关键词： 忆阻器   纳米颗粒   有机聚合物   人工神经突触   模式识别  

摘要： 在这个快速发展的科技时代,由于信息量的飞速增长,对存储器的性能提出了更高要求。同时因为冯·诺依曼结构所固有的瓶颈限制了后摩尔时代芯片性能的增长,导致传统存储器的发展停滞不前。为改变这一现状,研究人员提出许多新型非易失性存储器模型,其中忆阻器因其卓越的存储能力、人工智能仿生突触模拟的一致性和构建神经形态计算系统的优异性受到了人们的广泛关注。其中,由于基于有机材料的忆阻器具有透明性、柔性、分子可设计性、低成本、可大面积制膜等特点,所以在可穿戴设备、透明器件、类脑芯片等领域有广泛的应用前景。因此本论文选择有机聚合物作为忆阻器功能层的主要材料。 为改善有机忆阻器的性能,本研究采用了在有机聚合物中引入无机的氧化锌纳米颗粒(ZnO NPs)的方法,该方法创新的采用有机无机相结合的策略兼顾了两者的优势。通过在PEDOT:PSS薄膜中掺杂ZnO NPs,系统地研究了不同浓度的ZnO NPs对器件整体性能的影响。 器件结构为ITO/PEDOT:PSS(3%ZnO NPs)/ITO在人工突触仿真模拟方面展现出了最好的性能。该浓度的器件通过其良好的缓变I-V特性和较高线性度的LTP、LTD性能,在主要突触性能测试中实现了STP-LTP的转化,成功控制了两者之间的过度。而在常规SNNs性能测试,如双脉冲易化(PPF)、双脉冲抑制(PPD)、强制性增强(PTP)等方面中展现了卓越的突触性能。此外,该结构在人工神经网络的架构中表现出约为90%以上的推理准确度,明显优于其他器件。器件结构为ITO/PEDOT:PSS(5%ZnO NPs)/ITO则表现出最佳的阻变性能,随着ZnO NPs的引入实现了free forming现象,不仅促进了PEDOT分子的氧化还原,还引入了额外的陷阱,进一步提高了ON/OFF比,从而使得器件呈现出最稳定的阻变性能。器件结构为ITO/PEDOT:PSS(7%ZnO NPs)/ITO则实现了阻变机理的转变,具有很大的研究意义。所有上述结构的器件均经过多种表面和电学表征进行机理验证。

关键词： 信息融合   D-S证据理论   模糊互信息   模糊偏好   模式识别  

摘要： 在信息爆炸的时代背景下,信息融合已成为获取全面、准确信息的关键手段。证据理论,作为处理不确定性信息的强大工具,不仅为信息融合提供了坚实的理论支撑,还极大地推动了其在实际应用领域的广泛运用与发展。然而,目前对于融合系统中信息源质量的深入研究仍显不足。本文聚焦证据的可靠性和依赖性,对证据质量问题进行了深入探讨,并将其应用于成对学习的模糊偏好中,构建了一套基于近似信度互信息的证据融合方法。主要研究内容涵盖以下三方面: 第一,基于模糊互信息的证据融合方法。本文提出了一种基于证据理论的模糊互信息来评估证据的可靠性和相对权重的新方法。采用证据源与标签之间的模糊互信息作为全局度量,以评估证据源的可靠性。同时,基于与最优证据源(全局可靠性最大)的相似度,得到所有证据的相对权重。这种方法从全局和局部两个角度全面探索了证据的质量。鸢尾花模式识别实验表明,无论是异常证据占多数还是正常证据占多数,本文方法使得整体识别率从96.7%提升至97.33%。 第二,考虑BPA反的近似信度互信息及其证据融合方法。针对现有研究存在易受到数据波动的影响,本文提出了一种考虑基本概率指派及其反的区间相关方法,并基于此提出一种近似信度互信息来部分地表示证据源之间的依赖关系。在鸢尾花模式识别任务中,本文方法具有更好的识别率。即使在数据受到干扰的情况下,该方法仍能够保持识别结果(96.00%)的稳定性。 第三,基于近似信度互信息和模糊偏好的证据融合方法。针对成对学习的模糊偏好方法存在的局限性,本文提出了一种基于近似信度互信息和模糊偏好融合方法。该方法差异化地评估各类证据的质量,进而提升决策的有效性和精确性。在鸢尾花模式识别任务中,本文方法从准确率、精准率、召回率和F1分数都取得了更好的结果。

