更强的鲁棒性。结论在领域自适应相关数据集上的实验结果表明,本文方法具备一定的泛化能力,可以实现较高的分类性能,并且优于其他现有的无监督领域自适应方法。(本文来源于《中国图象图形学报》期刊2019年09期）
简丽琼,高翔[4]（2019）在《基于无监督学习的图像风格迁移方法》一文中研究指出近年来,深度学习作为机器学习领域的一个分支,已经展现出强大的能力,其中基于卷积神经网络的无监督学习更是逐渐流行,之前有很多关于图像到图像翻译的工作,但都需要成对输入图片数据,这无疑增加了训练数据集获取的难度。笔者旨在实现在缺少成对数据的情况下使用生成对抗网络GAN学习从源数据域Y到目标数据域Y以实现图像到图像的翻译和风格迁移,通过学习映射G:X→Y和一个相反的映射F:Y→X,使它们成对,同时加入一个循环一致性损失函数,以确保F(G(X))≈X(反之亦然),最终实现通过输入一张具有任意风格的源图片进入网络并生成指定风格的图像,实现风格迁移。在缺少成对训练数据的情况下,本文成功实现了horse2zebra数据集和vangogh2photo数据集的风格迁移。(本文来源于《信息与电脑(理论版)》期刊2019年17期）
张洁,盛夏,张朋,秦威,赵新明[5]（2019）在《面向制造过程数据的两阶段无监督特征选择方法》一文中研究指出现代化制造车间无时无刻不在产生大量数据,其中绝大部分以无标签结构化原始数据的形式存储在现代化制造企业的工业大数据平台中。这些制造数据一方面具有很大的潜在价值,另一方面因为其具有高噪声、高冗余性的特点,难以直接分析与利用。因此,针对制造过程原始数据的特点,以去除制造数据冗余性、挖掘原始数据局部结构为目的,提出一种两阶段无监督特征选择方法。该方法的第一阶段采用遗传算法产生的原始数据的低维子集作为径向基神经网络(Radial basis fuction neural network,RBFNN)的输入,利用RBFNN复现原始数据的全部维度,并以降维率及复现精度作为遗传算法(Genetic algorithm, GA)的适应度函数,通过GA多次迭代学习高维特征的低维表示,删除原始数据集中的冗余特征与噪声特征。第二阶段采用拉普拉斯特征得分(Laplacian score, LS)逐维评价剩余特征对于反映数据局部几何结构的作用,挖掘对改善分类性能更有效的特征。通过与LS等无监督特征选择算法对比,验证了提出的两阶段无监督特征选择方法能够有效降低制造数据的冗余性,并提高数据的分类性能。(本文来源于《机械工程学报》期刊2019年17期）
曹辉,王贤强,沈浩,焦峪波[6]（2019）在《钢筋混凝土主梁无监督式安全性评估方法》一文中研究指出为了解决人为主观因素和指标权重不确定性对桥梁安全性评估的影响,基于模糊聚类理论,提出了一种适用于钢筋混凝土主梁结构的无监督式安全状态评估方法。首先,构建了钢筋混凝土主梁结构安全性评估指标体系,以典型桥梁的检测数据为聚类样本,基于F统计量计算,确定了聚类样本的最佳分类。其次,将同一类桥梁检测指标均值作为该类别的中心,通过待评估桥梁检测指标数据与类别中心的模糊贴近度计算,实现该桥梁的安全性评价。以长春赛德大桥为实体工程,针对评价指标对结构安全性的影响差异,通过考虑和不考虑指标权重对桥梁安全性评估进行了分析。结果表明,基于模糊聚类的钢筋混凝土主梁结构安全评估方法是有效性。研究方法对客观评价钢筋混凝土主梁安全性及研究钢筋混凝土桥梁安全性评估方法具有借鉴意义。(本文来源于《河北工业科技》期刊2019年04期）
张祖于[7]（2019）在《基于特征分布差异自适应的无监督迁移学习方法研究》一文中研究指出随着社会的发展,人们的日常生产和生活产生了大量的数据。最近,由于移动互联网的产生和发展,数据产生的速度越来越快,数据量也随着激增。传统机器学习假设训练数据和测试数据服从相同的统计概率分布,然而现实中的数据往往来自不同概率分布的数据集,这将导致学习性能下降。如何从不同概率分布的数据集中挖掘有价值的信息已经成为机器学习的研究热点问题。迁移学习打破了训练数据与测试数据同分布的假设,因此测试数据可以借助不同概率分布的训练数据进行知识迁移,从而提高测试数据的学习性能。目前迁移学习中的联合分布对齐方法主要通过同时减小边缘分布差异和条件分布差异来实现域适应。然而这类方法分配给边缘分布差异和条件分布差异相同的权重,这与实际场景不符。另外,分布对齐方法假设独立分布差异存在或者联合分布差异存在,不能根据具体任务自适应特征分布差异对齐导致学习性能降低。