基于细胞神经网的快速图像分割方法

细胞神经网(CNN)是一种局部互联的非线性并行模拟视觉处理系统,具有适合硬件实现处理速度快的优点.首先利用CNN-PDE非线性异质扩散滤波对图像作预处理,随后给出了一种基于CNN的图像分割方法.分割试验结果及仿真时间估计表明,CNN分割方法能以非常快的速度完成相应处理,是高效可行的.     

深度学习的研究与发展

针对以往浅层学习对特征表达能力不足和特征维度过多导致的维数灾难等现象,深度学习通过所特有的层次结构和其能够从低等级特征中提取高等级特征很好地解决了这些问题,并给人工智能带来了新的希望.首先介绍了深度学习的发展历程,并介绍了基于restricted boltzmann machines(RBM)、auto encoder(AE)和convolutional neural networks(CNN)的deep belief networks(DBN)、deep boltzmann machine(DBM)和stacked auto encoders(SAE)等深度模型.其次,对近几年深度学习在语音识别、计算机视觉、自然语言处理以及信息检索等方面的应用的介绍,说明了深度学习结构在相比较于其他结构的优越性和在不同任务上更好的适应性.最后通过对现有的深度学习在在线学习能力、大数据上和深度结构模型的改进上的思考和总结,展望了今后深度学习的发展方向.     

人工细胞神经网络(CNN)的硬件实现

本文主要研究用集成运放实现人工细胞神经网络(CNN)的问题,改进了由L.O.Chua(蔡少棠)提出的单细胞人工CNN电路。从巳实现的4×4CNN电路及CNN连通片检测电路看,其性能达到了预期要求。     

基于Dropout卷积神经网络的行为识别

近年来,卷积神经网络(CNN)已经成为很多科学领域的研究热点之一.卷积神经网络作为一种深度模型可以直接作用于原始输入,不需要手动设计特征描述子.与传统神经网络相比识别效果有很大的提高.它已经建立了一类强大的模型来处理图像识别,并对其扩展到三维卷积神经网络(3D CNN)来处理视频识别问题.在此基础上,笔者对三维卷积神经网络做了如下改进:用Gabor小波核来初始化卷积操作,以达到模拟人类视觉系统对视觉刺激的响应;在网络训练的过程中加入Dropout技术,随机选择删除部分神经元,以此来提高网络的泛化能力,有效防止过拟合.提出的方法在KTH和UCF-YouTube数据集上进行验证,取得了很好地识别效果.     

基于卷积核滤波器筛选的CNN模型精简方法

近年来,卷积神经网络(CNN)在计算机视觉领域中取得了令人瞩目的成绩,在各类的图像竞赛中取得了可喜的成绩.然而,CNN带来的高精度和鲁棒性的背后是计算量大幅增加的支撑,复杂的深层卷积神经网络往往需要在计算机集群或是高端GPU才能运行,因此CNN很难运行在嵌入式设备中,尤其是运行在手持设备中.这就导致CNN不能从实验室进入到人们的日常生活中.本文提出了一种基于卷积核滤波器筛选策略的CNN模型精简方法.通过分析CNN在前向传播中各神经元的激活情况,来找出对网络模型贡献度高的卷积核滤波器,并将这些滤波器重新封装成一个新的"小CNN模型".这个小模型在不仅在识别率上拥有很高的性能,而且还有效减低了模型体积和计算时间,在本文中通过实验表明CNN模型能够通过精简的方式使运算速度显著加速,而准确率仅仅只下降了两个百分点.     

一种基于双流卷积神经网络跌倒识别方法

针对跌倒行为的视觉特征难以提取的问题,提出一种由两路卷积神经网络和模型融合部分组成的双流卷积神经网络(Two-Stream CNN)的跌倒识别方法.该方法的一路对视频帧的运动人加框标记后,送三维卷积神经网络(3D-CNN)处理来消除视频背景的干扰;另一路从相邻视频帧获取光流图后,送VGGNet-16卷积神经网络处理;最后将3D-CNN和VGGNet-16的Softmax输出识别概率加权融合作为Two-Stream CNN输出结果.实验结果表明:标记运动人并经3D-CNN处理有效地消除了视频背景的干扰;Two-Stream CNN跌倒识别率为96%,比3D-CNN提高了4%,比VGGNet-16网络提高了3%.     

