Analytical Criteria for Local Activity of CNN with Two Ports and Application to Smoothed Chua's Circuit

Presents analytic criteria for the local activity theory in two-port cellular neural network (CNN) cells with four local state variables, and gives the application to a smoothed Chua's circuit (SCC) CNN with two-port and 15×15 arrays. The bifurcation diagrams of the SCC CNN show that they are completely the same as those of an SCC CNN with one-port calculated earlier;which do not exist locally passive domain. The evolution of the patterns of the state variables of the SCC CNN is stimulated. Oscillatory patterns, chaotic patterns, or divergent patterns may emerge if the selected cell parameters are located in the locally active unstable domains but nearby the edge of chaos domain.     

三端口四态变量CNN原理在肿瘤生长方程中应用

提出了一种在抗癌免疫监视下的肿瘤生长细胞神经网络(GIsAC CNN)模型.用具有3个端口4个态变量CNN的解析判别法研究了GusAC CNN的分歧图.数值模拟了癌细胞扩散和清除过程.研究结果似乎表明:效应细胞对癌细胞的清除起着至关重要作用,细胞组织中存在免疫缺陷,可能导致癌细胞的转移与扩散.     

数学形态滤波的细胞神经网络实现方法

给出了细胞神经网络（ＣＮＮ）在数学形态学中的应用．通过对ＣＮＮ状态方程的修改，可使ＣＮＮ并行、实时地实现数学形态滤波，其实现速度与结构元的大小无关．给出了有关改进ＣＮＮ的稳定性及动态特性分析以及在腐蚀、膨胀及结构开、闭运算中的实现结果     

三端口四态变量CNN的局部活动性理论

细胞神经网络(CNN)的局部活动性理论为研究由同质介体构成的复杂系统动力学行为的突现和转化提供了有力工具.本文介绍了CNN的局部活动性原理;建立了确定具有3个端口和4个态变量CNN的局部活动性的一组定理;为绘制相应CNN的分歧图和研究在免疫监视下的细胞组织生长等生命现象提供了解析工具.     

基于混沌神经网络的QoS组播路由算法

为了改变Hopfield网络的能量函数梯度下降的趋势,对神经元的内部状态施加了一个混沌控制量以控制神经网络的能量函数增加,减少或保持不变。将该混沌神经网络应用于解决QoS组播路由问题,提出了基于该混沌神经网络的QoS组播路由算法。通过计算机仿真,该算法能根据组播应用对费用和时延的要求,快速有效地构造组播树,与当前其它启发式算法相比较,本文提出的算法是可行和有效的。     

面向遥感图像的小样本目标检测改进算法研究

针对传统的遥感图像目标检测中面临的小样本以及目标样本分布不均衡等问题, 提出了一种基于改进的卷积神经网络(convolutional neural network, CNN)的遥感图像小样本目标检测算法. 首先, 该算法利用 $K$ 近邻($K$-nearest neighbor, kNN)回归分别对每个点和卷积层提取特征构建局部邻域; 同时, 通过最大池化聚合所有局部特征进行全局特征表示; 最后, 采用全连接层与缩放指数型线性单元(scaled expected linear unit, SELU)激活函数计算各类别对应的概率并分类. 实验结果表明, 该算法能够更有效地融合局部特征, 提高了遥感图像小样本目标识别与检测的精度, 同时保持信息的非局部扩散.     

GVF场的多层细胞神经网络实现及其在图像分割中的应用

提出了利用多层细胞神经网络实现梯度矢量流GVF场的方法,并与扩展、细化的细胞神经网络(CNN)相结合来实现动态轮廓的图像分割．细胞神经网络具有并行运算的能力,可解决传统串行算法复杂性大,不能实时处理的问题,并克服了梯度场作为CNN的外力驱动方法的局部最小问题。在图像处理过程中,外部图像由GVF信息引导,最后收敛到所期望的目标位置。结果表明,该方法在不同的输入图像条件下均获得了比Vilarino提出的方法更好的分割结果,并具有实时处理速度。     

