基于深度残差网络的车标识别

针对车标识别准确率的问题,提出一种基于ResNet-18模型改进残差网络的车标识别算法.首先,利用残差网络并对其进行改进,使用改进的线性修正单元Leaky ReLU激活函数代替原激活函数;其次,调整传统的残差网络结构,将批量标准化和激活函数放在卷积层前,并减少网络参数以加速网络训练.实验结果表明,改进后的残差网络模型识...     

频域注意力机制下的癫痫脑电信号分类

为提高癫痫脑电信号特征分类的准确率,基于残差网络结构的深度学习,提出了一种频域注意力机制下的癫痫脑电信号分类(FDAM)算法。首先分析所提取的脑电信号特征,然后根据信号特征主要分布在时频域的幅值中的特点,通过残差网络对时频域幅值特征进行二次提取,最后为了使残差网络提取的特征集中在与分类结果相关性较大的频域,设计了一种频域注意力机制,在深度学习过程中增强该类频域的幅值特征,有效提高了癫痫脑电信号的分类准确率。采用公开数据库PhysioNet中的CHB-MIT Scalp EEG Database数据库对算法的分类性能进行了验证,实验结果表明,FDAM算法对正常状态和癫痫发作状态的脑电信号分类准确率达到98.05%,特异性为99.34%,灵敏度为96.12%。     

基于BP神经网络的癫痫脑电信号识别研究

为了有效识别癫痫脑电信号,建立了基于误差反向传播（BP）神经网络的癫痫脑电信号识别模型,并提出了一种适合于非平稳脑电信号的特征提取方法。本文以临床采集的包含癫痫发作期的五组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包．对信号进行多尺度分解,提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了92．5％。     

基于时频分析自动识别睡眠脑电的梭形波

为了识别睡眠脑电图（EEG）中出现的梭形波，使用Choi-Williams分布对EEG信号进行时频变换，根据瞬时频谱估计局部范围里EEG的波形特征，在此基础上设计了一个自动识别睡眠EEG梭形波的方法，对实际睡眠EEG中的梭形波进行识别，识别正确率为85．04％，并且能够提供梭形波的定量指标。实验结果表明，经过进一步完善，这种方法可以作为神经内科专家用于研究睡眠生理变化的一种辅助工具。     

采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法

针对脑电(EEG)信号容易被眼电(EOG)伪迹污染,而常规伪迹去除算法会导致EEG有用信息大量丢失的问题,提出一种采用样本熵完备经验模态分解的EOG伪迹去除算法。首先,利用独立成分分析(ICA)算法将EEG分解为独立分量;然后,对各独立分量进行样本熵分析,接着引入阈值对伪迹分量进行自动识别,识别后的伪迹分量经过自适应噪声完备经验模态分解(CEEMDAN)算法分解后采用小波阈值降噪;最后采用逆CEEMDAN和逆ICA算法重构信号,达到伪迹去除的目的。采用公开的BCI2000运动想象数据集中60组数据进行实验,结果表明,所提算法的EOG伪迹自动识别正确率达80%,比基于峰度的伪迹识别算法提高约26.7%;采用公开的Klados EEG数据集中15组数据进行实验,结果表明,重构后的EEG信号与纯净的EEG信号的相关系数为0.841,均方根误差较受污染信号降低约56.82%。实验结果证明了所提算法在提高伪迹去除能力的同时能够有效保留有用脑电信息。     

基于残差网络的掌纹识别研究

为了探索深度学习在掌纹识别领域的应用,提出了一种利用残差网络技术自动提取掌纹特征的方法,该方法根据掌纹的几何特征对掌纹图像进行预处理,将预处理后的掌纹图像进行归一化得到一个二维图像矩阵,作为残差网络的输入,再利用随机梯度下降算法对网络进行迭代训练,获取最优的网络参数,最后使用分类器Softmax对掌纹进行分类识别.模型在香港理工大学的掌纹数据库上进行了实验验证,实验结果证实了利用残差网络对掌纹进行分类的可行性,并取得了不错的分类效果.     

