基于流形正则的堆叠胶囊自编码器优化算法

针对堆叠胶囊自编码器存在检测性能慢、不能更好挖掘图像局部特征的问题，本文提出基于流形正则的堆叠胶囊自编码器优化算法。采用Scharr滤波器对堆叠胶囊自编码器模型中的图像进行重建，加强图像目标检测的精度，并在损失函数中引入流形正则项，从而加强对原始数据空间局部特征的提取，最终使用基于流形正则的堆叠胶囊自编码器学习参数，选择出更加具有区别性的特征。在MNIST和Fashion MNIST数据集上的实验结果显示，该优化算法相比于原网络结构，图像分类准确率分别提高了0.26和9.23个百分点，且模型训练速度也得到较大提高。     

带压开采下组煤底板采动破坏深度现场实测及模拟

以团柏煤矿10#煤层10115综采工作面作为工程背景,研究带压开采下组煤10#煤层底板采动破坏深度。通过对开采前后煤层底面下不同深度岩石段开展压水试验,测取不同水压下的进(侵)水量,获得了大量的压水实测数据,同时采用F-RFPA2D分析系统模拟整个采场开挖对底板隔水岩层采动破坏规律及其深度,最后将现场实测数据与数值计算结果进行对比分析。研究表明,煤层开采所引起的底板直接破坏深度为9.5 m,底板采动最大破坏深度为12 m左右;运用F-RFPA2D模拟分析得出,老顶板初次来压步距为40 m,周期来压步距在12~16 m,当工作面推进至84 m时,底板破坏深度达到最大值12 m,该结果与现场测试结果基本吻合,同时验证了实测数据的可靠性和有效性。综合结果分析可知,团柏煤矿10#煤层底板采动破坏最大深度为12 m,该结论可为团柏煤矿带压开采下组煤水害防治提供参考依据和科学指导。     

边缘计算下基于深度强化学习的车联网任务调度

针对边缘计算下车联网中时延约束型计算任务的卸载执行问题，提出一种基于深度强化学习的任务调度方法。在多边缘服务器场景下，构建软件定义网络辅助的车联网任务卸载系统，给出车辆计算卸载的任务调度模型；根据任务调度的特点，设计一种基于改进指针网络的调度方法，综合考虑任务调度和计算资源分配的复杂性，采用深度强化学习算法对指针网络进行训练；运用训练好的指针网络对车辆卸载任务进行调度。仿真结果表明：在边缘服务器计算资源相同的情况下，该方法在处理时延约束型计算任务的数量方面优于其他方法，有效提高了车联网任务卸载系统的服务能力。     

深度人脸伪造与检测技术综述

由于现有深度人脸伪造软件通常是开源的或者被封装为APP免费分发，导致了虚假视频的泛滥。因此开展针对深度人脸伪造检测技术的研究就显得尤为重要。目前，深度人脸伪造及检测技术正处在快速发展时期，各种相应的算法也在不断更新迭代。本文首先介绍了深度人脸伪造和其检测技术的代表性算法并给出简要分析，其中深度人脸伪造技术包括身份替换、面部重演、属性编辑、人脸生成等，检测技术包括图像级伪造检测技术和视频级伪造检测技术。然后归纳总结了常用的深度人脸伪造与检测数据集及不同算法的评估结果，最后讨论了伪造技术及其检测技术目前面临的主要问题及发展方向。     

一种基于深度学习算法的电网故障诊断方法

电网故障原因复杂,开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难,所以需要从更深入的层面表征电网故障,并对其进行故障诊断。针对这一问题,本文提出一种基于深度学习算法的电网故障诊断方法,该算法利用由Convolution层、Pooling层、Flatten层及MLP层构成的深度网络结构,对电网故障信息进行学习并获得对应的诊断模型。试验表明PGFD-DL算法具有更高的稳定性与精度。     

向东看得更远:印度全球外交走进南太平洋

<正>随着经济全球化的深度发展,区域与区域之间融合与联系也愈加深入和频繁,"印度洋—太平洋地区"(以下简称"印—太地区")这一词语也开始被经常用来描述新涌现出的其中一种地缘政治现象。曾经被视为亚太边缘地区国家的印度如今不仅正在向着西太平洋核心区域挺进,而且也开始把触角伸到更远的南太平洋地区。莫迪旋风:交朋友、谈合作、投资金冷战结束之后,为了适应新的国际形势,印度雄心勃勃地提出"向东看"的外交战略方针,其主要原因就是印度看到了亚太经济蓬勃发展给地区各     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽，提出了一种改进的Yolov4算法．首先，针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题，自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后，为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率，设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征，加强待检测目标的特征纹理，使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤，加强或抑制特征图上的每一像素点，使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛，使用解耦合的检测头替换原Yolov4中的耦合检测头，使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力，提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明，该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽，准确率达到了95.1%．相比于原Yolov4模型，该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.     

基于卷积ADMM网络的高效结构化稀疏ISAR成像方法

结构化稀疏逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像是空间态势感知与目标识别的重要手段。该问题可通过压缩感知(compressive sensing, CS)方法解决。目前, 许多传统CS方法仍存在运算效率低、参数适应性不强等问题。针对该问题, 本文提出了一种基于卷积交替方向乘子法网络(convolutional alternating direction method of multipliers network, C-ADMMN)的结构化稀疏ISAR成像方法。利用深度展开方法, 结合传统结构化稀疏ISAR成像模型, 构建C-ADMMN网络。通过监督学习, C-ADMMN仅需约10层网络便可达到传统方法上百次迭代的效果, 具有较高的运算效率且对不同目标具有一定适应性。基于仿真与实测数据的实验结果验证了网络的高效性与参数适应性。