基于虚拟现实技术的CAI

随着计算机辅助教学(CAI)的应用普及，其技术也不断向多媒体、交互化的方向发展，基于虚拟现实技术(Virtual Reality简称：VR)是计算机辅助教学发展的重要方向。所谓VR技术，是以计算机技术为主，综合利用三维图形技术、多媒体技术、仿真技术、传感技术、显示技术、伺服技术等多种高科技的最新发展成果。它利用计算机等设备来产生一个逼真的三维视觉、触觉、嗅觉等多种感官体验的虚拟世界，     

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.     

一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

基于深度学习的眼底图像出血点检测方法

提出了一种基于卷积神经网络(convolutional neural networks，CNN)加条件随机场(conditional random fields，CRF)的眼底图像出血点检测方法。首先，为了避免图像背景区域对后续检测的影响，参考眼底图像中的灰度信息并根据眼底中心位置到其边缘的长度，将图像调整到合适的尺寸，再对图像进行线性加权增强其亮度和对比度；然后，用裁剪到的图像块在仿照VGG网络构建的CNN架构上去训练检测出血点的CNN模型；最后，为了克服CNN模型在出血点检测中误检、漏检等问题，采用CRF对CNN模型输出的概率图进行后处理，以实现眼底图像出血点的精确检测。提出的检测方法在公开的Kaggle与Messidor数据库上进行训练和验证，获得了98.8%的准确率、99.4%的召回率和99.1%的F-score。另外，在DIARETDB1数据库上测试的灵敏度达到98.5%，F-score为96.1%。实验结果表明，从图像视觉和定量检测2个方面均说明了提出方法的有效性和优越性。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟，其中卷积神经网络（CNN，convolution neural networks）和长短时记忆网络（LSTM，long short-term memory networks）就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法，能够获得较好的诊断效果，却无法实现未知复合故障的诊断，为解决这个问题，提出CNN-LSTM-FCM （fuzzy C-means）模型。LSTM对具有前后联系的时间信号更敏感，利用这个特点将LSTM与CNN相结合，实现未知信号的诊断，并通过概率分类输出实现了复合故障的解耦，CNN-LSTM-FCM模型本身优化参数设计，进一步提高了诊断精度。使用化学过程故障测量数据进行实验，结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%，优于CNN模型和LSTM模型，具有较高的应用价值。     

基于深度学习算法不同数据集的地震反演实验

近年来，人工智能中的深度学习技术在地震数据处理、反演和解释领域显示出许多优势。以往的研究表明，深度学习与地震反演相结合的方法比传统方法更有效。利用深度学习技术有可能得到更高分辨率的结果，这对油藏开发至关重要。通过设计地质模型进行采样以获取不同大小数据集，基于卷积神经网络（CNN）研究了不同训练数据集的地震反演应用效果，实验表明，该神经网络的预测精度在一定范围内随训练集的增加而增加，得到了对神经网络模型构建的关键数据集大小占全数据集的比例。此外，通过对地震数据加入不同比例的噪声并对CNN进行训练，结果表明本文所设计的CNN具有良好的抗噪和泛化能力。     