骨髓红粒细胞自动识别的深度学习模型

为了实现骨髓血细胞的自动识别, 构建了骨髓红系细胞和粒系细胞数据集, 基于深度学习语义分割技术提出了 CellNet 网络模型。 该模型通过加入残差模块增加了网络的深度, 利用卷积残差块使网络模型更容易训练, 并结合 U鄄Net 的裁剪操作为分割提供更精细的特征。 实验结果表明, 该模型对骨髓红系细胞和粒系细胞识别正确率分别达到 93. 65% 、95. 25% , 为骨髓血细胞自动识别技术提供了一种方法。     

深度残差网络和LSTM结合的图像序列表情识别

为了改善图像表情和图像序列表情识别效果,针对传统表情识别特征提取复杂和效果不理想问题,提出了一种深度残差网络和局部二值模式(local binary patterns,LBP)相结合的特征提取方法,利用深度残差网络提取数据集的空域特征,长短期记忆网络(long short-term memory,LSTM)处理时域特征,实现空域与时域特征的结合。研究了不同层数的残差网络、不同形式的LBP算子以及其他网络结构对人脸表情识别的影响,对比了支持向量机和随机森林实现的序列表情识别算法。在Cohn-Kanade数据集和AFEW6.0数据集上进行了验证,实验结果表明,算法在验证集上的准确率分别为73.1%和58.4%,相比其他算法有一定程度的提升。     

基于改进胶囊网络的过程控制攻击检测方法

为解决传统入侵检测算法无法准确识别过程控制攻击的问题,提出一种基于改进胶囊网络的过程控制攻击检测方法。该算法利用多层卷积在提取复杂输入特征方面的优势,将原始流量转化为灰度图像进行初级特征提取;同时引入残差连接以解决梯度消失问题,利用胶囊网络特有的动态路由机制对初级特征进行聚类。使用2017 QUT＿S7comm数据集进行实验。结果表明：所提方法在测试集上的准确率可达94.64%,在验证集上对各类攻击的识别准确率均在90%以上,实验证明所提方法可以有效预防针对工控系统的过程控制攻击。     

用于癫痫EEG分析的排列模糊熵新算法

为了提高模糊熵在癫痫EEG信号分析中的抗噪能力,提出一种排列模糊熵新算法,即运用排列符号化时间序列的思想增强模糊熵的抗噪能力。通过在公共癫痫EEG数据上的抗噪实验和分类检测实验,分析了排列模糊熵的抗噪能力和癫痫检测性能。实验结果表明,排列模糊熵具有较好抗噪能力和较高的癫痫检测性能,比模糊熵更适用于癫痫信号的分析。     

基于浅层残差网络的视线估计算法

针对目前的视线估计算法准确度较低的问题，提出一种基于浅层残差网络的算法。利用残差网络结构特点，对图片在不同层次提取到的特征进行融合计算。实验表明，使用基于浅层残差网络结构的算法与使用LeNet-5 结构算法相比，准确率提升了近 8． 5% ，视线估计算法准确度得到了有效的提升。     

软件无线电中基本调制制式的自动识别

调制制式的自动识别是非合作通信系统接收机设计中的重要研究课题．着重讨论了利用特征参数对几种基本调制制式(DSB^*、FM、PM、2ASK、2FSK、2PSK)自动识别问题，对叠加了高斯白噪声的通信信号的自动识别进行了计算机仿真．实验结果表明，此种识别算法具有较为理想的识别效果．     

基于Dirac残差模块的单幅图像超分辨率重建

针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.     

基于曲率约束和改进Hausdorff距离 匹配的轮毂识别算法

针对在轮毂的自动化生产过程中对轮毂型号自动识别的需求,提出一种基于曲率的轮毂辐孔轮廓线角点特征提取和改进Hausdorff距离(MHD)轮毂型号自动匹配的方法. 对待识别的轮毂型号样本进行特征提取并建立标准样本库,在对实时采集的轮毂图像预处理后,利用曲率约束的最小二乘法(CRLSM)进行轮毂外轮廓提取,并用曲率阈值进行角点特征提取,进而采用改进的Hausdorff距离匹配实现轮毂自动识别. 仿真实验证明,该识别算法能够对建立样本库的轮毂类型进行正确识别.     