处理带有变形凸性物体灰度图像的CNN新模板

细胞神经网络（CNN）是图像处理的有力工具。它已用于人工视觉，录像压缩，图像融合、运动和图形识别等领域。本文提出了一组CNN新模板，用于恢复数字化灰度图像中扭曲凸物体像的凸性，通过计算机模拟，利用凸性恢复CNN处理了一幅带有高斯噪声的数字化理想圆灰度图像。处理后图像中的理想圆比用识别算子处理的图像具有更好的凸性，可以预期CNN新模板能够用来分析晶体的电子衍射图和银河系中恒星的图像。     

基于混沌粒子群优化算法的CNN图像边缘提取方法

细胞神经网络(Cellular Neural Network,CNN)具有能够高速并行计算,易于硬件实现等特点,使其在未来的图像处理方面展现出了广阔的应用前景.CNN较好地探测出图像中边缘的关键在于设计出一组较好的模板参数.提出一种基于混沌粒子群优化算法求解模板参数的方法,一方面,避免了分析细胞神经网络动态性能的一系列复杂过程;另一方面,通过将搜索过程映射为对混沌轨道的遍历过程,可以使得搜索过程避免陷入局部极小,并且在模板参数的范围内能快速找到最优模板值.仿真实验表明,利用该方法设计出来的CNN去探测图像中的边缘比已有结果和利用几种经典边缘提取算子得到的边缘结果更加精确.     

Finer discrimination of brain activation with local multivariate distance

The organization of human brain function is diverse on different spatial scales. Various cognitive states are always represented as distinct activity patterns across the specific brain region on fine scales. Conventional univariate analysis of functional MRI data seeks to determine how a particular cognitive state is encoded in brain activity by analyzing each voxel separately without considering the fine-scale patterns information contained in the local brain regions. In this paper, a local multivariate distance mapping (LMDM) technique is proposed to detect the brain activation and to map the fine-scale brain activity patterns. LMDM directly represents the local brain activity with the patterns across multiple voxels rather than individual voxels, and it employs the multivariate distance between different patterns to discriminate the brain state on fine scales. Experiments with simulated and real fMRI data demonstrate that LMDM technique can dramatically increase the sensitivity of the detection for the fine-scale brain activity patterns which contain the subtle information of the experimental conditions.     

Finer discrimination of brain activation with local multivariate distance

The organization of human brain function is diverse on different spatial scales. Various cognitive states are always represented as distinct activity patterns across the specific brain region on fine scales. Conventional univariate analysis of functional MRI data seeks to determine how a particular cognitive state is encoded in brain activity by analyzing each voxel separately without considering the fine-scale patterns information contained in the local brain regions. In this paper, a local multivariate distance mapping (LMDM) technique is proposed to detect the brain activation and to map the fine-scale brain activity patterns. LMDM directly represents the local brain activity with the patterns across multiple voxels rather than individual voxels, and it employs the multivariate distance between different patterns to discriminate the brain state on fine scales. Experiments with simulated and real fMRI data demonstrate that LMDM technique can dramatically increase the sensitivity of the detection for the fine-scale brain activity patterns which contain the subtle information of the experimental conditions.     

CNN-PDE非线性图像滤波器

偏微分(PDE)非线性图像滤波方法具有优良特性,但由于其计算量大而无法满足实时控制需求.细胞神经网(CNN)可以描述图像PDE模型,利用模拟CNN芯片并行求解,有助于提高其实时性.本文用CNN实现了PDE偏差非线性图像滤波器,提出了一种局部运算的噪声估计方法以选择适当的平滑系数.计算结果表明,这种噪声估计方法可以对不同噪声水平作出较精确的估计.仿真实验结果表明,CNN-PDE非线性滤波器取得了满意的滤波效果,用CNN实现PDE非线性滤波器的方法是有效可行的.     