基于Tri-BiLSTM-CNN的钻井安全问答系统

特定领域的FAQ问答系统通常存在以下3个问题：（1）如何有效地对句子进行语义表示；（2）如何有效地进行句子间的语义匹配；（3）领域词汇的分词问题。为解决上述3个问题，提出一种基于Tri-BiLSTM-CNN的深度学习模型。首先，将双向长短期记忆网络和卷积神经网络结合构建网络模型，综合利用了BiLSTM处理序列化数据的优势和CNN捕获局部特征的优势。然后，采用Triplet并列式排列结构进行句子之间的匹配。最后，使用字向量替代词向量，避免了分词错误对模型的影响。在钻井安全领域的真实数据集上进行实验验证，结果表明，Tri-BiLSTM-CNN模型能更好地对句子语义进行向量化表征，显著提升句子相似度计算的准确率，而且效果明显优于CNN和LSTM两种网络结构。将该模型用于钻井安全领域的FAQ问答系统中，有效减少了人工成本，对改善钻井工作的效率和质量具有重要意义和应用价值。     

深度学习在轴承故障诊断领域的应用研究

深度学习具有强大的学习能力和特征分类能力,能够在海量、多源和高维测量数据中进行特征提取,具有不依赖人工干预而进行模型诊断和泛化的能力,广泛应用于设备故障诊断领域。阐述了深度学习的典型模型:深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE),重点论述了深度学习在轴承故障诊断领域的应用进展。最后讨论了深度学习在轴承故障诊断领域所存在的问题及发展趋势。     

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。     

一种简洁高效的加速卷积神经网络的方法

卷积神经网络是机器学习领域一种广泛应用的方法,在深度学习中发挥着重要的作用。由于卷积神经网络一般需要多个层,而且训练数据通常都很大,所以网络训练可能需要几小时甚至很多天。目前虽然有一些利用GPU加速卷积神经网络训练的研究成果,但基本上都是实现方式复杂,需要技巧很高,而且容易出错。提出了一种简洁、高效的加速卷积神经网络训练的方法,其主要过程是将卷积层展开,这样卷积层和全连接层的主要训练步骤都可以用矩阵乘法表示;再利用BLAS库高效计算矩阵乘法。这种方法不需要过多考虑并行处理的细节和处理器的内核特点,在CPU和GPU上都能加速。实验证明,GPU上使用该方法比传统的CPU上的实现快了100多倍。     

基于卷积神经网络的英文篇章情感量化方法

提出利用卷积神经网络(CNN)预测英文单词情感极性,并利用英文单词情感极性设计量化篇章情感倾向的方法.首先,利用fastText技术训练词嵌入模型,将英文单词转化为定长、稠密的词向量;接着,以词向量作为输入,构造一维CNN模型,并设计出多种具有不同深度的架构;最后,利用CNN预测模型计算篇章中所含英文单词的平均情感极性作为篇章情感倾向的量化分值.实验结果表明:相比于传统的机器学习模型,提出的CNN预测模型能够提升英文单词情感预测精度,所设计的篇章情感量化方法,也与主观判决情感色彩有较好的一致性.     

机器视觉在油气勘探开发中的应用现状

作为人工智能正在快速发展的技术分支,机器视觉在油气勘探开发中的作用越发显著,已成为"智慧油田"建设不可或缺的组成部分。首先简述了机器视觉技术,然后分析了机器视觉在油气勘探开发领域的应用现状,并重点介绍了基于深度学习的机器视觉技术的应用;最后对机器视觉在油气勘探开发中的应用前景进行了分析。研究表明:相对于人工图像识别,机器识别要更准确、高效;一般原始图像越复杂、解释要求越高,对图像预处理技术、特征提取算法要求越高;仅以形态形式表示信息的图像识别相对简单,原始图像的二值化处理是关键;当大量信息蕴含在图像纹理、色彩中时,智能解释的难度要大得多;基于深度学习的机器视觉技术实现了自动特征识别,未来将在油气勘探开发领域发挥重要作用。     

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.     

用FPGA实现的复合神经网络自学习算法电路

介绍复合神经网络模型及特性，讨论了基于假逆矩阵的自学习算法，研究用现场可编程门电路（ＦＰＧＡ）实现复合神经网络的自学习过程，电路设计成半并行全数字式．实验结果表明其权值学习结果与计算机软件模拟结果一致，而其运算速度是软件模拟无法比拟的