用于表示级特征融合与分类的相关熵融合极限学习机

在极限学习机(ELM)网络结构和训练模式的基础上,该文提出了相关熵融合极限学习机(CF-ELM)。针对多数分类方法中表示级特征融合不充分的问题,该文将核映射与系数加权相结合,提出了能够有效融合表示级特征的融合极限学习机(F-ELM)。在此基础上,用相关熵损失函数替代均方误差(MSE)损失函数,推导出用于训练F-ELM各层权重矩阵的相关熵循环更新公式,以增强其分类能力与鲁棒性。为了检验方法的可行性,该文分别在数据库Caltech 101, MSRC和15 Scene上进行实验。实验结果证明,该文所提CF-ELM能够在原有基础上进一步融合表示级特征,从而提高分类正确率。

     

基于多维测量信息的压缩感知多目标无源被动定位算法

无源被动定位是入侵者检测、环境监测以及智能交通等应用的关键问题之一。现有的无源被动定位方法可通过信道状态信息获取多个维度上的测量信息,但是现有方案未能充分挖掘多个信道上的频率分集以提高定位性能。该文提出一种基于多维测量信息的压缩感知多目标无源被动定位算法,在压缩感知框架下利用多维测量信息的频率分集提高定位精度和鲁棒性。根据鞍面模型建立无源字典,将多目标无源被动定位问题建模成多测量向量联合稀疏恢复问题,并利用多维稀疏贝叶斯学习算法估计目标位置向量。仿真结果表明,该算法能有效利用多维测量信息提高定位性能。

     

基于M-estimator与可变遗忘因子的在线贯序超限学习机

该文针对时变离群值环境下的在线学习问题,提出一种基于M-estimator与可变遗忘因子的在线贯序超限学习机算法(VFF-M-OSELM)。VFF-M-OSELM以在线贯序超限学习机模型为基础,通过引入一种更加鲁棒的M-estimator代价函数来替代传统的最小二乘代价函数,以提高模型对于离群值的在线处理能力和鲁棒性。同时VFF-M-OSELM通过融合使用一种新的可变遗忘因子方法进一步增强了其在时变环境下的动态跟踪能力和自适应性。仿真实例验证了所提算法的有效性。     

基于稀疏贝叶斯学习的机载双基雷达杂波抑制

机载双基雷达杂波与构型有关且具有严重的距离依赖性,因此杂波脊复杂多变,独立同分布(IID)的样本很少。传统的空时自适应处理(STAP)方法受独立同分布样本数的限制,对机载双基雷达杂波的抑制性能有限。基于机载雷达杂波在角度-多普勒域分布的稀疏特性和稀疏贝叶斯学习(SBL)在稀疏信号重建方面的优势,该文将SBL算法应用于较为复杂的机载双基雷达双动模式下杂波抑制,该方法可以用少量训练单元杂波估计待测距离单元的杂波协方差矩阵(CCM),然后进行空时自适应处理;同时,该算法不需要样本独立同分布,在双基双动模式下对杂波的抑制性能较好,仿真结果验证了算法的有效性。     

一种面向联邦学习对抗攻击的选择性防御策略

联邦学习(FL)基于终端本地的学习以及终端与服务器之间持续地模型参数交互完成模型训练,有效地解决了集中式机器学习模型存在的数据泄露和隐私风险。但由于参与联邦学习的多个恶意终端能够在进行本地学习的过程中通过输入微小扰动即可实现对抗性攻击,并进而导致全局模型输出不正确的结果。该文提出一种有效的联邦防御策略-SelectiveFL,该策略首先建立起一个选择性联邦防御框架,然后通过在终端进行对抗性训练提取攻击特性的基础上,在服务器端对上传的本地模型更新的同时根据攻击特性进行选择性聚合,最终得到多个适应性的防御模型。该文在多个具有代表性的基准数据集上评估了所提出的防御方法。实验结果表明,与已有研究工作相比能够提升模型准确率提高了2%～11%。     

The diffusion of complex securities: The case of CAT bonds

Complex securities generally do not diffuse smoothly but by fits and starts in response to sudden shifts in demand, occurring as investors learn about the intrinsic value of the securities from their noisy performance. We use CAT bonds, a capital market-based alternative to CAT risk reinsurance, to illustrate the diffusion of a complex security that competes against a legacy financial product offered by financial intermediaries. We find that the diffusion of the security is highly path-dependent with the capricious ups and downs of its actual performance plus the competitive response of CAT reinsurers jointly determining its ultimate success or failure.     

Video quality assessment using space–time slice mappings

We develop a full-reference (FR) video quality assessment framework that integrates analysis of space–time slices (STSs) with frame-based image quality measurement (IQA) to form a high-performance video quality predictor. The approach first arranges the reference and test video sequences into a space–time slice representation. To more comprehensively characterize space–time distortions, a collection of distortion-aware maps are computed on each reference–test video pair. These reference-distorted maps are then processed using a standard image quality model, such as peak signal-to-noise ratio (PSNR) or Structural Similarity (SSIM). A simple learned pooling strategy is used to combine the multiple IQA outputs to generate a final video quality score. This leads to an algorithm called Space–TimeSlice PSNR (STS-PSNR), which we thoroughly tested on three publicly available video quality assessment databases and found it to deliver significantly elevated performance relative to state-of-the-art video quality models. Source code for STS-PSNR is freely available at: http://live.ece.utexas.edu/research/Quality/STS-PSNR_release.zip.     

强化学习在路测覆盖分析中的实践

传统分析路测问题时存在耗时费力、效率低下的问题,文章针对该问题提出了一种基于值函数迭代的Q学习算法的路测覆盖智能分析方法。该算法建立在覆盖状态规则和弱覆盖现象识别规则的基础上,训练两个基于Q学习的规则学习器,同时引入经验池、状态合并和决策树探索方法。实验证明,能在覆盖状况识别和弱覆盖现象判定方面取得良好的效果,实现了道路弱覆盖识别和智能分析判定的功能。