基于衰减因子的双通道神经网络图像分类算法

为解决深度卷积神经网络(convolutional neural networks, CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual channel neural networks, DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种“双池化层”对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

基于卷积神经网络的OFDM频谱感知方法

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。针对传统机器学习算法在频谱感知训练慢的难题,提出一种基于卷积神经网络的正交频分复用(orthogonal frequency division multiplexing,OFDM)频谱感知方法,将深度学习在图像处理上的优势应用到OFDM信号频谱感知中。该方法首先分析OFDM信号的循环自相关和频谱感知模型,对循环自相关进行归一化灰度处理,形成循环自相关灰度图;然后以LeNet-5网络为基础设计卷积神经网络分层地对训练数据进行学习,提取出更加抽象的特征;最后将测试数据输入到训练好的卷积神经网络模型,完成频谱感知。仿真实验表明,该方法能够完成OFDM信号的频谱感知,在低信噪比条件下具有较高的检测概率。     

基于卷积神经网络与注意力机制的SAR图像飞机检测

在合成孔径雷达(synthetic aperture radar, SAR)图像应用领域, 对SAR图像中飞机目标的检测备受关注。针对现有检测算法模型运算复杂度高、检测性能较低的问题, 提出一种基于深度可分离卷积神经网络与注意力机制的SAR图像飞机检测算法。首先使用深度可分离卷积神经网络提取图像特征, 同时在网络中引入逆残差块, 以有效防止通道数压缩引起的特征信息丢失问题; 其次在网络中引入多尺度空洞卷积—空间注意力模块和全局上下文通道注意力模块, 通过重新分配显著区域和各特征图更有代表性的权值, 以更好地捕捉空间有效信息和通道间语义相关性, 提高模型特征表达能力; 最后在SAR飞机数据集(SAR aircraft dataset, SAD)上进行对比实验验证。实验结果表明, 所提算法具有更好的检测效果, 平均准确率达到86.3%, 检测速度达到22.4 fps/s。     

基于神经网络的声场景数据声谱图提取方法

在复杂环境声场景识别任务中, 梅尔频谱作为输入的深度卷积神经网络有良好的识别能力, 然而梅尔滤波器组依据人耳生理特征设计, 对于声场景识别并非最优滤波器组。针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程, 通过训练该网络使声谱图自动适应声场景数据集。声谱图提取神经网络连接ResNet50作为声场景识别架构, 在DCASE2019声场景数据集上进行训练与测试, 实验结果表明该架构比传统模型有更高的识别率, 能够有效调整频率曲线、滤波器幅值以及滤波器形状。     

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.     

基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题，提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network, RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征；然后通过引入注意力机制，优化双向长短时记忆网络提取时间相关特征的权重参数，加强关键退化信息对剩余寿命预测的表达；最后通过航空发动机数据集验证了方法的有效性。分析结果表明，对于运行条件复杂和故障模式多变的多维监测数据，所提方法能够准确寻找退化时间点，有效提高长时间运行设备的剩余寿命预测准确度。     

基于SMOTE和深度迁移卷积神经网络的多类不平衡遥感图像分类算法研究

在遥感图像分类实际应用中，深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题，难以发挥优势。基于上述问题，提出一个基于人工少数类过采样方法(synthetic minority oversampling technique, SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法。所提算法创新性地采用深度迁移学习，使算法能够学习不同时空相同地物的相似性，并利用SMOTE方法对学习数据进行类分布空间优化平衡，从而解决目标域数据不足和数据类不平衡问题。两组公开的高光谱遥感图像被用来验证所提算法的有效性。实验结果表明，相比传统的深度学习，所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度。     

基于特征生成的轴承不均衡数据故障诊断

针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。     

基于截断迁移与并行残差网络的调制识别算法

针对卷积神经网络提取的信号时序特征受限问题，提出一种截断迁移的数据预处理算法，将采样矩阵一端的距离单位截断，迁移到另一端，依次合并成新的矩阵，使卷积神经网络提取到更多的采样点，比较更多的符号信息。同时提出一种改进的并行残差神经网络，通过两路并行的支路同时关注水平和垂直2个方向的特征。结果表明，该算法比普通卷积网络提高约10%的准确率，改进的网络在信噪比为14 dB时，准确率为93.78%，信噪比大于0 dB时，准确率均在91%以上。     

二维最大散度差图像投影鉴别分析

提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明，所提出的方法不仅在识别性能上优于传统的散度差鉴别分析，特征抽取的速度有了较大幅度的提高。     

一种组合类别信息的非负矩阵分解方法及其应用

基于非负矩阵分解理论,提出一种新的有监督的特征提取方法,它具有二个特点: 一是在特征提取过程中它直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,因此这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法.另外,在分类时本文提出了基于两种特征融合的分类策略进一步提高CINMF方法的识别率.通过在YALE人脸库和ORL人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于原非负矩阵分解方法,甚至超过常用的主成分分析法(PCA).     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于径向基函数网络人脸识别的研究

用人脸信息来识别和辨认一个人类个体,是计算机视觉和模式识别领域中的一个研究热点。本文提出了一种基于径向基函数网络(RBFN)识别人脸的方法,使用主分量分析(PCA)技术降低样本维数,并用生成图像(SI)技术改变人脸的姿态,以增加学习样本数。用标准人脸库ORL进行实验,表明人脸识别效果有大幅度的提高。     

基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。     

基于信号特征空间的TDCS干扰分类识别

针对变换域通信系统中干扰信号的分类识别问题,提出了一种基于信号特征空间的支持向量机(signal feature space-support vector machine, SF-SVM)干扰分类算法。首先,基于干扰信号模型和信号空间理论对干扰信号进行特征提取,并建立信号特征空间,进而针对二分类和多分类问题提出了SF-SVM分类算法,设计了干扰信号的多分类识别器。仿真结果表明,与干扰信号的传统分类算法相比,SF-SVM不仅提高了分类精度,而且缩短了训练时间;设计的多分类识别器在信噪比达到8dB时,对6种干扰信号识别性能及对变换域通信系统性能都有所提升。     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。