基于Finger-mixNet的指纹识别算法研究

针对传统指纹识别方法存在准确率低、推理速度慢等问题,提出了一种应用于指纹识别和匹配的深度学习模型Finger-mixNet指纹识别算法。Finger-mixNet模型基于卷积神经网络和Transformer结构进行关联融合,包括两个核心模块共同表征指纹识别任务的深度特征。Network-C模块基于卷积神经网络获取浅层纹理特征,Network-TC模块基于自注意力机制和卷积共同捕捉指纹深度特征信息,在获得对重点区域注意力的同时,具有比传统卷积更小的计算开销。为证明模型的有效性,在自建的指纹数据集和公共数据集中对模型进行了测试,在自建数据集中Finger-mixNet达到了97.1%的识别准确率,在公共数据集中也取得了98.3%的识别准确率,除此之外Finger-mixNet在保持高识别率同时在上述两种数据集中均能保持200FPS的识别速度。     

基于区域生成网络结构的多层特征融合目标检测算法

现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。     

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。本文提出了一种基于鲸鱼优化卷积神经网络(convolutional neural networks,CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network,BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm,WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入到BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明,本文提出的模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(RMSE)下降了0.0305mm。     

山地城市滑坡灾害空间分布特征及影响因素分析

针对山地城市滑坡灾害影响区域的不确定性,选择重庆市中心城区典型滑坡作为研究对象,利用最邻近指数、空间热点探测与核密度估计方法分析了历史滑坡灾害点的空间分布特征;并选择高程、坡度、坡向、地貌类型、土壤类型、土壤侵蚀、降雨、水系、地表覆盖、归一化植被指数(NDVI)、人口密度和道路等12个影响因素建立滑坡因子数据库,利用神经网络模型分析滑坡灾害空间分布特征的驱动因素,并定量计算各影响因子的贡献权重。利用受试者工作特征曲线(ROC)对模型进行准确性评估。最邻近指数结果表明研究区历史滑坡灾害点呈聚集型分布特征,空间热点探测与核密度估计均显示渝中区、沙坪坝区和巴南区北部是滑坡聚集程度最大的地区;在所有的影响因子中,人口密度、地貌类型和降雨对研究区滑坡灾害的空间分布影响最大,而坡向和道路影响最低。ROC曲线下面积AUC值达到0.917,表明该神经网络模型能准确反映出该地区滑坡影响因子的影响程度。     

多标签文本分类模型对比研究

为了有效地管理和利用网络文本信息,实现文本内容自动标签标注,提出采用多种深度学习模型对多标签文本分类进行研究。采用神经网络词向量模型word2vec获取文本数据的语义特征。对循环神经网络和卷积神经网络进行模型融合,引入注意力机制,形成TextRCNN_Attention神经网络模型。实验结果表明,TextRCNN_Attention模型结构融合了循环神经网络和卷积神经网络模型的优点,能更好地理解语义信息。Attention机制对文本特征提取更加合理,使模型将注意力聚焦在对文本分类任务贡献分值较大的特征上,分类效果更好。     

基于深度学习的自动驾驶技术综述

该文在行人检测技术方面介绍了基于卷积神经网络(CNN)模型的目标识别、检测技术与改进的区域卷积神经网络(R-CNN)、任务辅助卷积神经网络(TA-CNN)模型技术。在立体匹配技术方面简述了基于孪生网络的立体匹配的深度学习模型技术。在多传感器融合技术方面回顾了基于深度学习网络的视觉传感器、雷达传感器与摄像机传感器的多源数据融合技术。在汽车控制技术方面分析了基于卷积神经网络实现无人驾驶车辆端到端的横向与纵向控制技术。深度学习技术在自动驾驶领域的感知层、决策层与控制层的广泛运用,不断地提高感知、检测、决策与控制的准确率,并取得一定的成功,分析表明深度学习技术将加速自动驾驶技术的发展速度,为自动驾驶成为现实带来巨大的可能性。     

强降雨条件下浅层滑坡稳定性分析模型改进

浅层滑坡灾害在我国较为常见,尤其是降雨充沛地区,每年都会造成严重的损失。为研究强降雨入渗作用对浅层滑坡稳定性的影响,在前人对Green-Ampt(GA)入渗模型研究的基础上,结合浅层滑坡深度与长度之比比较小的特性,简化了入渗深度与降雨时长的函数关系式。在进行浅层滑坡稳定性评价时,考虑了渗流力和基质吸力,采用了极限平衡思想和微元思想,同时分析了滑带面处和湿润锋面处的稳定性系数,结合改进的入渗模型,给出了适用于滑带面不平行于坡面的滑坡的安全系数与降雨持续时间的函数关系式,并通过数值模拟方法验证了模型的适用性。最后利用改进模型对小湾3号B3滑坡进行分析,并通过与传统方法的对比展现了强降雨条件下浅层滑坡稳定性分析改进模型的优越性和更强的适用性。     

