基于深度学习的多模态气管插管智能目标检测

针对困难气道气管插管过程中内窥镜图像视角较小、目标尺度变化大、相互遮挡等问题,融合内窥镜图像和CO₂浓度信息,提出基于深度学习的多模态气管插管智能目标检测算法。首先,对传统的YOLOv3网络进行改进,利用不同扩张率的空洞卷积构建并行多分支空洞卷积模块,并对输出特征进行上采样和张量拼接;其次,根据多路CO₂浓度差异,利用矢量化定位算法定位目标中心位置,校正YOLOv3得到的边界框的中心坐标,提升小目标检测的精度,辅助气道位置的定位;最后,基于该算法,研发了新型多模态气管插管辅助装置初代样机,并在模拟气道中进行实验,验证其可行性。在模拟气道中,该新型辅助装置的操作时间中位数为15.5 s,操作成功率可达97.3%。研究结果表明,基于深度学习的多模态气管插管智能目标检测算法能够有效地辅助气管插管操作。     

基于聚类的神经网络规则抽取算法

为了从人工神经网络中抽取规则,提出一种新的规则抽取算法。网络被训练并剪枝后,将隐节点的激活值离散化,对输入到隐节点的权重进行聚类,聚类过程中可根据隐节点的激活值动态调整权值聚类数目,进而高效准确地抽取规则。实验结果表明,该算法可明显降低规则抽取的时间复杂度,减少生成规则的数量。     

基于多模态融合的深度神经网络图像复原方法

针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题,提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法.首先,深度卷积神经网络在抽取图像空间特征的基础上,引入图像多尺度变换特征;其次,通过通道注意力、监督注意力和非局部注意力,挖掘图像特征的尺度间相关性、特征间相关性;最后,通过设计多模态特征融合机制,将上述两类特征有效融合.在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明,该方法在峰值信噪比、结构相似性等定量对比以及颜色、细节等定性对比上都优于对比方法.     

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题,为此,将深度神经网络与析取置信规则库结合,有效减少模型的规则和参数的数量;引入梯度下降算法优化模型参数,提高模型构建和优化的效率. 通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验,对提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比. 结果表明,所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.     

基于决策树的神经网络规则抽取方法

将从神经网络中抽取一个可理解的模型视为一个归纳学习任务 ,其中 ,目标概念就是神经网络表达的功能 ,所生成的可理解模型是一个能很好近似神经网络的决策树 .在这个过程中 ,应用了决策树归纳学习的优化原则 ,使得生成的决策树能最简洁、准确地描述神经网络学到的知识 .实验证明 ,生成的决策树可以很好地近似神经网络 ,且比用传统方法生成的决策树具有更好的分类精度 ,同时NNtoDT算法也保持了具有较好的通用性和可扩充性的特性 .     

基于多模态深度神经网络的抓取检测方法

针对机器人抓取检测任务中对未知物体抓取检测精度低的问题,本文提出了一种多模态深度神经抓取检测模型。首先,在RGB和深度两个通道中引入残差模块以进一步提升网络的特征提取能力。接着,引入多模态特征融合模块进行特征融合。最终通过全连接层回归融合特征以得到最佳抓取检测结果。实验结果表明,在Cornell抓取数据集上,本文方法的图像拆分检测精度达到95.7%,对象拆分检测精度达到94.6%。此外,本文还通过消融实验证明了引入残差模块可以提高网络抓取检测性能。     

基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法

针对目前MRI脑肿瘤分割中的无监督特征提取方法无法适应脑肿瘤图像的差异性,提出一种基于多模态3D卷积神经网络(CNNs)特征提取的MRI脑肿瘤分割方法。将2D的多模态MRI图像组合成3D原始特征,通过3D-CNNs提取特征,更有利于提取各模态之间的差异信息,去除各模态之间的冗余干扰信息,同时缩小原始特征邻域大小,以适应同一病人不同图像层肿瘤大小的差异变化,进一步提高MRI脑肿瘤的分割精度。实验结果证明,能适应不同病人各模态之间的差异性和多变性,以提高脑肿瘤的分割精度。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

改进的模糊神经网络学习规则研究

在S Stoeva提出的基于相同样本及网络输出的模糊反向传播算法基础上,通过对基于极大-极小模糊算子的模糊神经元模型的研究,对含有一个隐含层的单输出模糊神经网络,提出了依赖于各模糊神经元输出的调整模糊权值的网络学习算法,该算法具有直观和可操作性强的特点.并以汽轮发电机组的状态监测为例进行仿真,仿真结果表明网络学习效果较好.     

基于深度神经网络的智能推送系统研究

为了提高推送系统的可扩展性和推送精度,结合深度神经网络技术,探讨智能推送系统的设计和实现.设计基于二次多项式回归模型的特征表示方法,通过对传统矩阵分解算法进行改进,可以更准确地获得潜在特征.将这些潜在特征视为深度神经网络模型的输入数据,采用深度神经网络用于预测评分.通过在真实数据集上与其他推送算法进行比较,验证了本系统的有效性.     

