天津理工大學機械工程學院科研團隊最新研究成果被國際頂級學術期刊IEEE TNNLS錄用
日前，機械工程學院科研團隊在IEEE Transactions on Neural Networks and Learning Systems（TNNLS）期刊上發表題為“Cosine 2DPCA with Weighted Projection Maximization”的研究成果，創新提出基于向量2范數度量的投影距離和重構誤差雙目標優化策略。TNNLS是在美國電氣和電子工程師協會（IEEE）人工智能及機器學習領域國際頂級期刊，旨在出版神經網絡和學習系統方面的理論、設計和應用的技術文章，期刊影響因子為10.451。該成果以天津理工大學作為第一完成單位和第一通訊單位發表，第一作者為王肖鋒副教授，第二作者為碩士研究生石樂巖，第一通訊作者為劉軍教授。
從海量數據中提取有效表征事務和現象本質屬性的低維特征，通常采用歐式距離的平方來度量這些數據所呈現出來的不確定性和變異性。但在大數據背景下，數據量呈幾何倍數增加，給數據傳輸、存儲、搜索、分析及可視化等造成極大困難。如何尋求在不同范數下樣本投影距離最大的目標優化。同時，其原始數據與重構數據之間的重構誤差也能得到優化,并且能保留原歐式距離中的旋轉屬性。該研究以提高表征這些數據中不確定性和變異性的魯棒性能來針對性解決這一難題。
魯棒低維表征是基于統計學思想，利用不同范數的數據度量方式進行廣義數據表征和數據壓縮，在表面故障診斷、模式識別、目標識別等領域具有比較廣泛應用，尤其在當前疫情防控常態化條件下應用于人臉識別更具針對性。作者提出余弦目標優化模型，采用具有可調冪的向量2范數作為距離度量，以最大化權重投影，更有助于抑制隱藏在數據之間的不確定性和變異性。作者進一步開發求解Cosine 2DPCA的貪婪迭代算法，并從理論上證明解的收斂性和相關性。這一工作表明，提出的Cosine 2DPCA方法在重構性能、相關性能、復雜度性能及分類性能等方面均有顯著改進，其性能優于現有大多數數據表征方法，為解決復雜環境下的魯棒低維表征提供了新途徑。
此前，該成果得到國家重點研發計劃和天津市科技計劃智能制造重大專項支持，成功應用于國家重點研發計劃中的焊縫表面缺陷識別研究。2022年3月,其相關應用成果以“Online detection of weld surface defects based on improved incremental learning approach”為題發表在EXPERT SYSTEMS WITH APPLICATIONS（ESWA）期刊上。
全文鏈接：https://ieeexplore.ieee.org/document/9751148