因此,本文针对这两个问题,提出基于类内距离约束的特征分布差异自适应方法以及两阶段特征分布差异自适应框架。本文的主要工作和创新点在于:针对目前联合分布对齐方法通过同时减小边缘分布差异和条件分布差异来实现域适应,然而忽略边缘分布差异与条件分布差异根据不同的任务具有不同重要性的问题,提出了基于类内距离约束的特征分布差异自适应方法。该方法首先通过平衡分布因子给边缘分布差异与条件分布差异分配不同的权重,然后在每次迭代中动态更新平衡分布因子。此外,在域适应过程中同时加入源领域的类内距离约束和目标领域的类内距离约束,加强类的可分性。在多个数据集上的实验结果表明所提出的方法能有效地提高迁移学习的分类准确率。针对目前分布对齐方法假设域间边缘分布差异或者条件分布差异独立存在以及假设域间边缘分布差异和条件分布差异同时存在导致学习性能下降的问题,提出了两阶段特征分布差异自适应框架。该方法在第一阶段,快速评估边缘分布差异的大小;然后,在第二阶段,如果边缘分布差异较小,则只适配条件分布差异;如果边缘分布差异较大,则同时适配边缘分布差异和条件分布差异。为验证该框架的有效性,本文在第二阶段结合基于类内距离约束的特征分布差异自适应方法适配联合分布差异。同时,本文在多个数据集上的实验表明本文所提出的T-BDA框架能实现独立分布差异对齐和联合分布差异对齐自适应,提高跨领域分类准确率。(本文来源于《重庆邮电大学》期刊2019-06-10）
张英,王骏,鲍国强,张春香,王士同[8]（2019）在《面向自闭症辅助诊断的无监督模糊特征学习新方法》一文中研究指出自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像(functional magnetic resonance imaging, fMRI)高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型的无监督模糊特征映射方法,并将其与多视角支持向量机相结合,构建分类模型应用于自闭症的计算机辅助诊断。该方法首先采用多输出TSK模糊系统的规则前件学习方法,将原始特征数据映射到线性可分的高维空间;然后引入流形正则化学习框架,提出新型的无监督模糊特征学习方法,从而得到原输出特征向量的非线性低维嵌入表示;最后使用多视角SVM算法进行分类。实验结果表明:本文方法能够有效提取静息态fMRI数据中的重要特征,在保证模型具有优越且稳定的分类性能的前提下,还可以提高模型的可解释性。(本文来源于《智能系统学报》期刊2019年05期）
符江鹏[9]（2019）在《基于无监督和弱监督学习的异常行为检测方法研究》一文中研究指出传统视频监控系统时效性低、投入成本高,无法充分发挥监控系统的作用。智能监控系统将异常行为检测算法和计算机设备结合,实现自动化监控,弥补传统监控系统的缺陷。本论文研究的异常行为检测技术是智能监控系统中的核心技术。异常行为检测主要存在叁个难点:(1)视频数据具有高维、高噪、信息量大的特点;(2)异常行为和正常行为的定义模糊;(3)异常行为具有低概率、罕见的特点。视频数据的特点和异常事件的特性导致异常行为数据获取十分困难,信息标注任务重。本论文主要研究基于无监督学习和弱监督学习的异常行为检测方法。本论文提出以下叁种方法:(1)基于自编码和SEblock的无监督异常行为检测方法。视频数据不仅具有空间维度和时序维度,还存在大量的冗余信息。因为过多的冗余信息会导致异常行为检测结果变差,所以本论文提出了基于自编码和SEblock的无监督异常行为检测方法。该方法首先使用堆迭的小尺寸空间卷积学习视频数据的分层特征表示和ConvLSTM模块融合空间信息和时序信息;然后,通过SEblock模块抑制冗余信息,增强主要信息;最后,通过自编码学习正常行为的数据分布。实验结果表明,SEblock模块在一定程度上,能够抑制冗余信息。(2)基于自编码和光流特征的无监督异常行为检测方法。视频数据中的冗余信息主要是静止不动的背景信息。此方法在输入数据中融入光流特征,来引导模型关注运动的前景目标,忽略静止不动的背景信息。此外,模型加入了若干个微网络(micro network),来帮助模型学习更加复杂的非线性分布函数。实验结果表明,输入数据中融入光流特征,能够有效引导模型关注运动中的目标。(3)基于多示例学习和双流网络的弱监督异常行为检测方法。因为异常行为和正常行为的定义模糊,所以在没有使用监督信息的情况下,模型可能无法准确判断此行为是正常行为还是异常行为。为了解决这类问题,多示例学习方法在训练阶段加入粗粒度的监督信息,来引导模型学习正常行为和异常行为的差异。为了进一步提高异常行为检测系统的检测结果,此方法中的双流网络将视频数据的时空特征和光流特征的运动学信息进行融合,得到更好的视频数据特征表示。实验结果表明,双流网络融合时空特征和光流特征,有效提高了异常行为检测效果。本论文所提出的叁种方法在UCSD ped1、ped2、Avenue、Subway Exit、UCF等公开数据集上进行实验,并对比其他同类算法。实验结果表明,叁种方法均可以取得良好的结果。(本文来源于《华侨大学》期刊2019-05-23）
