脑微观重建系统研究

本文旨在研究如何利用硬件,软件,算法的系统工程的方案解决脑微观结构重建的高通量自动化数据分析的难题.通过实现样片制备,自动切片,显微成像,三维重建以及软件平台等分阶段工作,建立符合神经结构生物学特征的模式识别和机器学习分类方法,解决海量畸变图像拼接配准,密集神经结构识别,歧义神经联结,多源数据融合等限制分析效率的关键问题,为搭建大体量神经结构重建工程平台提供理论基础和解决方案,满足脑科学研究对高通量神经回路网络重建的需求.     

兴奋性神经群体的非周期信息传输研究

研究了FitzHugh-Nagumo(FHN)可兴奋性神经元的小世界网络模型中非周期信息传输的问题.此小世界网络模型的每个节点都是一个FHN神经元,每个神经元的输入为具有一定相关时间的高斯非周期信号,而内部噪声为强度相同但相互独立的高斯白噪声.数值结果表明,随着噪声强度的增加,输入输出信号的相关系数出现了非周期随机共振现象.连接度对于非周期信号传输性能影响有限.对于两个不同小世界网络的互相关进行了分析以期提高信息传递率.这些研究结果对于复杂系统信号处理理论具有重要意义.     

增长式卷积神经网络及其在人脸检测中的应用

卷积神经网络擅于提取具有类别分辨能力的隐式特征,在人脸检测等领域获得巨大成功.然而典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的,难以实现后继的再学习.鉴于此,提出一种结构可变的卷积神经网络的构造方法:从每层只有单个卷积核的简单网络结构开始训练,逐渐为各网络层增加新的卷积神经元并修改新增连接权重,当训练结果达到预期目标时训练结束.在人脸检测的实验中,不同网络规模下的识别结果表明基于结构增长生成的网络可以在精确度和网络规模之间取得一个非常好的折衷.此外,在追加新的学习样本时,分类器在保持原有学习结果基础上,只需调整少量新增神经元的权值,就能明显提高检测率.     

基于显式拥塞指示的自适应主动队列管理算法

目前Internet网络中间节点拥塞控制问题在网络和控制理论界已获得了广泛关注.本文提出一种基于神经元自适应PID控制器的AQM算法,针对TCP/AQM系统模型,结合中间节点队列管理和显式拥塞指示机制(Explicit CongestionNotincation,ECN)机制,采用梯度学习算法来在线调整基于神经元PID的AQM控制器参数,以实现标记/丢包概率的自适应调整,从而对网络拥塞程度作出及时响应,尤其在网络参数时变的情况下仍能保证良好的动态性能,并显著改善网络的服务性能(QoS).最后通过NS-2仿真结果表明,该算法在队列稳定性、平均丢包率等性能方面要明显优于基于常规PID的AQM算法.     

在简单头模型上的磁感应断层成像仿真图像重建

磁感应断层成像技术(Magnetic Induction Tomography,MIT)是一种非接触、无损害的以人体电导率空间分布为成像目标的电阻抗成像技术.在有效求解MIT的正问题和逆问题的基础上实现了修正的Newton-Raphson(NR)图像重建算法.基于该算法,在一个简单头模型上进行了MIT仿真成像实验.实验结果揭示了 MIT技术在脑电阻抗成像领域的潜在优势,同时证明了理论分析的准确性,即 MIT测量值与导体的电导率和激励频率的乘积近似呈一线性关系.     

基于量子门组单元的神经网络及其应用

以通用量子门组(即相移门和受控非门)作为基本的计算单元,构造出全新的量子神经元模型,并由此组成前馈型结构网络.仿真结果表明,就文中算例而言,该量子神经网络的计算性能优于传统的神经网络.     

基于KIBS的企业技术创新能力形成与演化

企业技术创新需要知识密集型服务(KIBS)的支持,而KIBS促进作用的本质在于KIBS与技术创新的互动.基于KIBS与技术创新的互动关系,提出了互动的宏观与微观系统动力学模型;从单个企业的角度,分析了技术创新能力演化的混沌时间序列;从技术创新网络的角度,分析了网络上技术创新同步的现象;最后,给出了结论.     

基于模型剪枝动态调整压缩率的CSI反馈方法

针对现有基于深度学习(deep learning, DL)的信道状态信息(channel state information, CSI)反馈方案只能以固定压缩率(compression rate, CR)进行压缩反馈的问题，提出了一种基于模型结构化剪枝动态调整CR的CSI反馈方案。首先设计了残差信道特性注意(residual channel characteristic attention, RCCA)机制，并搭建了CSI反馈网络RCCA-Net,充分利用复信道矩阵实部虚部间的幅度相位依赖关系，进一步提高CSI反馈-重建质量。其次设计了RCCA-Prune方案，并以?²范数评估各神经元对最终结果的贡献度，通过模型结构化剪枝技术删除贡献度较小的神经元以实现CR的动态调整。仿真结果表明，所提的动态调整CR方案在不同CR下均有较佳的反馈性能，且在不同的测试环境中具有良好的泛化性。     

地震救援·恢复·重建的组织技术及理论模式

针对地震救援恢复重建这一开放的复杂巨系统,探究其结构、环境、功能与演化,分析系统特征、研判整体涌现;运用系统工程方法组织管理地震救援恢复重建系统,采用Hall三维结构体系从进度、逻辑与专业三个维度对地震救援恢复重建系统工程进行集成分析,应用综合集成方法及其研讨厅从微观和宏观两个层面实践地震救援恢复重建系统工程;根据震灾救援、震后恢复和灾后重建系统分别展现的应急、并行和全面的特征,从理论上构筑震灾救援的情景应对模式、震后恢复的统筹优选模式和灾后重建的综合集成模式,结合系统工程方法,指导一类专业技术手段的运用,从各专项领域有效解决地震救援恢复重建系统问题.     