基于神经网络的模糊控制规则校正方法研究

对由模糊控制器构成的集散控制系统，现场模糊控制器的控制规则的校正是一个关键问题。若使其自身具有自校正功能，对于基于数字单片机开发的模糊控制器来说，采用神经网络构成在线自校正方式，存在一定的困难。为了提高控制器的性能，规则校正又是必需的，为此，本文提出了一种由监控机对每台现场控制器进行分时校正规则的方法，该方法是“半在线式”校正。     

基于知识蒸馏与迁移学习结合的多模态音乐情感识别

音乐情感识别的难题是缺乏足够的标签数据或者只有类别不均衡的标签数据训练情感识别模型,准确地标注情感类别不仅成本高而且耗时,且对标注者有着较高的音乐背景要求;同时,音乐的情感往往受多种因素的影响,演唱方式、音乐风格、编曲方式、歌词等因素都会影响到音乐情感的传达.本文提出一种基于知识蒸馏与音乐曲风迁移学习结合的多模态方法,...     

结合先验知识的深度Q神经网络算法研究

深度Q神经网络(deep Q-network,DQN)算法在训练初期,由于动作选择随机性强,导致算法的训练时间过长。针对该问题,文章提出一种结合先验知识的深度Q神经网络(priori knowledge-DQN,PK-DQN)算法,将先验知识定义为特征状态与最优动作的映射,根据先验知识对动作选择过程的影响程度,将先验知识引入DQN算法,优化DQN算法的动作选择规则,降低其在探索过程中的动作选择随机性,并使用赛车游戏对算法进行训练。实验结果表明,PK-DQN算法能够更快收敛,有较高的学习效率,算法训练时长明显缩短。     

从数据库中提取规则的神经网络方法

评述了利用神经网络从数据库中进行规则发现的几种方法,采用权值组合算法提取规则;利用模糊推理神经网络,采用CamDelta算法提取模糊规则;基于从数据中提取模糊控制规则利用生长自组织映射神经网络,采用分级聚类SOM算法发现规则利用CFNet网络,基于可信度因子,提取不确定性规则;利用模糊颗粒神经网络,采用启发式学习算法,从数值-语言数据中发现规则.提出了数据库中提取规则所面临的几个问题,以及解决这些问题的某些思路.具体提出了一种分布式环境下基于多Agent技术的规则提取方法.图6,参17.     

一维多规则正态云模型映射器的算法研究

首先介绍了云模型的基本概念和一维多规则推理的基本过程。由已知一维多规则云模型映射器算法推导出新的算法,并通过仿真验证说明了新算法的可行性。     

基于注意力模型的多模态特征融合雷达知识推荐

为了能够在数量庞大的雷达技术资料中快速准确地找到科研人员感兴趣的雷达知识信息并进行推荐,提出了一种基于注意力模型的多模态特征融合雷达知识推荐方法,学习高层次的雷达知识的多模态融合特征表示,进而实现雷达知识推荐.该方法主要包括数据预处理、多模态特征提取、多模态特征融合和雷达知识推荐4个阶段.实验结果表明:与只利用单一模态特征以及简单串联多模态特征的方法相比,利用文中方法学习到的多模态融合特征进行雷达知识推荐,推荐结果的准确率、召回率和综合评价指标(F1值)均有显著提高,表明提出的基于注意力模型的多模态特征融合方法对于知识推荐任务更加有效,体现了算法的优越性.     

基于模糊δ规则的模糊关系方程求解算法的改进

首先给出反例说明Li Xiaozhong等人提出的基于模糊δ规则的神经网络学习算法中的基础引理是有缺陷的,然后直接对算法进行了改进,并证明了改进后算法的有效性.最后用数字例子对改进后的算法进行了验证,结果表明十分有效.     

基于神经网络的分子性质预测算法研究进展

分子性质预测是材料化学领域的热点问题,基于第一性原理的计算方法虽然可以明确地描述体系中电子分布,但计算过程过于复杂,且计算复杂度随分子中原子增加呈指数级增长。近年来,随着相关研究的不断深入,涌现出多种多样的深度学习算法,将算法分为基于多层感知机(multi-layer perceptron, MLP)和图神经网络(graph neural network, GNN)两大类及六个子类,研究不同算法的特点。分析表明,MLP类算法结构简单,算法扩展性有限,与分子内部结构关联度不高;相反,GNN类算法融合消息传递机制,将分子间相互作用转换为结点、边之间的特征传递,在各向评价指标中占优。目前,基于深度学习的分子性质预测算法正从MLP类算法向GNN类算法过度。最后,提出基于深度学习的分子性质预测算法未来在数据集、各向异性特征传递、指导材料科学与生命科学中的实际应用等方面的发展方向。     

基于Takagi-Sugeno模型的模糊神经网络的学习算法

选用正态函数作为模糊变量的隶属函数 ,给出了基于Takagi_Sugeno模型的模糊神经网络的用于学习的性能指标 ,并对其性质进行了分析 .在此基础上将二阶段变半径随机搜索法用作模糊神经网络的学习算法 .这种方法简便易行 ,可使模糊神经网络达到较高的精度 .该文给出了神经网络记忆容量的定义并求出了基于TS模型的模糊神经网络的记忆容量 .     

卷积神经网络与ELM的图像分类算法研究

卷积神经网络的全连接层作为一个经典的分类器,是根据传统的梯度下降法来实现训练的,泛化能力有限.针对这一问题,提出了一种将卷积神经网络和极限学习机相结合的混合模型应用于图像分类领域.卷积神经网络用于从输入图像中提取特征,特征映射最终会被编码成一维向量送入极限学习机中进行分类.给出了混合模型的详细设计,包括参数设计、结构分...