卷积神经网络发展

卷积神经网络作为深度学习的重要代表算法之一,被应用到人脸识别、行为识别、字符识别和图像处理等多个领域,推动着人工智能的快速发展.本文在分析整理大量文献后,总结了卷积神经网络的发展阶段,介绍了卷积神经网络的基本结构和关键技术,选取LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等几种具有代表性的网络进行分析对比,并指出各个网络的应用场景和优缺点,最后提出卷积神经网络未来的研究发展方向.     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于位点特异性打分矩阵的卷积神经网络预测SARS-CoV-2核衣壳蛋白的蛋白质二级结构

新型冠状病毒(SARS-CoV-2)有4种关键的结构蛋白,而核衣壳蛋白就是其中的1种.本实验从公开数据库NCBI上选取的SARS-CoV-2核衣壳蛋白质序列数据,分析SARS-CoV-2核衣壳蛋白与SARS-CoV核衣壳蛋白的序列相似性,对SARS-CoV-2核衣壳蛋白的理化性质和疏水性进行分析;在此基础上提出基于位点特异性打分矩阵的卷积神经网络,预测SARS-CoV-2核衣壳蛋白的8类蛋白质二级结构.研究结果表明,核衣壳蛋白的二级结构主要为无规卷曲,此结果可为抗病毒药物的研发与新型冠状病毒肺炎的诊断提供参考.     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

一类具有饱和发生率和心理作用的随机SIR传染病模型

考虑一类受环境噪声影响, 具有饱和发生率和心理作用的随机SIR传染病模型. 通过构造Lyapunov函数并利用Ito公式, 得到该模型正解的全局存在唯一性, 并证明： 当随机基本再生数R*≤1时, 无病平衡点是随机渐近稳定的, 此时疾病将灭绝； 当R*>1时, 疾病将随机持续下去. 数值模拟结果验证了理论结果的正确性.     

基于动态卷积的胸部X光片疾病分类算法

胸部疾病严重威胁人类健康，及时并精准地检测胸部疾病对患者的治疗与康复具有重要意义．胸部疾病经常通过胸部X光片进行诊断，但由于胸部疾病的多样性以及病理特征的复杂性，现有的胸部X光片疾病分类算法存在分类准确度较低、模型复杂度较高等问题．针对以上问题，提出一种基于动态卷积的胸部X光片疾病分类算法．将动态卷积模块加入密集连接网络，在不显著增加网络模型尺寸的前提下，增强网络对多尺度信息的特征提取能力，在提升分类准确度的同时保持高效推理；使用Meta-ACON改进ReLU(rectified linear units)激活函数，通过线性-非线性切换因子自适应地选择是否激活以及使用何种激活函数，从而增强网络的泛化能力；提出加权焦点损失函数，在焦点损失函数的基础上加入权重调整因子，使网络依据分类的难易程度为每种疾病合理分配权重，增大较难分类疾病的损失占比以提高其分类准确度，进而优化整体性能；对数据加载方式进行优化，增大批数据处理量以提升批归一化效果；在测试阶段使用测试时数据增强策略，综合分析多个维度的分类结果，提高分类的准确性与鲁棒性．在chestX-ray14数据集上的实验结果表明，在密集连接网络中...     

团簇Co3FeP异构化反应的热力学与动力学研究

为了寻找团簇Co₃FeP的稳定性、结构和内部作用力等规律，利用密度泛函理论，在B3LYP/Lanl2dz的量化水平下对团簇Co₃FeP进行理论计算，得到5种优化构型，并从化学反应热力学与动力学的角度对其异构化反应中的反应物、过渡态和生成物进行了讨论分析。结果表明，所有构型均为C1对称且构型的空间结构对其熵值有影响；构型的稳定性主要由金属原子与非金属原子所决定，并且在常温常压下构型1^（3）、2^（3）和3^（3）可以稳定存在，是大部分异构化反应的最终产物。因此，在实际材料的开发中，不仅需要注意金属原子与非金属原子之间的作用力以确保构型的稳定性，还应首先考虑对稳定构型1^（3）、2^（3）和3^（3）进行相关研究。     

基于STM32的非侵入式负荷监测系统设计

传统的侵入式负荷监测方法在实际应用中安装复杂,成本高,无法满足日益发展的电力系统需求.为此设计了一种基于STM32的非侵入式负荷监测系统,系统以STM32F103芯片为主控制器,利用AD8629放大器和ADS1256芯片进行高精度电信号采样,通过USB与上位机通信,在Labview界面中进行实时显示,并建立卷积神经网络算法模型进行负荷识别.将嵌入式系统与辨识算法进行结合,通过实验验证了用电负荷监测与识别的可行性,且系统实时性好,测量精度高,成本低,有较强的实用性.     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

小样本下基于卷积神经网络的费用估算研究

在当前的费用估算模型较依赖数学模型、无法根据样本大幅度调整模型参数的现状下,针对导弹特征属性和研制费用公开样本稀少以及不同型号的导弹样本对待预测样本的参考意义不同的问题,提出了小样本下基于卷积神经网络的导弹研制费用估算模型.为解决小样本和样本贡献值问题,结合双三次插值算法和反距离加权插值算法对导弹原始样本集进行插值.采用导弹研制费用卷积神经网络估算模型对插值样本进行学习,得到导弹研制费用估算结果.通过与线性回归、神经网络、支持向量机、WPCA&WSVR几种模型的对比实验,验证该模型在整体估算效果上优于其他模型.