基于DenseNet的图像识别方法研究

在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。     

基于改进型C3D网络的人体行为识别算法

针对原始C3D卷积神经网络参数量庞大,以及在压缩网络参数的同时进一步提高视频数据集中人体行为的识别率的问题,提出一种改进型C3D卷积神经网络模型。首先,采用全局平均池化和卷积分类操作取代全连接层,形成全卷积网络形式,之后在模型中分别引入卷积核为(3×3×3)和(1×1×1)的三维卷积层,并在此基础上采用卷积核为(3×1×7)和(3×7×1)的三维卷积层对多个(3×3×3)卷积层合并。最后,将所提方法在数据集UCF101和HMDB51上进行训练测试,并与当前深度学习现有流行算法进行比较。实验结果表明,本文所提方法与原始C3D网络模型相比,在UCF101数据集和HMDB51数据集上识别率分别提高了8.9%和7.9%,参数量压缩为原来的32.9%,并且在模型压缩和识别率上也均优于其他方法。     

BP网络在类黄酮类天然抗氧化剂构性关系研究中的应用

采用误差反传前向人工神经网络模型研究了类黄酮类天然抗氧化剂的结构与其抗氧化能力的关系,用8×4×1网络预测其抗氧化能力,预测误差均小于1%,取得了较好的预测结果,网络自相容能力和交叉检验结果良好.     

轻量级卷积神经网络架构在入侵检测上的应用

针对当前卷积神经网络在入侵检测领域的效率低,误报率高等问题,提出一种新型的轻量级卷积神经网络.通过将SqueezeNet网络模型中Fire模块中的3×3卷积核替换成一组深度可分离的3×1与1×3的卷积核,并构建SpeedNet网络结构,替换模型卷积获得变形结构.实验结果表明,与传统的CNN网络架构相比,不降低精确度的情况下,提高了检测效率.     

基于特征增强SSD的隧道漏缆卡具检测

针对目前隧道漏缆卡具检测数据量大,检测效率低的问题,提出了一种基于特征增强SSD的隧道漏缆卡具检测方法.该方法使用不同尺度的特征图检测卡具,首先通过提高网络宽度和网络深度增强模型的特征提取能力;然后采用特征融合的方式,结合高层网络与低层网络增强网络的特征信息,提高模型的检测精度;最后使用深度可分离卷积和1×1卷积使模型轻量化.将改进后的模型应用于隧道漏缆卡具检测,实验结果表明:该方法检测的平均准确率达到了90.4％,相比于其他4种对比方法具有明显优势.     

三维□×n阶网络等效电阻的普适公式

研究了一类三维□×n阶网络的等效电阻,采用网络分析构建差分方程组模型的方法,经过数学推导与计算,给出了三维□×n阶网络具有普适性的等效电阻公式.作为引申与应用,发现所得到结论同样适用于一类日×n阶电阻网络的等效电阻,由此得到了日×n阶电阻网络等效电阻的普适公式.同时给出了无穷三维网络的等效电阻公式,研究发现无穷三维网络的等效电阻是由无理数表示的有限常数.     

基于卷积神经网络的壁面清洗机器人障碍物检测识别算法

结合机器人的工作原理以及卷积神经网络(CNN)在图像分类中的应用,提出了一种基于卷积神经网络的壁面障碍物检测识别算法.首先,以壁面障碍物准确识别为目标,构建壁面障碍物图像库;然后,通过对VGG-16网络简化后进行优化,得到适合壁面障碍物准确识别的卷积神经网络模型.在此基础上,设计该网络由输入层、4层卷积层、2层池化层、1层全连接层以及输出层组成,进一步利用3×3卷积核对训练样本进行卷积操作,并将所获取的特征图以2×2领域进行池化操作.重复上述操作后,通过学习获取并确定网络模型参数,得到最佳网络模型.实验结果表明,障碍物的识别准确率可达99.0%,具有良好的识别能力.     

2×n阶LC蛛网网络的等效复阻抗研究

电阻网络模型的建立和研究有广泛的实际应用价值,尽管对蛛网电阻网络等效电阻的研究已经有了一定的成果,但是2×n阶LC蛛网模型的等效复阻抗问题尚没有研究成果.对2×n阶LC蛛网模型的等效复阻抗进行理论研究与分析,利用之前研究得到的2×n阶电阻蛛网模型的等效电阻公式通过变量代换及复数分析推导出2×n阶LC蛛网等效复阻抗的一般规律,并且采用MATLAB绘图软件绘制了等效复阻抗在不同情形下的基本特性图,发现了2×n阶LC蛛网等效复阻抗的振荡特性和共鸣性质.     

2×N阶网络中轴线等效电阻的一个普适规律

对2×N阶梯形电阻网络的中轴线上2节点间的等效电阻进行了研究.应用网络分析法得到了电阻网络中的电流规律;通过构建关于电流规律的二阶线性差分方程模型,给出了2×N电阻网络中轴线等效电阻的一个普适规律,并且将所得结果与特殊情形的结果进行了比较与验证.     

2×N阶梯形网络侧端等效电阻的普适规律

对2×N阶梯形网络侧端的等效电阻进行了研究,通过虚拟电流方法进行网络分析,构建了关于电流的差分方程模型,给出了2×N阶梯形网络侧端等效电阻的一个普适规律,并通过具体的特例进行了比较与验证.     