关键词： 深度学习   模式识别   步态识别   半监督视频分割  

摘要： 步态身份识别是指利用计算机技术,通过步态图像序列中的身体空间特征、步幅步频、步态周期等等信息对行人身份进行识别判断的技术。随着计算机科学的发展与互联网信息化进程的加快,视频监控系统在室内外公共安全领域得到大量普及与应用,其中步态识别是一项新兴的身份识别技术。 步态特征是生物行为特征中最具有代表性的特征之一,具有普遍性、唯一性、稳定性和非接触易采集等特点。受限于轮廓分割的繁琐人工操作、步态过程中的衣着、视角等鲁棒性挑战,目前的步态识别技术停留在算法研发阶段,缺乏投入使用的成熟步态识别系统。针对以上问题,本文研究了一套端到端的步态识别算法,并设计了相应的系统,探索了室内安防场景下的身份识别的实用性。 本文的主要研究内容包括以下几个方面: (1)探索了现有的轮廓分割算法,比对了静态图像的语义分割、实例分割以及半监督视频分割技术各自的优劣,为两种技术分别思考了适用的场景。研究并改进了一种基于Vision Transformer的语义分割网络,在ADE20K数据集上取得了性能提升,具体体现在person类的Io U提升1.07%,达到68.46%,准确率提升2.11%,达到85.85,同时总体Io U与准确率也有略微提升。研究了一种基于Transformer的半监督视频分割网络,通过自建数据集测试了两种算法的性能差异。 (2)研究了一种空间-时序分离串行处理的步态识别网络Gait Part,并在其基础上分别在空间特征和时序特征提取阶段对网络结构进行了改良。为了验证步态能量图(Gait Energy Image,GEI)思想的正确性,在时序阶段设计了一个周期预测模块。为了证明全局时序特征与微动作特征具有同等的重要性,基于注意力机制提取了一个全局特征时序分支,与原本的微动作分支合并,使模型在CASIA-B数据集上的准确率有了性能的提升,特别是对于背包状态下的总体准确率提升3.8%,到达了94.4%,穿着大衣的情况下准确率提升5.4%,到达了84.1%。 (3)将轮廓分割算法与步态特征提取算法相结合,实现了一套端到端的步态身份识别系统,支持输入原始步态监控视频,经过自动的轮廓分割、裁剪、孔洞填充等一系列处理后得到步态序列,直接送入步态网络提取身份特征向量,并存入本地步态信息库,支持用户进行身份比对查询。此外,借助上述系统设计了实验,针对CASIA-B数据集中没有涉及到的跨视角问题和周期变动问题,自行采集数据进行了测试。根据测试结果得出,本文所述的算法与系统可以满足普通的室内安防场景的应用需求,论证了系统的实用性。