基于融合注意力机制与CNN-LSTM的人体行为识别算法

为解决单一的卷积神经网络（CNN）缺乏利用时序信息与单一循环神经网络（RNN）对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型（CLA-net）的人体行为识别方法。首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络（LSTM）提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类。仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35%、99.43%,F1值分别达到95.35%、99.43%,均优于对比实验模型,有效提高了识别精度。     

SA-PSO算法在CNN边缘提取模板设计中的应用

提出了一种用于边缘提取的细胞神经网络(CNN)模板的设计方法,该方法在基本粒子群算法的基础上引入模拟退火机制,形成模拟退火粒子群算法(SA-PSO)对模板参数值进行搜寻。在搜索过程中,用退火温度调节粒子的突跳概率,轮盘赌策略确定粒子的全局最优的替代值,这样能有效避免基本PSO算法容易陷入局部最优解的问题。同时,为了保证每轮搜寻产生的解均能使CNN网络稳定,用CNN反馈模板的研究结论对粒子群解空间进行约束。模拟实验表明,文章算法设计出的CNN模板有良好的边缘提取能力。     

CNN intelligent early warning for apple skin lesion image acquired by infrared video sensors

Video sensors and agricultural IoT ( internet of things) have been widely used in the informa-tionalized orchards.In order to realize intelligent-unattended early warning for disease-pest, this pa-per presents convolutional neural network ( CNN) early warning for apple skin lesion image, which is real-time acquired by infrared video sensor.More specifically, as to skin lesion image, a suite of processing methods is devised to simulate the disturbance of variable orientation and light condition which occurs in orchards.It designs a method to recognize apple pathologic images based on CNN, and formulates a self-adaptive momentum rule to update CNN parameters.For example, a series of experiments are carried out on the recognition of fruit lesion image of apple trees for early warning. The results demonstrate that compared with the shallow learning algorithms and other involved, well-known deep learning methods, the recognition accuracy of the proposal is up to 96.08%, with a fairly quick convergence, and it also presents satisfying smoothness and stableness after conver-gence.In addition, statistics on different benchmark datasets prove that it is fairly effective to other image patterns concerned.     

求解边界约束最优控制问题的神经网络

提出了一种求解控制变量含有边界约束最优控制问题的神经网络模型(COCNN).该模型将控制系统动态方程的等式约束隐含于神经网络COCNN结构中,克服了动态方程约束所带来的求解优化问题的困难;仅将控制系统的控制变量选为COCNN的状态变量,从而降低了神经网络的维数;利用饱和特性处理边界约束,可以求得最优控制问题的精确最优解;该COCNN无论是在硬件实现,还是在用数字计算机进行软件仿真方面,都特别适合于并行处理,可显著提高问题的求解速度,具有广阔的应用前景。     

基于Softmax函数增强卷积神经网络-双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,就需要准确识别和判断交通状态。该文没有采用传统的以车辆速度为基准的预测方法,而是使用TTI交通拥堵系数,该系数的计算基于道路自身的自由流速度,可以让具有不同速度等级的街道都统一到TTI系数上来作为拥堵评价,因此相较以传统的车辆速度为基准的预测方法更能表现出道路的拥堵状态。该文提出了一种改进的深度学习预测模型（CS-BiLSTM）,该模型基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）,并结合Softmax函数增强CNN提取出的交通空间特征信息。深度学习预测模型（CS-BiLSTM）中的S代表的就是Softmax的缩写。使用成都市出租车GPS数据进行验证,结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比C-BiLSTM网络预测框架提升了13%。     

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。本文采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出了一种基于卷积神经网络与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。本文使用了23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较,结果表明该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。     

一种基于联合深度学习模型的情感分类方法

针对情感分析问题中长句和短句进行情感分类时不同的建模特点,提出了一种基于联合深度学习模型的情感分类方法。该方法融合长短期记忆模型(LSTM)与卷积神经网络(CNN)对影视评论数据进行情感极性判别,该方法采用LSTM模型对上下文进行建模,通过逐词迭代得到上下文的特征向量,采用CNN模型从词向量序列中自动发现特征,并从局部抽取特征后将局部特征整合成全局特征来提高分类效果。所提出的方法在COAE2016评测的任务2的情感极性分类任务中,其系统准确率获得最好结果。     

基于CNN的超分辨率信道冲激响应室内指纹定位算法

针对室内环境中多径效应影响定位精度的问题,提出了一种基于卷积神经网络(CNN)的室内定位(PI-CNN)算法.以多重信号分类(MUSIC)算法处理后的信道状态信息(CSI)作为特征图像,基于室内环境中不同位置点具有独特多径信息的特点,利用各收发天线间所形成的子信道信息,获得具有更高时间分辨率的多径到达时间,将获取的伪谱...