改进卷积神经网络的语音情感识别方法

研究了基于卷积神经网络的语音情感识别算法,改进了传统卷积神经网络训练过程中的卷积核权值的更新算法,使卷积核权值的更新算法与迭代次数有关联;同时为了增加情感语音之间的特征差异性,将语音信号经过预处理后得到的梅尔频率倒谱系数特征数据矩阵进行变换,提高卷积神经网络的表达能力.实验表明,改进后的语音情感识别算法的错误识别率比传统算法的错误识别率约减少7%.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于强化学习的多模态场景人体危险行为识别方法

在多模态场景下,常规人体危险行为识别方法对人体危险行为的识别精度较低,于是提出了基于强化学习的多模态场景人体危险行为识别方法。首先根据强化学习的特征提取算法获取多模态场景人体危险行为特征集,其次基于强化学习数据决策提取多模态场景人体危险行为,构建人体危险行为模糊识别模型。最后将上述人体危险行为特征子集代入模型,计算不同感官下危险行为的隶属度,实现多模态场景人体危险行为的识别。实验结果表明：该方法对危险行为的识别准确率较高,其识别延迟时间低于300 ms。     

改进Kinect手部行为识别系统的研究

针对Kinect自带的动作模板库无法判断人体多种动作组合行为以及不同位置含义不同的问题,本文以人体手部行为为例,设立4种位置下4种基础手部动作,提出了在屏幕坐标系下构建运动特征模板,并提出建立一种DTW-NBC模型,将动态时间规整(Dynamic time warping, DTW)与朴素贝叶斯分类(Naive bayes classification, NBC)相结合进行模板训练与匹配,并对上述任意两种基础动作组合产生的行为在不同位置的发生进行识别。实验证明,该方法有效地区分了在不同位置相同的手势行为,改善了Kinect对同时发生的复合动作进行识别精确度较低的缺点,识别率达到88.6%,具备良好的稳健性和有效性。     

利用深度卷积神经网络算法识别传统篆体书法的应用研究

利用先进的数字化和智能化技术对我国古代文化遗产进行数字化应用和有效保护,以更快捷、更高效的方式解决凭借人力无法解决的问题,具有重要的现实意义。通过研究深度卷积神经网络在书法文字检测识别任务上的应用,设计了一个篆体书法文字检测识别的完整系统,包括数据采集、数据扩充、算法训练与测试和算法模型部署等流程。整个系统以YOLOv4目标检测算法为基础,根据篆体书法图像数据特征对采集得到的数据进行有效地扩充,进行多次训练和验证测试,最终获得了89.7%的平均精度、92.3%的准确率和94.7%的召回率,同时达到45张/s的识别速度;最终将识别检测模型部署至服务器端,并提供了接口供外部调用。实验证明设计的识别系统可以利用深度卷积神经网络自动、快速、准确地对篆体文字进行定位和识别,并且可以方便地调用训练和部署完成的模型。     

基于分布式卷积神经网络的车型识别算法研究

本文利用Spark分布式计算框架,提出了一种基于分布式卷积神经网络的车型识别算法。该算法通过改进卷积核参数和丢弃相似特征图来优化网络,通过改进分布式梯度下降来减少master和slave同步通信量,从而提高了收敛速度和性能。试验结果表明,该算法可有效提高车型分类的速度和精度。     

神经网络在车辆目标识别中的应用

提出了利用神经网络技术对战场侦察雷达目标回波的时域或频域信号进行处理,以实现对车辆目标进行分类识别的一种新算法.首先对目标的回波信号作时域或频域分析,从中提取信号的特征向量,然后利用所建立的神经网络模型对目标信号作训练识别,最后与经典谱分析的方法作比较,并采用实际数据验证这种识别算法是有效的.     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

基于残差块的遥感图像目标识别自编码网络

实现遥感图像目标识别的智能化是一个亟待解决的问题.由此建立了黑龙江地区地表高清遥感图像数据集,以深度学习为基本工具,设计了基于残差块的遥感图像目标识别自编码网络,并使用优化算法对学习过程进行了优化提升.搭建了实验平台,完成了对神经网络的训练和测试实验,验证了该文所提算法的有效性,为实现遥感图像目标识别的智能化提供了有效方案.     

基于卷积神经网络的颅内病变类型影像的判别

颅内病变的具体类型直接影响医生所选用的医疗方式,目前颅内病变影像的判别主要依靠医生的经验,易造成误诊。提出了一个基于卷积神经网络的精准影像分类法,通过从医院放射科电子计算机断层扫描设备采集五种较常见病变类型和一种正常颅脑CT图像作为分类的对象进行预处理。创建一个包含3个卷积层、3个池化层、1个完全连接层的卷积神经网络,并对网络采取了Dropout技术优化处理。并用所采集的颅内病变样本对神经网络进行训练和测试。通过实验将改进后的CNN算法与模板比较法及SVM等传统算法进行比较发现,分类结果的准确度明显优于传统算法,平均识别准确率可达93.54%。     

基于脑电信号深度学习的情感分类

情感脑电研究作为人工智能高级阶段的重要任务,近年来受到越来越多的关注。情感脑电分类广泛应用于人机交互、医学研究等领域。该文以轻量级的卷积神经网络为核心,设计了情感脑电分类模型,以DEAP（dataset for emotion analysis using physiologicalsignals）提供的情感脑电图数据为基础,将其中的观看视频划分为唤醒度和愉悦度2个维度。为了获得频域信息,提取了theta、alpha、beta和gamma波段的功率谱密度特征进行评估,并将功率谱密度矩阵表示为二维灰度图像。然后将该图像输入到卷积神经网络训练分类模型并完成2个维度的分类任务。实验结果表明,与传统机器学习相比,卷积神经网络具有更好的分类效果,唤醒度分类准确率达到了82.33%,愉悦度分类准确率达到了75.46%。     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