在基于二阶Adaline网络的广义预测极点配置控制器

为了解决实际应用中非线性被控过程的预测控制问题,把神经网络、广义预测控制和极点配置技术融为一体,提出一个新型自适应神经网络广义预测极点配置加权控制器(GPPWC)。首先提出非线性被控过程的二阶自适应线性神经元(Adaline)网络模型,然后给出基于二阶Adaline网络的GPPWC。仿真结果表明该方案的有效性。     

强化学习中的策略重用:研究进展

策略重用(policy reuse,PR)作为一种迁移学习(transfer learning,TL)方法,通过利用任务之间的内在联系,将过去学习到的经验、知识用于加速学习当前的目标任务,不仅能够在很大程度上解决传统强化学习(reinforcement learning,RL)收敛速度慢、资源消耗大等问题,而且避免了在...     

基于图像的几何三维重建方法

介绍了基于图像的几何三维重建方法的基本原理和一般步骤,对现有方法进行了分类和分析,总结了它们的优点和不足,并提出了在今后的工作中需要进一步研究的问题。     

Using Genetic Algorithms to Improve the Search of the Weight Space in Cascade－Correlation Neural Network

ＵｓｉｎｇＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓｔｏＩｍｐｒｏｖｅｔｈｅＳｅａｒｃｈｏｆｔｈｅＷｅｉｇｈｔＳｐａｃｅｉｎＣａｓｃａｄｅ－ＣｏｒｒｅｌａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ￥Ｅ．Ａ．Ｍａｙｅｒ，Ｋ．Ｊ．Ｃｉｏｓ，Ｌ．Ｂｅｒｋｅ＆Ａ．Ｖａｒｙ（...     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

基于损失提取反馈注意网络的图像超分辨率重建研究

自SRCNN(super-resolution convolutional neural network)将卷积神经网络用于超分辨率图像重建领域以来，人们通过大量的研究证明了使用深度学习的方法能够提高重建图像的效果。针对图像超分辨率网络中参数过多以及图像特征利用不充分导致可用的高频信息较少等问题，提出了一种基于损失提取策略的反馈注意网络(loss extraction feedback attention network,LEFAN)，以循环的方式对参数进行复用，同时增加对低分辨率图像特征的重用，以捕获更多的高频信息，对重建过程中造成的损失进行提取并融合到最终的超分辨率图像中。实验结果表明：算法在实现多次利用低分辨率图像的基础上，对潜在的损失进行提取并融合到最终的超分辨率图像中，可以获得较好的图像重建效果。     

多带正交压缩采样雷达回波信号的快速重构

多带正交压缩采样可实现多带模拟信号的亚Landau率采样,并同时获取每个子带同相和正交分量的压缩测量。对于多带雷达应用而言,恢复所有子带回波信号需求解多个大规模稀疏重构问题,计算量大、实时能力差。以探测同一场景的等带宽多带雷达为背景,在分析回波信号特征的基础上,揭示回波信号的块稀疏性,提出采用块稀疏重构模型恢复所有子带回波,发展块稀疏分段滑动快速重构方法。为了提高重构性能,对块正交匹配追踪算法进行了改进,提出了一个两步块正交匹配追踪算法。仿真结果验证了块稀疏分段滑动重构方法的有效性和正确性。     

基于深度学习算法的坦克装甲目标自动检测与跟踪系统

实现对目标的自动检测与跟踪是坦克火控系统未来发展的重要方向。首先采用迁移学习的方法将基于深度学习模型的Faster R-卷积神经网络(faster R-convolution neural network,Faster R-CNN)算法应用解决复杂背景下的坦克装甲目标检测问题,与基于人工模型的传统算法相比达到了较高的检测精度。其次,针对坦克火控系统现有目标跟踪算法的不足,通过将Faster R-CNN算法与现有跟踪算法相结合,提出了复合式目标跟踪算法,实现了对坦克装甲目标的自动检测与稳定跟踪。最后,设计了一套目标自动检测与跟踪系统,采用动态扫描凝视成像技术实现了对大范围战场图像的快速、清晰获取,并对所提算法进行了实验测试。同时也指出了深度学习方法在应用于坦克火控系统时仍然存在的部分问题。     

神经网络与图论

本文讨论了神经网络与图论之间的相互关系：神经网络的深入研究与发展离不开图论，神经网络的深入发展必将对图论中许多问题的进一步研究产生重要的影响。文中论述了图论在神经网络研究中的作用、地位及应用现状，同时概述了神经网络在图论中的应用情况。     

基于正交频谱重构的微波三维成像方法

传统微波三维成像方法的回波数据量非常大, 基于目标场景稀疏的压缩感知成像方法虽然可以降低采样率和数据量, 但字典矩阵内存占用巨大, 且对连续分布目标成像效果不佳。针对上述问题, 本文分析了目标回波在三维频域的数据分布特征, 根据构建的频谱正交投影重构模型实现了目标三维频谱的重构。为了进一步优化重构模型, 以最小图像熵作为判别准则对重构的正则化参数进行了最优估计, 并得到最优的频谱重构结果。本文所提方法具有较好的成像效果, 较高的运算速度和较小的内存占用。计算机仿真实验和微波暗室实验验证了本文所提方法的有效性。