基于关键点的残差全连接网络动态手势识别方法

车载动态场景下,为了提高基于视频手势识别的准确率和鲁棒性,提出了一种基于关键点的残差全连接网络手势识别算法.对在不同车辆平台、不同运动条件下采集的不同光照强度的视频数据进行归一化等预处理后提取视频帧的关键点,以关键点个数为准则进行了关键帧选取以提高运算性能和降低算法复杂度,将从关键帧中所提取的关键点送入残差全连接网络实现连续手势的识别.在不同光线与车内环境下,所提算法对6类动态手势的平均识别准确率达到96.72%,相较3D卷积神经网络(C3D)、卷积神经网络(convolutional neural network,简称CNN)、长短时记忆网络(long short-term memory network,简称LSTM)和双流网络,其识别率分别提升了10.72%,6.40%,5.17%和4.50%.实验结果验证了所提算法在车载环境下连续手势识别的有效性.     

结合深度残差神经网络与Retinex理论的低照度图像增强

由于低照度图像不易于分辨其中的具体细节,难以对图像进行进一步的利用.为了提高低照度图像的可视性,解决传统U-net对图像特征提取不足的问题,利用深度残差网络的特征提取能力强的优点,提出了一种基于Retinex理论结合残差网络的增强算法.首先,使用一系列卷积和上采样来改进U型网络将图像分解为反射部分和光照部分;然后,为了更好地保留细节特征,一方面将分解得到的反射部分和光照部分通过一系列卷积块提取特征后送入构建好的残差网络中进行重建,从而得到初步重建的图像,另一方面将光照部分通过四层卷积层进行增强,得到调整后的光照分量;最后,将重建的图像和调整后的光照分量进行融合,得到最终的低光照图像增强图像.实验结果表明,改进算法有效地提高了图像暗光部分的可视性,同时增强了色彩深度和对比度,且相比于其他方法,在主观以及客观评价上均有较好的效果.     

基于Resnet18网络的红外图像行人危险动作识别

对夜间行人危险动作进行有效识别是无人驾驶和智能辅助驾驶系统的一个核心任务，也是保证系统安全性的基本需求.考虑到夜晚的光学条件下摄像机的成像特性，提出一种基于深度卷积网络的红外行人危险动作识别算法对夜间行人动作进行识别.该算法选择残差网络为基本网络结构，首先从红外图像的特性和问题的规模出发确定采用Resnet18网络框架，然后对数据集进行预处理使之能够适应网络，最后对网络进行训练与测试以确定网络的识别性能.在实际红外行人危险动作数据集中进行实验的结果表明，所提出方法对6类危险动作识别的平均精确率达到98.3%,平均召回率达到98.1%,优于传统的识别方法.     

大数据环境下加密网络行为的快速识别

利用传统算法进行大数据环境下加密网络行为的识别过程中,无法根据数据特点对加密网络进行深入分析,极大程度上降低了大数据环境下加密网络行为的识别速度。为此,提出一种基于蚁群聚类算法的加密网络行为的挖掘方法,根据加密网络行为的数据结构特点,建立加密网络行为的挖掘模型。实验结果表明,利用改进算法进行大数据环境下加密网络行为的识别,能够极大提高加密网络行为快速识别的准确率,从而降低了加密网络难以识别问题,取得了令人满意的效果。     

改进深度可分离卷积的SSD车型识别

针对现有车辆识别方法对于车型实时识别能力不足的问题,提出一种改进的深度可分离卷积的SSD(single shot multibox detector)算法用于车型识别研究.首先,利用深度可分离卷积网络进行特征提取,并引入反残差模块来解决因通道数少、特征压缩导致的准确率下降问题.其次,以车辆的刚体特性为依据,重新设计区域候选框,减少模型参数运算量.最后,在BIT-Vehicle数据集上进行消融实验来对比不同网络模型性能差异.结果表明:改进的深度可分离卷积的SSD车型识别方法有更好的车型识别效果,可以达到96.12％的识别精度,检测速度提高至0.078 s/帧.     

改进残差网络的字轮式数字表盘识别算法

针对识别字轮式表盘数字时,出现耗时长、双半字符识别率不高、模型参数过大等问题,提出了一种改进残差网络的字轮式数字表盘识别算法。首先,对采集的表盘原始图像进行预处理操作,得到包含完整字符图像和双半字符图像的数据集;其次,对ResNet-18网络进行优化改进,引入深度可分离卷积和Dropout函数;最后,加载数据集进行训练和测试。实际验证结果表明：改进后的残差网络模型识别准确率达99.8%,模型参数大小减小到7.71 MB左右,模型平均推理时间缩短至12 ms左右。