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。     

基于网络药理学研究槐花丸治疗结肠炎机制

通过网络药理学的方法对槐花丸治疗结肠炎的作用机制进行探索和研究.通过TCMSP和ETCM数据库找到槐花丸的主要成分,通过Swiss Target Prediction对成分靶点进行预测;使用OMIM、GeneCards、TTD Database和MalaCards数据库以"colitis"为关键词进行检索,获得结肠炎相关的疾病靶点;将疾病靶点与主要成分靶点进行交集得出药物作用成分;使用Cytoscape软件绘制出药物的主要作用成分-靶点相互关系网络图;使用STRING平台导出药物的蛋白与蛋白相互作用(PPI)网络图.应用DAVID数据库对核心靶点进行GO分析及KEGG相关通路分析,并对KEGG信号通路进行可视化.得到槐花丸共有54个主要作用成分,其中26个成分活性较好,可能作用于STAT3、TP53、MAPK3、AKT1、TNF、VEGFA等关键靶点,参与91条信号通路.通过绘制药物成分-疾病靶点网络、药物蛋白与蛋白相互作用网络等多条途径,对槐花丸治疗结肠炎的作用机制进行了初探和研究,为其他相关研究提供了依据,为其后续临床疗效评价指标的筛选提供了研究方向.     

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.     

无环境信息下多尺度网格细胞群空间表征模型

针对无环境信息条件下网格细胞空间表征问题, 提出一种多尺度网格细胞群的空间表征模型。通过减少吸引子网络模型网格细胞的偏好朝向, 使网格细胞具有特定的感应方向, 仅对特定方向上的速度产生响应。基于改进的吸引子网络模型, 构建多尺度网格细胞群, 并对空间进行表征。仿真结果表明, 改进后的网格细胞模型只响应相应方向的速度, 准确整合速度信息, 表征部分未探索区域, 且适用于无环境信息条件下一维、二维空间。在100 m×100 m的区域, 表征结果的误差不超过0.2 m, 证明了该模型能够扩大网格细胞的表征范围, 提高表征精度与表征能力。     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

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。     

基于比特负载的非线性虚拟光网络映射机制的研究

光网络虚拟化技术的发展促进了在不同用户和应用程序之间的光纤网络物理基础设施共享。然而,光纤传输链路的非线性损伤对于系统的频谱效率、网络利用率等性能有一定影响。本文首先介绍了一种集成式虚拟网络映射机制,描述了该机制的实现原理。接着,在考虑了光纤传输非线性损伤的情况下,设计了一种基于OFDM比特负载的虚拟光网络嵌入算法(BL-VONE),并将其与基于单一调制机制的虚拟光网络嵌入算法(UM-VONE)进行比较。仿真结果表明提出的算法相较于基于单一调制机制的算法,可以提高约9%的频谱利用率和约9%的传输效率。     

上市公司高管连锁网络与分析师盈余预测精度

以2011~2017年度沪深两市A股上市公司为样本，从私人信息供给的视角，考察企业高管连锁网络对分析师盈余预测精度的影响。研究表明：上市公司网络中心度显著提升了分析师盈余预测精度；当上市公司的公开信息不充分时，其网络中心度对分析师盈余预测精度的提升效果更明显；当上市公司高管与连锁公司其他高管互动机会越多时，其网络中心度对分析师盈余预测精度的提升效果越明显。上述结果表明，上市公司的高管连锁网络上存在泄露的私人信息，这些信息能够被分析师捕获，最终丰富金融市场中的信息供给。进一步研究发现，上市公司高管连锁网络上流动的私人信息包含公开渠道上常常被延迟披露甚至被隐藏的坏消息，有助于纠正分析师的公开信息偏差。研究结果拓展了分析师盈余预测的相关研究，有助于加强对上市公司私人信息流动方式的理解。     

基于深度学习的牙刷姿态识别方法

针对牙刷分拣中的定位问题,在确定牙刷位置的基础上采用深度学习实现牙刷姿态识别.对牙刷图像进行去噪增强,通过阈值分割提取感兴趣区域,计算图像的几何矩获得牙刷的方向角和外接矩形,以外接矩形的中心作为牙刷位置.用矩形框内的牙刷图像训练残差网络模型,当模型正确率达到要求时保存该模型,用于判断图像中牙刷的姿态.测试结果表明,该方法可以快速准确地实现牙刷的位置确定与姿态识别,为机器人分拣提供牙刷位姿信息.