5×n阶网络等效电阻的两个普适公式

针对5×n阶电阻网络的等效电阻计算尚未解决的问题,通过网络分析构建差分方程组模型.利用矩阵变换方法,给出5×n阶电阻网络节点间的电流通用规律,并且根据边界电流条件,获得了5×n阶电阻网络等效电阻的2个普适公式,给出了n→∞的结果.在n=0,1,2三种特例情形下的计算结果与实际相一致,验证了该公式的正确性.     

加强型2×n阶电阻网络的两个普适公式

研究了加强型2×n阶电阻网络,计算了该网络对角节点和侧端节点的等效电阻,通过网络分析构建差分方程模型,构建巧妙的矩阵变换方法,给出了加强型2×n阶电阻网络对角节点和侧端节点等效电阻的两个普适规律,并且与其它相关结果进行了具体比较.     

SU(2)×U(1)×U(1)×U(1)理论模型分析

最近,在关于E_8×E_8作为规范群的超弦理论中,通过连续破缺,可以得到一个包含E_6的大统一理论,E_6可以进一步破缺到SU_3~C×SU_2×U(1)×U_1×U_1。从而,在低能的情况下,可以给出一个SU(2)×U_1×U_1×U_1的秩为4的弱电统一模型。本文讨论它如何回到包含SU(2)×(T_3)_R×U_γ(1)和标准的WS模型。     

2×N阶网络对角等效电阻的再研究

再次对2×N阶电阻网络对角节点间的等效电阻进行了研究,发现了文献[1]中给出的结论存在错误.通过网络分析构建差分方程模型,纠正了以前研究的错误,得出了新的结论,并且对特殊情形的结果进行了比较与验证.     

基于改进的卷积神经网络的工件识别技术

针对传统的工件识别流程是由人工根据工件的特点设计需要提取的特征,整个过程具有耗时高、成本大、通用性较差和识别准确率不高等问题,改进了经典的卷积神经网络模型AlexNet和LeNet-5,通过将AlexNet网络的输入图像尺寸缩小到120×120,用BN层代替LRN层,减少两层卷积和全连接层,用3×3的卷积核代替第一层卷积层11×11的卷积核;将LeNet-5的输入图像尺寸提升至60×60,用ReLU取代原始Sigmoid激活函数,使用多个小卷积核代替大卷积核;分别使用改进前后的网络模型对工件数据集进行训练、测试.结果表明,改进后的两种网络模型,在测试集上分别达到94.31%和92.75%的平均识别准确率,平均识别时间分别为0.271s和0.321 s,满足生产需求.     

3×n阶网络等效电阻的再研究

通过网络分析构建了三元差分方程组模型,提出了一种矩阵变换方法,得到了电阻网络中的电流分布规律.基于不同的边界条件,获得了3×n阶网络等效电阻的2个新的普适公式,该公式适用于网格数为一切自然数的情形,同时得到的无穷3×n阶网络的2个等效电阻是由无理数表示的常数.通过将所得结论与实际结果比较,说明了该公式的正确性.     

3×n阶网络等效电阻的再研究

通过网络分析构建了三元差分方程组模型,提出了一种矩阵变换方法,得到了电阻网络中的电流分布规律.基于不同的边界条件,获得了3×n阶网络等效电阻的2个新的普适公式,该公式适用于网格数为一切自然数的情形,同时得到的无穷3×n阶网络的2个等效电阻是由无理数表示的常数.通过将所得结论与实际结果比较,说明了该公式的正确性.     

(弱电统一)模型SU(2)×U(1)×U′(1)研究

许多文献中讨论了SU(2)_L×(T_3)_R×U_V(1)这种特殊的模型,并得到了氢原子物理实验的证明。本文提出了一个更为普遍的弱电统一模型SU(2)×U(1)×U′(1),并将表示参数化,提出了“类氢原子”的新概念。     

共面波导馈电的新型圆极化天线阵列

提出了一种新型共面波导(CPW)馈电的1×2圆极化阵列天线及改进后的2×2阵列天线.为了改善阵列天线的圆极化轴比带宽,将顺序旋转馈电技术与共面波导-槽线馈电网络相结合,设计了用于微带贴片天线的新型馈电网络.仿真与实测结果证明,该类型的馈电网络可以同时改善阵列天线的阻抗带宽与轴比带宽.实测结果表明,1×2线阵的阻抗带宽与轴比带宽分别为3.79%和16.41%.2×2面阵的阻抗带宽与轴比带宽分别为3.61%和10.83%.     

基于超分辨重建和公共特征子空间的低分辨率人脸识别

针对传统低分辨率人脸识别准确率较低的问题，提出了一种基于超分辨重建和公共特征子空间的低分辨率人脸识别网络InGLRNet(inception GAN low resolution Net)。InGLRNet网络采用生成对抗网络结构，首先，由超分辨InSRNet网络和特征提取网络构成生成网络，InSRNet网络将Inception结构中3×3卷积核分解为1×3、3×1和1×1的卷积核，同时，增加残差网络的旁路直连方式，减轻梯度消失问题。其次，利用公共特征子空间法，将变换后的低分辨率样本图像和高分辨率基准图像在公共空间中的距离作为训练深度卷积神经网络的目标函数，通过损失函数匹配高、低分辨率图像的特征，实现人脸的精准特征识别。最后，将InGLRNet与CLPMs、MDS、Deep-Face和Face-Net经典的4种低分辨人脸识别方法进行对比，实验结果表明，构建的网络在人脸识别性能上有显著提升，在不同低分辨率下都优于其他4种方法。