海洋地磁导航区域适配性分析

地磁背景场变化特征是影响匹配导航精度及稳定性的重要因素。因此,潜航器导航前,对航行区适配性能进行分析尤为重要。采用熵、粗糙度等统计参量,实现了对匹配区地磁变化特征的描述,并结合匹配试验对其相关性进行分析,进而实现了适配区性能分析。     

基于卷积神经网络的水表故障检测算法

利用卷积神经网络(CNN)提取水表故障特征,提出一种基于CNN的水表故障检测方法,并通过大量实验对检测模型进行参数优化.对比实验结果表明,所提方法相比于支持向量机和集成学习方法,具备更高的检测性能,且检测精度满足实用需求.     

一种优化FCN的视频异常行为检测定位方法

在视频异常行为检测过程中,为了提取出可分辨性更好的特征,同时兼顾运行速度,提出一种基于优化的全卷积网络(full convolution network,FCN)的异常行为检测与定位方法.对FCN进行优化,使用卷积神经网络(convolution neural network,CNN)的数个初始卷积层和一个额外卷积层,生成同时描述运动和形状的区域向量集;使用高斯分类器对特征向量集进行验证,将存在显著差异的分块标记为异常,将低拟合置信度的可疑区域输入到稀疏自动编码器中;对异常行为进行定位,并将异常行为的位置传回FCN.所提方法在UCSD和Subway这2个公开数据集上进行验证分析.实验结果表明,所提方法在受试者操作特征(receiver operation characteristic,ROC)曲线、等错误率(equal error rate,EER)和曲线下面积(area under curve,AUC)性能方面表现优秀,且运行速度达到60 frame/s,实时性较为优秀.     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

基于Sketch Token的异源雷达影像匹配适应性分析

将异源影像间的共性信息提取与描述作为研究重点,提出了一种基于Sketch Token中层特征的异源影像适配性评估方法.该算法利用监督学习策略获取异源雷达影像之间共性特征的先验知识,据此训练Sketch Token特征分类器,并将其作为影像间共性特征的描述子对基准图进行特征提取.利用提取结果的各项统计量训练支持向量机分类器,并以此评估异源影像对中基准图的适配性.利用星载SAR(synthetic aperture radar)影像作为基准图、机载实孔径雷达影像作为实时图进行适配性评估试验,试验结果表明了该算法的有效性.     

基于深度学习的网络攻击检测

针对现有的网络攻击检测方法检测精度不高的问题,提出一种基于并行卷积神经网络的在线网络安全攻击检测方法.该并行的深度卷积神经网络一共包含2个深度卷积神经网络用于提取特征:CNN1和CNN2,然后通过全连接层两个特征提取层,并通过软最大化操作将网络攻击的检测转换为攻击的分类模型.采用KDD Cup99作为仿真数据集,并采用训练数据来对深度模型进行训练,当模型的训练误差小于一定阈值时,采用测试数据进行测试.结果表明:将本文所提方法与文献[8]以及文献[9]所提的卷积神经网络进行比较,其结果表明了所提方法不仅具有较高的检测准确率而且具有较低的误报率上.     

基于全卷积神经网络的绝缘设备紫外图像评估算法研究

针对绝缘子表面沉积污秽容易导致闪络的问题,文中分析了全卷积神经网络(fully convolutional networks,FCN)的典型结构和训练方法,提出了基于全卷积神经网络的绝缘子紫外图像污秽度评估方法.该方法首先采用全卷积神经网络进行绝缘子放电紫外图像光斑分割提取,然后将分割的紫外光斑图像作为卷积神经网络(convolutional neural networks,CNN)的输入,实现绝缘子污秽度的评估.仿真算例的计算结果表明,FCN-16s模型融合浅层细节特征适中,应用于绝缘子放电紫外图像光斑分割的效果更优;验证了文中所提FCN-CNN算法能够实现绝缘子污秽度的评估,具有更高的准确度,为输变电系统的智能化运维提供了参考.     

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.     

基于多特征融合卷积神经网络的人脸表情识别

针对卷积神经网络特征提取不够充分且识别率低等问题,提出了一种多特征融合卷积神经网络的人脸表情识别方法。首先,为了增加网络的宽度和深度,在网络中引入Inception结构来提取特征的多样性;然后,将提取到的高层次特征与低层次特征进行融合,利用池化层的特征,将融合后的特征送入全连接层,对其特征进行融合处理来增加网络的非线性表达,使网络学习到的特征更加丰富;最后,输出层经过Softmax分类器对表情进行分类,在公开数据集FER2013和CK+上进行实验,并且对实验结果进行分析。实验结果表明:改进后的网络结构在FER2013和CK+数据集的面部表情上,识别率分别提高了0.06%和2.25%。所提方法在人脸表情识别中对卷积神经网络设置和参数配置方面具有参考价值。     

基于深度学习的X射线焊缝缺陷识别

为了提高缺陷识别效率,提出利用基于深度学习网络进行焊缝缺陷识别。在分析X射线焊缝缺陷图像特征的基础上,构建一种基于模拟视觉感知原理的深度学习网络结构,并对卷积神经网络的卷积模板大小及层数进行了分析,对卷积神经网络隐藏层中2种不同的激活函数进行了实验验证,针对性地提出优化方法。该深度学习神经网络可以避免对焊缝缺陷图像特征的提取,直接判断疑似缺陷图像是否为缺陷。对580张图像进行了实验,结果表明,本文所提方法对SDR图像的识别准确率超过98%,优于传统方法。且所设计系统具有自动学习X射线焊缝缺陷图像中复杂的深度特征的特点,实用性较强。     