夏炎,潘树国,赵鹏飞,赵庆,叶飞[10]（2019）在《基于无监督学习的卫星NLOS信号检测方法》一文中研究指出针对复杂环境下NLOS信号接收造成的GNSS定位精度恶化问题,提出了一种基于无监督学习的卫星NLOS信号检测方法.综合考虑了信号载噪比、伪距残差和卫星高度角对于GNSS接收信号的影响,采用k-means++聚类算法将观测数据划分为LOS、多径和NLOS叁类,并对NLOS信号进行分离.使用GPS/BDS双系统伪距单点定位对信号分类效果进行了验证.结果表明,采用该方法剔除NLOS信号后定位精度得到了显着的提升.静态实验中,对1 h的数据样本进行聚类,事后定位精度提高了约30%,实时定位精度提高约12%.动态实验中,城市峡谷路段东、北、天3个方向的定位精度分别提高了27.98%、8.06%和3.66%.相较于有监督学习的分类方法,该方法简单有效、易于实现,且无需使用先验信息,能显着降低运算负荷和GNSS设备成本.与传统的阈值法以及RAIM算法相比较,该方法在改善定位的精度方面具有一定的优势.(本文来源于《东南大学学报(自然科学版)》期刊2019年03期）
无监督方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
小目标检测是图像处理领域的一个难点,尤其是医学图像中的小目标检测。微动脉瘤MA作为眼底图像中的一类小目标,尺寸小、局部对比度较低,并且存在较多的噪声干扰,检测难度较大。传统的检测方法需要手工提取特征,难以准确检测MA。而基于深度学习的检测需要进行复杂的前期准备工作,工作量大,并且难以解决正负样本数量不平衡的问题,容易产生过拟合。稀疏编码器SAE是一种无监督机器学习算法,可以在样本数量不平衡的环境中有效地提取样本的特征。因此,提出了一种基于SAE的无监督学习方法检测MA,采用反向传播更新SAE的权重和偏置以提取样本的特征,并利用提取的特征训练Softmax,最终实现MA的准确检测。为验证方法性能,选取了Retinopathy Online Challenge、DIARETDB1和E-ophtha-MA 3个数据库分别进行实验。实验结果表明,本文方法能够准确地检测出眼底图像中的MA,并且获得了较高的准确率和灵敏度。准确率分别为98.5%,87.2%和92.6%,灵敏度分别为99.9%,99.8%和98.7%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
无监督方法论文参考文献
[1].谭俊杰,杨先勇,徐增丙,王志刚.基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法[J].武汉科技大学学报.2019
[2].孙一飞,武继刚,张欣鹏.面向眼底图像小目标检测的无监督学习方法[J].计算机工程与科学.2019
[3].姚明海,方存亮.多层校正的无监督领域自适应方法[J].中国图象图形学报.2019
[4].简丽琼,高翔.基于无监督学习的图像风格迁移方法[J].信息与电脑(理论版).2019
[5].张洁,盛夏,张朋,秦威,赵新明.面向制造过程数据的两阶段无监督特征选择方法[J].机械工程学报.2019
[6].曹辉,王贤强,沈浩,焦峪波.钢筋混凝土主梁无监督式安全性评估方法[J].河北工业科技.2019
[7].张祖于.基于特征分布差异自适应的无监督迁移学习方法研究[D].重庆邮电大学.2019
[8].张英,王骏,鲍国强,张春香,王士同.面向自闭症辅助诊断的无监督模糊特征学习新方法[J].智能系统学报.2019
[9].符江鹏.基于无监督和弱监督学习的异常行为检测方法研究[D].华侨大学.2019
[10].夏炎,潘树国,赵鹏飞,赵庆,叶飞.基于无监督学习的卫星NLOS信号检测方法[J].东南大学学报(自然科学版).2019