基于深度神经网络的高环境 适应性水声通信系统研究

深度神经网络中的自动编码器(Autoencoder,AE)通过收发端两个神经网络模块进行全局优化,利用端到端的训练方式以提高通信系统的可靠性.然而,现有对AE的研究未针对信道进行特殊设计,尤其对于时变的水声信道的多径效应,难以进行灵活调整,降低了该方法的实用性.本文提出一种提高水声通信系统信道环境适应性的Attention-Autoencoder网络模型,基于Attention网络可以高效地从大量信息中筛选出关键信息的特点,设计了一种针对水声信道的Attention机制,该机制能够增加网络提取水声信道特征的能力,使系统的适应性大大提高.仿真验证和湖试实验结果表明,基于Attention-Autoencoder网络模型的通信系统与基于文献中AE模型和没有引入神经网络的水声通信系统相比,具有更高的信道环境适应性.     

高精度直线切换式调焦机构的设计与试验研究

调焦机构是显微成像系统的重要组成。目前显微成像设备主要使用转盘式物镜切换机构和升降载物台来进行调焦,其不利于仪器的小型化,且价格昂贵。为此提出一种新的采用丝杆电机驱动与直线导轨相配合的兼具切换与调焦的机构,主要由混合式丝杆步进电机、高精度导轨、编码器、光电开关等组成。具体给出了机构的组成、调焦方法,并进行了模态分析、单步精度测试、垂直度测试。结果表明:步进分辨率1μm,垂直度10″。在能达到同类产品性能的同时,降低了成本。     

具有输入量化的信息物理系统的安全控制

针对执行器攻击、量化编码器/解码器参数不匹配和外部干扰的信息物理系统(cyber-physical systems, CPS)，设计一种新型的鲁棒自适应控制器确保其安全稳定运行。基于Lyapunov稳定理论推导出使信息物理系统具有鲁棒H2性能的充分条件，控制器的非线性结构包含两部分：一部分为干扰和量化补偿器，用于消除外部干扰和量化误差的影响，另一部分为基于隐蔽式假数据攻击上界信息的攻击补偿器，用于抑制异常检测器检测不到、未触发警报的攻击。最后，仿真算例结果表明控制器能保证闭环系统稳定并且具有较好的系统性能，说明了方法的有效性。     

基于无监督生成推理的网络安全威胁态势评估方法

针对基于数据类别标记的监督式网络数据建模方式在评估网络威胁态势时存在计算成本高,效率低和耗时长的问题,该文提出一种基于无监督生成推理的网络安全威胁态势评估方法。首先,设计一种变分自动编码器-生成式对抗网络(VAE-GAN)模型,将只包含正常网络流量的训练数据集输入到由VAE-GAN组成的网络集合层进行训练,统计每层网络输出的重构误差,并使用输出层的3层变分自动编码器训练重构误差;然后使用包含异常网络流量的测试数据集进行分组威胁测试,统计每组测试的威胁发生概率;最后根据威胁发生概率确定网络安全威胁严重度,结合威胁影响度计算威胁态势值对网络安全威胁态势进行评估。仿真实验结果表明,与反向传播(BP)和径向基函数(RBF)方法相比,该方法能够更直观地评估网络威胁的整体态势,对网络威胁具有更好的表征效果。     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

基于改进的引导图像滤波和深度去噪自编码器的微弱目标跟踪算法

微弱目标易被周围环境中强烈的噪声干扰,为解决现有目标跟踪算法由于低信噪比导致跟踪准确度低的问题,提出一种将引导图像滤波器和深度去噪自编码器集成到粒子滤波器框架中的跟踪算法。通过引导图像滤波(guided image filter, GIF)算法对目标图像进行滤波处理,保留有价值的模板信息并使不准确的背景模板模糊,有效增强目标图像;通过改进的深度学习算法对深度去噪自编码器训练和微调,更好地适应目标外观变化;构造粒子分类器框架根据粒子重要性权重定位目标。实验结果表明,该算法在微弱目标跟踪准确度和抗干扰能力上优于多种现有主流跟踪算法。     

基于深度自动编码器的多标签分类研究

在多标签分类的相关研究中,由于现有的基于网络表示学习算法的相关方法只利用了网络中节点之间的邻接领域信息,而没有考虑到节点之间的结构相似性,从而导致分类准确性较低,因此,本文提出一种基于深度自动编码器的多标签分类模型。该方法首先利用轨迹计算算法(Orca)计算不同规模下网络中节点的结构相似性,作为深度自动编码器的输入来改进隐藏层中的向量表示,保留网络的全局结构;然后利用节点的邻接领域信息在模型中进行联合优化,从而能有效地捕捉到网络的高度非线性结构;最后根据隐藏层得到节点的向量表示,利用支持向量机对节点进行多标签分类。验证实验采用3个公开的网络数据集,实验结果表明,与基准方法相比,本文方法在多标签分类任务中能取得更好的效果。     

一种基于旁信息增强的协同过滤自动编码器模型

针对用户评分预测不准确的问题,提出了一种基于旁信息(side-information)对用户兴趣进行预测的协同过滤自动编码器推荐模型,给出了模型的设计原理、损失函数以及具体结构.模型使用单隐藏层自动编码器实现,用户评分与旁信息同为模型的输入/输出数据,旁信息也直接参加模型的训练,这种设计不仅降低了模型的规模和复杂度,而且旁信息可以直接对用户兴趣进行修正.同时,通过对训练数据集合的合理划分与扩充,使得训练的网络模型增加了表达能力.在真实数据集上的对比实验表明,本文提出的方法提高了评分预测的准确度,具有一定的实用价值.     

一种深度自编码器面部表情识别新方法

为解决面部表情特征维度高的问题,该文提出了一种基于深度学习自编码器的表情识别新方法,该方法利用深度自编码器在多层隐层上进行特征选择,能够在较低维度上表示高维度的面部特征.首先采用定向梯度直方图从面部表情的选定区域提取特征,然后在多个层面上使用深度自编码器,得到最优编码特征,降低特征维度,最后使用支持向量机模型对降维特征进行分类.实验表明,与其他现有特征选择和降维技术相比,该文方法提取的特征优于其他特征,并能够有效实现面部表情识别.