基于深度学习的激光同步定位与地图构建移动机器人可定位性研究

高精度定位是移动机器人执行上层任务的基础,也是直接影响其他任务执行效果的首要问题。可定位性是对定位精度好坏的度量,对可定位性的预估可以使机器人提早避开难以准确定位的区域提高其他任务的成功率。以常用的地图匹配和航迹推算融合实现定位的方法为研究对象,分析了其工作机理,针对定位算法中航迹推算与地图匹配分别设计不同的神经网络模块,形成一种由卷积神经网络（CNN）、长短期记忆神经网络（LSTM）和多层全连接神经网络（MLFC）组成的多模块深度神经网络模型（MMN）。该方法以定位熵表征可定位性,以CNN网络预估地图匹配定位熵,以LSTM网络估计航迹推算定位熵,以MLFC估计前两者融合后的定位熵,从而实现对移动机器人可定位性的估计。仿真和实验结果表明,该模型能够准确估计给定地图上机器人的可定位性,预测熵与实测熵相比误差小于5%。     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

基于二阶有效通道注意力网络的无约束人脸表情识别

现有基于卷积神经网络的无约束人脸表情识别方法侧重于网络结构的设计，对网络学习到的通道间深层特征相关性的研究较少，没有充分利用神经网络提取表达力较强的特征。为解决此问题，设计了一种基于二阶有效通道注意力网络（second-order efficient channel attention network，SECA-Net）的无约束人脸表情识别方法。该方法采用轻量级的网络提取表情图像的深层特征，使用二阶有效通道注意力模块统计深层特征的二阶信息并捕捉跨通道特征间的依赖关系来自适应地缩放通道特征，进而获得更具判别力的表情特征。SECA-Net利用Softmax损失和中心损失联合优化模型进行表情分类，该模块具有较少的参数量、较低的显存需求和计算量，并且没有使用额外的数据预训练模型。同时，所提出的模块还能提取到人脸表情微小变化的局部特征。在RAF-DB和FER-2013无约束人脸表情数据集上的实验结果表明，提出的方法是有效的。     

基于惯导误差特性的地磁匹配正交搜索方法

针对地磁匹配导航对实时性的需求，提出了基于惯性误差特性的正交搜索方法.该方法在对惯导误差特性分析基础上，采用正交搜索策略，将插值后匹配点地磁数据序列沿与飞行轨迹垂直方向和平行方向分别进行正交搜索，快速得到最佳匹配结果.将地面测量地磁数据延拓到不同高度，分别应用本文方法和全局搜索算法进行处理.数据处理结果表明本文方法与全局搜索算法具有同等的匹配精度，但减少了搜索时间，能有效提高高空高速飞行器匹配定位方法的实时性.      

基于改进卷积神经网络的脑电信号焦虑情绪量化识别

精确量化检出大学生的焦虑情绪并对病理因素进行追溯分析，是临床心理治疗和心理危机干预的重要环节，而基于脑电(Electroencephalograph,EEG)信号的深度学习是当前最具发展潜力的一种诊断方法。本研究对传统卷积神经网络(Convolutional Neural Networks,CNN)进行改进，提出并构造一个基于“扩展信息输入空间”的神经网络(Neural Network Based on Extended Information Input Space，NN-EIIS)模型，取代CNN末端的分类器；并引入具有独立性的被试对象焦虑量表得分(Score of Anxiety Scale，SAS)，作为焦虑情绪量化标准和训练样本集的输出。以某高校大学生为研究对象进行实验，结果表明所提出的方案不仅实现了对焦虑情感的精确量化识别，还能利用所得模型，在一定程度上对大学生焦虑障碍患者的某些重要的内在病理因素进行追溯分析。     

基于多尺度梅尔倒谱系数的转辙机声信号状态识别方法

为了准确地识别铁路转辙机所处的工作状态,保证列车能够安全行驶并转向,提出了一种基于声音信号的转辙机状态识别方法。首先将声音信号预处理后提取其梅尔倒谱系数（MFCC）;为更加全面表征转辙机声信号的特点,对MFCC进行改进得到多尺度MFCC特征;引入卷积神经网络（CNN）构建转辙机声信号识别模型,并采用五折交叉验证法获得两种特征的识别准确率。本实验将S700K型转辙机在四种状态下运行时采集的真实声音信号进行训练和测试。实验结果表明,多尺度MFCC特征可使转辙机声音状态识别准确率至少提高7.5%。并且在低信噪比下,多尺度MFCC特征也有更好的表现,其准确率相较传统MFCC可提升35%。     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象，严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析，本文为了准确的对城市交通状态进行预测，通过网格划分的方法，把城市区域划分为多个区域，根据城市交通数据流的时空特征，提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征，然后采用全连接神经网络增强模型的表达能力，再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中，最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证，结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型，以均方误差（MSE）为评价指标，将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。     

基于深度强化学习的移动机器人视觉图像分级匹配算法

针对传统移动机器人视觉图像分级匹配算法只能完成粗匹配,导致最终匹配精度较低、匹配时间较长等问题,提出一种基于深度强化学习的移动机器人视觉图像分级匹配算法.首先,利用深度强化学习网络结构中的策略网络和价值网络,共同指导浮动图像按正确方向移至参考图像;其次,在粗匹配过程中通过设计奖赏函数,实现颜色特征粗匹配;最后,在粗匹配基础上,利用改进尺度不变特征变换算法提取待匹配的图像局部特征,按相似度进行移动机器人视觉图像分级匹配.实验结果表明,该算法可有效实现图像的粗匹配与精匹配,在不同视角与尺度情况下特征检测的稳定性均较高,匹配精度高、时间短,匹配后的图像质量较好,提高了移动机器人的实际应用效果.     

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。