SICK鋼鐵冷軋軋制力預(yù)測(cè)編碼器1058712DFS60B-T5EA08192模式識(shí)別領(lǐng)域中的研究熱點(diǎn),它能夠成功地辨識(shí)出測(cè)試集中未參與訓(xùn)練的異常數(shù)據(jù)。在實(shí)際應(yīng)用中,異常數(shù)據(jù)在訓(xùn)練過(guò)程中往往缺失、數(shù)量稀少或尚未明確定義。因此,單類(lèi)分類(lèi)器（one-class classifier）適用于處理該類(lèi)問(wèn)題。然而,與兩類(lèi)分類(lèi)及多類(lèi)分類(lèi)情形類(lèi)似,單類(lèi)分類(lèi)器也需要克服“維數(shù)災(zāi)難”難題,即同一分類(lèi)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(jí)增長(zhǎng)。為了解決異常檢測(cè)所面臨的維數(shù)災(zāi)難問(wèn)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(jī)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(cè)方法在處理高維數(shù)據(jù)時(shí)成功與否的關(guān)鍵。近年來(lái),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(cè)方法的分類(lèi)性能并解決維數(shù)災(zāi)難問(wèn)題。本文對(duì)傳統(tǒng)的稀疏編碼及稀疏自編碼器進(jìn)行了改進(jìn),使改進(jìn)后的相應(yīng)方法更適用于解決異常檢測(cè)問(wèn)題,主要工作包含以下兩個(gè)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(shí),稀疏編碼無(wú)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(shí)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(xiàng),并引入Log型懲罰函數(shù)代替l1范數(shù)作為正則化項(xiàng),進(jìn)而利用所得系數(shù)向量作為異常檢測(cè)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(yàn)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(xiàng),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(lái)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(xiàng)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(jìn)而有效減少模型參數(shù)并提高訓(xùn)練效率。然而,僅含一個(gè)隱藏層的自編碼器在完成特征提取時(shí),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(gè)單類(lèi)分類(lèi)器,并通過(guò)投票策略終確定樣本的輸出值。后,在MNIST手寫(xiě)數(shù)字?jǐn)?shù)據(jù)集和UCI基準(zhǔn)數(shù)據(jù)集上驗(yàn)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(duì)的數(shù)據(jù)集,而在現(xiàn)實(shí)生活中難以找到一對(duì)一成對(duì)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(mǎn)足實(shí)際生活的需要。此外,這些跨域圖像生成工作大都只能實(shí)現(xiàn)一對(duì)一的圖像生成,無(wú)法滿(mǎn)足一對(duì)多的生成需求。本文聚焦于以上問(wèn)題,致力于構(gòu)建一種無(wú)監(jiān)督（不提供成對(duì)數(shù)據(jù)）的一對(duì)多圖像生成算法。針對(duì)以上問(wèn)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(dú)立的風(fēng)格屬性和一致的內(nèi)容屬性,首先利用編碼器對(duì)跨域圖像進(jìn)行編碼得到其內(nèi)容屬性和風(fēng)格屬性,對(duì)于獨(dú)立的風(fēng)格屬性而言,采用變分自編碼器來(lái)進(jìn)行擬合,使其盡可能滿(mǎn)足預(yù)先設(shè)定的高斯分布;對(duì)于一致的內(nèi)容屬性而言,采用對(duì)抗自編碼器使其域標(biāo)簽和類(lèi)別標(biāo)簽進(jìn)行對(duì)抗學(xué)習(xí),以此來(lái)擬合內(nèi)容屬性的先驗(yàn)分布。后將擬合好的風(fēng)格屬性和內(nèi)容屬性進(jìn)行隨機(jī)抽樣,并以此進(jìn)行拼接實(shí)現(xiàn)跨域圖像生成。本文算法四個(gè)數(shù)據(jù)集上進(jìn)行了有監(jiān)督和無(wú)監(jiān)督實(shí)驗(yàn),充分驗(yàn)證了本文算法的有效性。

SICK鋼鐵冷軋軋制力預(yù)測(cè)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(lái)無(wú)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(duì)低射頻收發(fā)機(jī)結(jié)構(gòu)進(jìn)行研究。首先,模擬波束賦形可以減少基站（BS）和用戶(hù)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(bǔ)償毫米波信號(hào)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(jìn)行的復(fù)雜搜索。為了降低搜索復(fù)雜度,同時(shí)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(jìn)粒子群算法（IC-PSO）的波束賦形算法,使用改進(jìn)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(shí)現(xiàn)近乎佳的系統(tǒng)性能?；旌夏M和數(shù)字的波束賦形（混合預(yù)編碼）能夠有效應(yīng)對(duì)多流傳輸并進(jìn)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(jìn)一步提出了基于改進(jìn)群體增量學(xué)習(xí)算法的多用戶(hù)混合預(yù)編碼算法。本文在基于開(kāi)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(jìn)的群體增量學(xué)習(xí)算法（PBIL）來(lái)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(jī)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(jì)算復(fù)雜度和更高的能量效率。