关键词： 雷达信号分选   工作模式识别   分选合批优化   密度聚类   群智能算法  

摘要： 雷达信号分选及模式识别是电子对抗领域的关键环节,在电子战中扮演着重要的角色。随着各种复杂体制雷达的不断涌现,传统雷达信号分选技术不能很好适应当前多脉冲密集、交叠的复杂多脉冲雷达环境,同时先验信息的匮乏进一步降低了工作模式识别准确率。机器学习能够合理地提取雷达信号特征,成为当前解决电子对抗领域复杂问题的重要手段。论文结合机器学习理论,针对密集、交叠的复杂多脉冲雷达环境下信号分选及模式识别展开深入地研究。本文研究内容主要分为以下部分: 首先,针对脉冲重复间隔调制类型信号分选漏警率高的问题,给出基于脉冲描述字的雷达信号自适应分选方案。该方案利用K距离曲线分析信号密度分布,改进聚类算法,减小多脉冲对主分选的影响。在此基础上,重新设计脉冲重复间隔箱并动态调整时间起点,对脉冲重复间隔变换改进,联合直线检测原理,提出了自适应密度聚类-脉冲重复间隔变换-直线检测的雷达信号自适应分选算法。所提算法克服了人为指定聚类参数的缺陷,解决了重频抖动、重频线性滑变等信号难以分选的问题,实现了脉冲重复间隔调制类型信号的自适应分选。 其次,针对分选过程中频率捷变信号增批,导致潜在脉冲重复间隔难以获取的问题,给出基于扩展脉冲描述字的信号分选方案。该方案在识别调制方式的基础上,结合空洞因果卷积和联合训练,设计多任务学习模型,估计脉内参数,实现对脉冲描述字的扩展。基于此,提出基于扩展脉冲描述字-度量分析合批优化的信号分选算法,利用K-均值聚类获取脉冲簇的质心,结合度量分析手段,合并相似脉冲簇,实现频率捷变信号的分选。该算法实现了相似脉冲簇的合批优化,提取频率捷变信号潜在脉冲重复间隔,进一步地降低了分选漏警率。 最后,针对非合作导致先验信息匮乏,模式识别准确率低的问题,提出了基于脉冲描述字组合的雷达工作模式识别方案。该方案构建条形码图像,增强了数据样本特征,通过迁移网络实现特征提取,减小网络模型对先验信息的依赖,融合切比雪夫度量距离与径向基核函数,改进了支持向量机。在此基础上,设计了马群觅食算法,结合参数适配策略,利用网络最佳迁移层与支持向量机最优参数,搭建识别模型,仿真结果表明所提方案在先验知识不足的条件下,有效提升了模式识别的准确率。

关键词： 人工智能学习   算法模式识别   教学干预  

摘要： 随着人工智能的发展,计算思维成为人工智能时代的必备素养,而作为计算思维关键技能之一的模式识别成为人们需要具备的基本技能,其培养主要依托于中小学人工智能教育中的编程教学,它为小学生创设了可以进行算法模式识别活动的问题解决情境。在学习构建算法的过程中,学生往往表现出不同的算法模式识别策略,这种认知过程及思维模式的差异对于算法生成过程及思维培养存在不同的影响。因此,需要调查学生具有的算法模式识别策略并对其进行教学干预,以达到培养算法模式识别能力的目的。 本研究以认知发展理论、建构主义学习理论、认知结构理论、图式理论等为指导,在小学的Scraino编程课程中实施模式教学活动,采用文献研究法、口语报告分析法、聚类分析与滞后序列分析法、访谈法等,围绕小学生在解决综合性问题时的算法模式识别策略、教学干预等内容展开研究,主要研究内容如下: (1)分析人工智能学习中算法模式识别能力培养的重要性,并根据已有研究中对模式识别的探讨,梳理算法模式识别的内涵及其认知流程。 (2)收集学生的有声思维数据,通过滞后序列分析与聚类分析等方法,结合算法模式识别的认知流程与认知加工行为编码框架之间的映射关系,确定小学生在解决综合性问题时的算法模式识别策略,并对其进行分析,同时结合访谈、算法质量等数据分析不同策略的特征。 (3)以算法模式识别不同策略的特征及已有研究为支持,设计分层教学干预,具体包括干预的形式和干预的内容两部分。其中,干预的形式为以引导性提示、指导性提示和弥补缺损的方式诱发学生产生自我解释,干预的内容为外在的认知加工行为。最后,根据不同策略存在的问题总结分层干预的组织方式,并进行干预的正式实施,共开展三轮干预。 (4)对干预在算法模式识别策略转变等方面的效果进行分析。一是对后三次作品产生话语的聚类结果判断学生策略的使用与转变情况,二是通过分析学生的算法质量及访谈了解干预对算法学习的影响。 通过以上工作的开展,本研究得到以下研究成果: (1)研究结果发现,算法模式识别是问题解决活动的特殊的认知表达,其认知流程可根据问题解决过程的视角,分为特征识别、模式匹配、模式构建与模式评估四个环节,各环节还包括具体的认知活动。认知流程的梳理可以用于分析学生算法模式识别的心理加工过程,确定算法模式识别策略的不同类型并突出其存在的问题。 (2)研究发现算法模式识别存在模式回避策略、机械重用策略、探索重构策略与整体持有策略四种类型。根据各策略表现出的主要认知流程,发现四类策略的差异实质上是学生特征识别与模式匹配能力高低的差异,因此,以特征识别能力、模式匹配能力两个维度构建了二维象限,以此总结四类策略的本质差异。研究从各策略的具体认知流程以及学习结果的角度,验证了第一象限的整体持有策略为最优策略。 (3)研究进行的干预结果表明,经过三轮干预,表现出模式回避策略的学生逐渐减少,表现出整体持有策略的学生逐渐增多,且探索重构策略在经过干预后更容易直接转为整体持有策略。学生在各次作品中的策略转变路径符合预期的向整体持有策略发展,大多数学生能在经过干预后表现出更高阶的算法模式识别策略而不发生策略的倒退。学生的算法质量、构建算法的方式等经过干预后有明显提升。 总之,研究通过认知加工行为编码,聚类出四种算法生成过程中的认知加工行为路径,通过其与算法模式识别认知流程之间的映射关系,确定出四种算法模式识别策略并对其进行表征与分析。研究提出的分层干预策略,有利于引导学生在解决综合性问题时使用更优的算法模式识别策略,改善了学生的算法生成过程和结果,为人工智能教学和计算思维的培养提供了有效指导。