基于决策树-逻辑回归模型精确识别僵尸企业

针对如何精准识别僵尸企业的问题,借助湖南科创信息有限公司公开的企业信息数据集,提出了一种决策树-逻辑回归的僵尸企业识别方法。该方法用中位数填充缺失数和离群值,然后分析数据集并进行特征衍生,最后使用多元线性回归和卡方检验等方法完成特征筛选。为了验证所提出方法的有效性,分别在阿里云环境和本地环境下将该方法与过度借贷法、连续亏损法、随机森林算法、BP神经网络算法、XGBoost算法进行比较。每个模型均训练50次,每次训练按一定比例随机选取数据,最终取各个指标的平均值作为最终实验结果。实验结果表明：所提出的决策树-逻辑回归模型对于僵尸企业的识别准确率最高,达到99.98%;并且模型的运行速度相对各种集成模型的速度有较大优势,平均执行时间约为1.5 s。在各实验环境中,实验结果差异较小,验证了该模型的有效性和稳定性。     

基于计算机视觉技术的武夷岩茶识别研究

该研究对数码相机所获得的茶叶图像经过图像预处理、图像增强后,提取出茶叶颜色、形状特征,用相同的方法获取茶汤颜色特征,通过BP神经网络训练和分类,完成对武夷岩茶品质的识别,实验结果表明此方法有较好的识别效果,检测结果和人工检测结果高度吻合.     

基于贝叶斯网络的Peer-to-Peer识别方法

网络业务分类与识别是网络管理、网络规划和安全的必要途径,而Peer-to-Peer (P2P)流量由于采用伪装端口、动态端口以及应用层加密,已成为业务分类与识别的主要难点. 该文提出了P2P业务的精确识别方法,通过对流统计特性的分析,提取相关特征属性,应用遗传算法选取最优特征属性子集,并采用贝叶斯网络机器学习方法识别P2P流量. 实验表明Ｋ2,TAN和BAN能有效快速地识别P2P业务,分类精度高达95%以上,很大程度上优于朴素贝叶斯分类和BP神经网络方法. 同时该系统具有可扩展性,能够识别未知的P2P流量,并适用于实时分类识别环境.     

基于FSCD-CNN的深度图像快速帧内预测模式选择算法

针对3D-HEVC的多视点视频加深度图的编码格式和四叉树编码结构所带来的编码复杂度问题,提出了一种深度图像快速帧内预测模式选择算法。首先,从深度视频序列中以最优的深度图最大编码单元（largest coding unit,LCU）划分深度为标签获取训练集;其次,构建了适用于LCU的Cu深度快速选择卷积神经网络（fast selecting Cu’s depth-convolutionalneural network,FSCD-CNN）;最后,对深度图LCU进行划分深度预测,跳过部分编码模式决策,实现最佳LCU划分。实验结果表明,与相关文献对比,所提算法在保持了编码性能的同时平均减少了15%的编码时间,实验验证了其有效性和可靠性。     

利用卷积神经网络的体育视频运动员检测

针对体育视频中多尺度运动员的检测问题,提出一种基于卷积神经网络的自动检测方法.首先,从视频帧中获得运动员图像,并结合非运动员图像构建训练集,利用Bootstrapping算法来训练卷积神经网络分类器.然后,对于输入的图像帧,通过二次采样构建不同尺度的图像金字塔,并通过卷积神经网络检测出多个候选运动员位置.最后,计算这些候选运动员的重心,获得一个具有代表性的候选运动员,再通过一个局部搜索过程来确定最终的运动员位置.实验结果表明,该方案具有较高的检测率和较低的误报率.     

基于卷积神经网络的时空权重姿态运动特征提取算法

在传统姿态运动特征提取过程中存在有效提取效率低的问题,于是提出了基于卷积神经网络（convolutional neural network,CNN）算法的时空权重姿态运动特征提取算法。针对所选择的运动时空样本,提取相应的时空运动关键帧并以静态图像的形式输出;采取运动目标检测、图像增强等多项措施完成初始运动图像的预处理工作;借助CNN将运动特征矢量化;采用时空权重自适应插值方法减少运动边缘检测误差,从姿态边缘特征和姿态运动时空特征两方面实现姿态运动特征提取,并输出提取结果。与传统算法进行对比实验的结果表明,所提出的算法在有效特征数量方面得到了提升。     

一种基于Kohonen和最小风险贝叶斯决策的雷达信号识别方法

鉴于有监督的Kohonen神经网络在雷达信号识别方面的不足,将S-Kohonen神经网络和最小风险贝叶斯决策相结合,提出了一种加强的S-Kohonen-Bayes方法对雷达信号进行分类,并利用Adaboost强分类器设计对识别结果进行修正.人工仿真实验结果表明,错误率平均降低了36%,改进方法具有良好的识别能力,使用最小风险贝叶斯决策进行修正是有效和必要的.     

基于OpenMV图像识别的垃圾分类小车系统设计与实现

垃圾分类是垃圾处理中提高资源利用率、实现可持续发展的一种方式。本研究以STM32F103C8T为主控芯片,通过集成3轴陀螺仪、3轴加速度、电机编码器传感器,并结合OpenMV摄像头模块,从而设计出一款基于图像识别的垃圾分类小车系统。该系统通过卷积神经网络算法对可回收垃圾、不可回收垃圾、有害垃圾进行图像识别分类,选取3类垃圾图片共500张,并对系统进行不断的训练,使其识别率能达到一定的准确率。对试验结果进行误差分析,发现训练好的垃圾图像识别系统的平均精度为89%～98%、平均相对误差率在10%以内,试验结果证明该系统在垃圾分类上具有一定的实用性。