基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率, 提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络, 运用双向特征金字塔网络进行多尺度特征融合, 采用指数线性单元函数作为激活函数加快网络训练收敛速度, 提升算法鲁棒性, 从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证, 对比多个经典目标检测方法, 在识别准确率上均有不同程度提升, 对比原YOLOv5s模型, 平均精度均值提升3.03%, 速度提升2 FPS, 模型保持了YOLOv5轻量化的特点, 在应用部署上有良好前景。     

基于TDFFCNN模型的电能质量扰动分类

为提高电能质量扰动(power quality disturbances,简称PQD)分类准确率，提出双模态特征融合的卷积神经网络(two-dimensional feature fusion convolutional neural network,简称TDFFCNN)模型，该模型包含2个轻量化子模型.子模型1运用全局最大池化，在大量降低数据量的同时学习电能质量扰动(power quality disturbances,简称PQD)时间序列的时序特征，以增加模型提取时序特征的能力；子模型2使用小卷积核与小步长为参数的堆叠单元提取图像振幅特征，对高中低层特征进行融合，以获得细节与结构性语义.实验结果表明：TDFFCNN模型具有较强的抗噪性能；相对于其他3种模型，TDFFCNN模型的平均准确率最高.因此，TDFFCNN模型具有更强分类性能.     

融合WaveNet和BiGRU的网络入侵检测方法

为解决当前入侵检测算法对于网络入侵的多分类准确率普遍不高的问题, 鉴于网络入侵数据具有时间序列特性, 提出一种融合WaveNet和双向门控循环单元(bi-directional gated recurrent unit, BiGRU)的网络入侵检测方法。为解决原始攻击数据分布广、离散性强的问题, 首先对数据进行独热编码及归一化处理, 之后使用WaveNet进行卷积操作, 对数据进行序列缩短处理, 同时使用最大、平均池化融合的方法全面提取数据特征, 最后由BiGRU完成对模型的训练并实现分类。基于NSL-KDD、UNSW-NB15以及CIC-IDS2017数据集进行了对比实验, 结果表明, 所提方法对于上述数据集的准确率分别能够达到99.62%、83.98%以及99.86%, 较同类型的CNN-BiLSTM分别提升了0.4%、1.9%以及0.1%。     

基于视觉特征的水果蔬菜自动分类方法

为实现超市中水果蔬菜等产品的自动销售，提出了一种基于视觉特征的水果蔬菜自动分类方法。首先将所获得的水果蔬菜图像划分为多个重合的子块；接着提取这些子块的视觉特征，即尺度不变特征和方向梯度直方图特征；为了提高特征的表征能力，还将这些提取出的特征融合在一起描述目标；然后对融合后的特征做编码和池化操作以降低特征维数并提高特征区分能力；最后用所得特征训练支持向量机分类器并最终实现水果蔬菜的自动识别与分类。与现有方法相比，提出的方法在超市农产品数据库上取得了较高的识别率，从而为实现水果蔬菜的自动销售提供了技术支持和理论保障