关键词： 雷达工作模式识别   类增量学习   格拉姆角场   双向知识传输   动态扩展表征  

摘要： 雷达工作模式识别作为情报侦察、电子对抗领域的重要一环,一直以来都备受关注。在非合作场景下,常规的深度学习雷达工作模式识别模型难以获取完备训练集,而且耗时耗资源,缺乏持续学习能力,因此,开展基于类增量学习的雷达工作模式识别方法研究,可以有效提升雷达工作模式识别的准确率和效率,对提升电子对抗领域战术应用、情报侦察具有重要的研究价值。 本文围绕类增量学习场景下交叠雷达信号工作模式识别难题,研究了基于格拉姆角场的PDW序列特征重构方法以及基于双向知识传输和轻量级动态扩展表征的类增量雷达工作模式识别方法。主要研究工作和贡献如下: (1)针对雷达工作模式特征参数范围交叠严重的问题,研究了雷达PDW序列特征重构方法,借助格拉姆角场能够保留时间相关性的优点,对雷达PDW序列进行特征重构,通过将雷达PDW序列编码为二维矩阵,改善神经网络提取不同模式的时序特征,能够显著提升类增量雷达工作模式识别的准确率。 (2)针对类增量学习过程中由于类别之间差异性很大,从而导致灾难性遗忘的问题,提出了基于双向知识传输的类增量雷达工作模式识别方法,利用新旧类别之间的相关性来辅助类增量学习,从而使得知识转移更为容易;利用语义信息作为监督,双向传输知识,以便于模型与新类别相适应,同时减少灾难性遗忘的影响,实现了不同场景下类增量雷达工作模式识别。 (3)针对类增量学习过程中旧类别特征退化及新旧类别不平衡导致遗忘的问题,提出了基于轻量级动态扩展表征的类增量雷达工作模式识别方法,在每一个类增量阶段中,都先冻结先前学习的表征,并用新的可学习特征提取器中的额外特征维度对其进行增强,以此来整合已学知识与新类特征;采用表征学习和分类器学习两阶段学习策略,在分类器阶段采用平衡微调办法来处理新旧类别的不平衡问题,实现了噪声干扰、脉冲缺失等多类场景下类增量雷达工作模式的有效识别。 以上工作,已通过仿真实验验证,所提方法能够实现类增量雷达工作模式识别的目标。