基于协方差矩阵重构的DOA估计方法

针对空间信号的波达方向估计,提出了协方差矩阵重构测向算法。由数据协方差矩阵的特征分解求得信号特征值及其对应的信号特征向量,根据各个信号特征向量构造相应的子协方差矩阵,算法定义一个新协方差矩阵。从理论上证明了新协方差矩阵在信号相干时仍然满秩,新算法在解除信号相干性的同时没有造成阵列孔径的损失。与空间平滑类算法相比,估计同样相干信号数,新算法能节省更多阵元。仿真实验证实了新算法优越的分辨能力和估计性能。     

基于窄带信号DOA估计的宽带相干信号DOA估计方法研究

提出了一种用窄带信号的波达方向(DOA)估计方法与宽带聚焦的方法相结合来估计宽带相干信号的DOA的方法.先利用相干信号子空间法将带宽内各个频率点的信号子空间聚焦到参考频点下的同一信号子空间,然后利用窄带信号的波达方向估计方法对DOA进行估计.用了一种新的无需谱峰搜索并且不要对噪声方差进行估计的窄带SSESPRIT算法进行宽带波达方向的估计,为了比较又用了经典的需要进行谱峰搜索的窄带MUSIC算法进行宽带信号的一维及二维波达方向的估计,仿真实验结果验证了方法的有效性.     

给予窄带信号DOA估计的宽带相干信号DOA估计方法研究

提出了一种用窄带信号的波达方向（DOA）估计方法与宽带聚焦的方法相结合来估计宽带相干信号的DOA的方法.先利用相干信号子空间法将带宽内各个频率点的信号子空间聚焦到参考频点下的同一信号子空间,然后利用窄带信号的波达方向估计方法对DOA进行估计.用了一种新的无需谱峰搜索并且不要对噪声方差进行估计的窄带SSESPRIT算法进行宽带波达方向的估计,为了比较又用了经典的需要进行谱峰搜索的窄带MUSIC算法进行宽带信号的一维及二维波达方向的估计,仿真实验结果验证了方法的有效性.     

基于改进SST算法的宽带信号DOA估计

信号子空间变换算法(SST)的聚焦矩阵是利用各频率点与参考频点之间信号子空间的关系导出的。针对传统的宽带DOA算法存在的计算复杂度高和估计偏差大的问题,利用聚焦的本质,提出了SST改进算法。改进后算法的性能分析优于传统算法,能正确的分辨出信号的方位,降低了运算量。     

基于局部保持投影和RBF神经网络的DOA估计

提出了一种有效的降维构建方法改善来波到达角（DOA）估计的性能。该方法利用局部保持投影（LPP）对DOA估计用的神经网络的训练样本进行降维,以降低神经网络的复杂度,加快神经网络的训练过程。与常用的协方差矩阵上三角特征相比,在不损失有效方位信息的基础上,可以使特征维数极大地降低。数值实验表明,基于局部保持投影和神经网络的方法具有良好的估计精度和效率,同时对噪声也有较强的适应能力,能够很好地满足波达方向估计实时性的要求。     

基于卷积神经网络的人脸年龄估计方法

针对年龄估计算法中使用单一标签编码方式的问题,提出一种基于高斯分布的标签分布取代原有的编码方式,通过这种方式,一张人脸图像不仅可以用于它本身年龄的学习,也可用于其相邻年龄的学习。设计一种与之相适应的卷积神经网络,通过标签的概率分布与输出的类别概率之间的K-L距离对网络进行训练,网络结构较小,所需训练时间更短,即使在训练图片数量有限的情况下依然能保证较好的准确率。     

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.      

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。     

基于抵消干扰信号相关阵的DOA估计

讨论了异步直接序列码分多址(DS-CDMA)系统中多用户环境下的波达方向(DOA)估计问题,针对路径总数大干天线阵元数这一问题,提出了一种有效的DOA估计模式．通过抵消干扰信号的相关阵,可方便地提取出感兴趣信息;此时,采用传统的DOA估计算法即可逐次估计出各DOA信息．为改善系统性能,本文提出了2种改进措施：Mahalanobis变换法及矩阵点除算法．前者能够大幅度地提高估计精度,而后者则可避免特征值分解运算,大大降低算法复杂度．仿真实验验证了算法的有效性．     

卷积神经网络的研究进展综述

深度学习(deep learning,DL)强大的建模和表征能力很好地解决了特征表达能力不足和维数灾难等模式识别方向的关键问题,受到各国学者的广泛关注.而仿生物视觉系统的卷积神经网络(convolutional neural network,CNN)是DL中最先成功的案例,其局部感受野、权值共享和降采样三个特点使之成为智能机器视觉领域的研究热点.对此,本文综述CNN最新研究成果,介绍其发展历程、最新理论模型及其在语音、图像和视频中的应用,并对CNN未来的发展潜力和发展方向进行了展望和总结.     

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。     

一种改进的深度卷积神经网络的精细图像分类

精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102 flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.     

基于深度卷积神经网络的手写哈萨克文字母识别方法

利用卷积神经网络在图像识别方面的优势,提出了一种基于深度卷积神经网的哈萨克手写字母识别方法(DCNN-KLR),成功建立了一种哈萨克手写文字识别模型。 与传统的方法(SVM+HOG)相比,不仅训练方便、速度快,而且提高了哈萨克手写文字的识别率。在5708个数据样本上进行训练和测试,将样本分为33类和100类,正确识别率分别达到93.29%和92.38%。     

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%.     

变负载轴承故障诊断卷积神经网络模型

针对轴承故障在实际环境中存在负载变化导致故障难以诊断的问题,提出一种基于一维卷积神经网络的变负载适应轴承故障诊断模型,卷积结构使用小卷积核卷积层堆叠的形式,训练时对输入层进行均匀分布失活率的随机失活,以提高网络的变负载适应能力,且采用全局平均池化降低模型计算量和减轻过拟合程度;在实验验证阶段,提出以两种近邻负载条件的轴承数据构成变负载数据集,充分验证轴承故障诊断的变负载适应性。实验结果表明:本文模型在各测试集均能达到96%以上的准确率且平均准确率达到98.36%,能够在变负载环境下实现准确、稳定的轴承故障诊断,具有良好的泛化能力。     

基于卷积神经网络的重力异常反演

重力异常反演是地球勘探中常用的方法,它是通过地表观测重力异常推断地下介质的密度分布。针对传统反演方法存在的多解性、初始模型依赖和计算时间较长等问题,提出一种基于卷积神经网络(convolutional neural network, CNN)的重力异常反演方法,该方法首先通过大量正演计算获得训练数据集;然后采用该数据集训练CNN网络,使其建立从地表观测重力异常到地下密度模型之间的映射关系;最后将重力异常数据输入到训练好的卷积神经网络,得到对应的地下密度模型。实验结果表明,该方法能快速、准确的反演出地下重力异常体的密度、位置和形状,具有较强的泛化能力,能有效解决重力异常反演问题。     

一种基于卷积神经网络的区域调光技术

由于光线串扰,像素补偿算法难以根据提取出的背光信息进行准确补偿,同时,单一补偿曲线难以适应具有不同亮度特点的图像内容,导致补偿图像的平均质量不高.为了提高像素补偿算法对复杂图像内容的适应性,本文引入神经网络中的编码和解码思想,通过编码网络提取图像深层特征,在解码网络中利用浅层特征的信息对深层特征进行解码,提出了一种联合...     

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。