基于注意力机制的混合CNN-BiLSTM低轨卫星信道预测算法

针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题, 提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network, AT-CNN-BiLSTM)融合的信道预测方法。该方法由信号预处理、网络训练和信号预测3部分组成。首先在高斯白噪声条件下模拟室外卫星信号, 得到卫星信号的训练集和测试集; 然后将训练集输入构建的训练网络进行特征提取; 最后将测试数据输入网络进行预测分析。仿真结果表明, 在与其他4种人工智能方法的对比中, 所提出的混合神经网络能够在较快的收敛速度下达到较高的准确率(91.8%), 有效地缓解了低轨道卫星信道参数“过时”的现状, 对提升卫星通信质量和节省卫星信道资源有良好的改善作用。     

基于近邻样本联合学习模型的疟疾识别算法

疟疾早期诊断可以有效防止疾病暴发.深度学习在细胞形态和组织图像检测等任务中具有出色能力.已有许多基于深度学习的疟疾研究,但它们主要用于环状体和红细胞二分类.本文首次研究疟疾多阶段识别,并提出近邻样本联合学习(neighbor sample joint learning,NSJL)模型.NSJL包括卷积神经网络(convolutional neural network,CNN)特征学习、领域相关性挖掘和图特征嵌入.它提取CNN特征,并将其与K近邻(K-nearset neighbor,K-NN)建立的邻域图传入图卷积网络(graph convolutional network,GCN).为评估NSJL,将其与先进方法比较,结果表明NSJL模型可达92.50%准确率,92.84%精确度,92.50%召回率和92.52%F1分数,至少高于其他方法7%的准确率表明其优秀疟疾识别能力.     

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。     

基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题, 提出一种基于卷积神经网络的猪脸特征点检测方法, 解决了猪脸特征点难检测的问题. 首先, 采集猪面部数据并进行特征点标注, 使用新的采集方法以解决猪口部通常不可见的问题； 其次, 对猪脸数据和人脸数据进行结构计算, 匹配相似度较高的猪脸和人脸, 构建猪脸人脸匹配数据集； 再次, 利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络, 得到形变后的猪脸数据集以适配人脸特征点检测模型； 最后, 使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调, 得到猪脸特征点检测模型. 实验结果表明, 用该方法进行猪脸特征点检测, 错误率仅为5.60%.     

基于随机梯度上升和球面投影的通用对抗攻击方法

在面向样本集的通用对抗攻击中，导致多数样本输出错误的通用扰动设计是研究关键.本文以典型卷积神经网络为研究对象，对现有通用扰动生成算法进行总结，提出采用批量随机梯度上升训练策略和球面投影搜索策略相结合的通用扰动生成算法.算法的每次迭代计算，首先从样本集中抽取小批量样本，采用随机梯度上升策略计算出使损失函数值下降的通用对抗扰动，然后将通用扰动投影到半径为ε的高维球面上，从而缩小通用扰动的搜索空间.算法还引入了正则化技术以改善通用扰动的生成质量.实验结果证明该算法与基线算法对比，攻击成功率显著提升，通用扰动的求解效率提高约30倍.     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩, 为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中, 取得了良好的效果。对于数据集较小和数据相似度较高的问题, 提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化, 并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明, 所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

改进的二阶龙格-库塔超分辨率算法

提出一种改进的二阶龙格-库塔超分辨率算法.首先,提出一种浅层共享编码器,以实现低分辨率图像的浅层特征提取.其次,提出一种深层特征学习单元,并与基于龙格-库塔方法的残差模块相融合,进而构建出一种基于深层特征的残差模块,以提升深层特征提取能力.实验结果表明:与主流超分辨率算法相比,文中算法在主观视觉效果和客观评价指标方面都具有更好的效果.     

基于CBAM-ResNet50的民国纸币图像检索系统

利用残差网络（ResNet）50，结合卷积块注意力模块（CBAM）机制，提出了一种基于CBAM-ResNet50的民国纸币图像检索技术，提升了对相似纸币的检索能力.设计并实现了基于Windows和Ubuntu系统环境下的民国纸币图像检索系统，并搭建了基于Flask的Web应用服务.所提取的民国纸币图像特征具有更强的辨识度，大幅提高了检索速度，在图形处理器（GPU）上可达毫秒级.使用缩略图搜索民国纸币图片，对相似度排名第1的图像的检索准确率可以达76.3%，相似度排名前6的图像检索准确率可以达92.5%.     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。