基于CNN的农作物机载高光谱影像质量评价——以棉花为例

机载高光谱遥感作为近地遥感观测方法中的新方式,对判断作物长势、监测环境状态等农业应用提供了新的技术手段。机载影像数据获取受光照条件、飞行状态等因素干扰,其数据质量对科学研究数据分析结果的可靠性具有重要影响,机载高光谱影像数据的快速质量评价问题亟待解决。本研究提出一种适用于机载棉花高光谱影像的卷积神经网络影像质量分级方法。先获取试验区域内的棉花高光谱影像,通过模拟采集过程中产生的退化进行数据增强;经专家目视评估进行影像判读分级定标,将高光谱数据按比例分为训练集、验证集和测试集;利用TensorFlow框架建立卷积网络模型并进行模型微调与精度验证;最后结合模型评估指标与实验分类结果给出评价。实验结果表明：卷积神经网络影像质量分类评价取得了较好的效果,样本分类准确率达到99.06%,多类别平均分类精确度达到99.07%,Kappa系数为0.988 7。研究结果表明采用卷积神经网络对机载棉花高光谱影像质量评价有效可靠,可为机载高光谱农作物影像质量评价提供参考。     

基于DEM的分布式斜坡稳定性模型在黄土沟壑区浅层滑坡中的应用

为评价SINMAP模型在黄土地区对浅层滑动稳定性分析的适用性和可靠性,基于1-5 000地形图获得数字化高程模型(DEM)和潜在的土壤湿度环境,利用室内和现场实验获取的物理力学参数,结合现场钻探和探槽估计的土层厚度分布,得出地表稳定性指数等级分布图。通过现场测量绘制的滑坡分布图与模拟结果对比和统计得出:实际滑坡分布多位于不稳定区域;模型的精度主要受DEM数据精度的控制,同时,滑坡检验点的位置对其也产生一定的影响,而空间参数差异变化对模型的影响较小。     

融合群稀疏与排他性稀疏正则项的神经网络压缩情感分析方法

文本情感分析是目前网络环境下舆情监控、服务评价及满意度分析等领域的重要任务,一些基于深度神经网络的方法已被用于此类任务。规模庞大的深度神经网络模型结构赋予了深度学习模型强大的非线性拟合的能力,大规模的数据资源为训练这样大规模的模型并保证其泛化能力提供了可能性。然而,在实际应用中,深度模型的时间和空间开销仍然制约着这些方法的落地。针对上述问题,提出一种融合群稀疏与排他性稀疏正则项的神经网络压缩情感分析方法,首先分别构建循环-卷积神经网路与卷积-循环神经网络,通过门控单元融合两种网络组成的分析模型,在模型中引入群稀疏与排他性稀疏正则项,剪除冗余神经元或链接,压缩模型规模。在不同数据集上的实验结果验证了本文方法的有效性。     

基于多源信息融合和ADCNN的离心鼓风机故障诊断

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

基于CA-ANN喀斯特石漠化时空格局的动态模拟和预测

分析了石漠化成灾综合机理,以GIS为平台,结合元胞自动机和神经网络模型,对石漠化灾害的空间格局进行动态模拟和预测.鉴于元胞自动机转换规则的难于确定的特点,利用神经网络来训练和获取石漠化转化的规则,进一步提高元胞自动机动态模拟能力.同时,由于GIS中嵌入元胞自动机,GIS的空间分析功能得到增强.     

基于双通道CNN的单幅图像超分辨率重建

卷积神经网络在单幅图像超分辨率重建方面取得了很大的进展,目前的很多方法都选择使用浅层或者深层的卷积神经网络实现图像超分辨率重建。浅层网络结构简单,但容易丢失图像的高频信息,而深层网络可以学习图像的高频纹理特征。本文提出了双通道卷积神经网络。浅层网络负责重建图像的整体轮廓,保留图像的原始信息;深层网络学习图像的高频纹理特征。在深层网络中,使用密集连接的卷积网络,能更有效地恢复图像的高频信息。同时,在两个网络的末端,通过添加额外的卷积层表示融合层,将网络进行融合,重建超分辨率图片。实验结果表明,在大多数情况下,本文模型的重构效果在主观和客观评估中均优于当前代表性的超分辨率重构方法。     

基于并行残差卷积网络的图像超分辨重建

针对VDSR模型卷积核单一和DRRN模型不能全局利用的问题,提出了基于并行残差卷积神经网络的联合卷积图像超分辨重建模型。模型首先利用原始卷积层和扩张卷积层融合,建立联合卷积层,然后利用跳跃链接,将多种抽象层次的特征进行融合,最后完成整个超分辨网络的模型构建。提出的模型具有以下优点：①扩张卷积神经网络与原始卷积神经网络融合,在计算机复杂度不变的情况下,可以获取更多尺度的信息,因此具有更强的表达能力;②跳跃链接方式,将抽象层度较低与较高抽象层次的信息融合,获取更多的信息,使得模型具有更强的学习能力。通过在多个数据集上进行实验,模型在大多数任务中与VDSR、DRRN和SRCNN等先进模型相比,IFC值取得了大于0.1的提升。     

三明市后山冲沟泥石流易发性评价及预报

2019年5月15—17日和6月7—10日三明市区持续强降雨,其中5月16日24 h降雨量为50年一遇,受强降雨影响,市区东侧后山产生大量浅层滑坡,冲沟内松散固体物源增加,后山冲沟山洪暴发;若在100年一遇甚至200年一遇暴雨作用下,冲沟内产生的浅层滑坡数量及能够参与泥石流活动的松散固体物源量都将会大幅度提高,很可能暴发由浅层滑坡诱发的沟谷泥石流.根据直接指标评价法对三明市区后山20条冲沟的泥石流易发程度进行评价:除了碧桂园后山冲沟为不易发外,其余19条冲沟的泥石流易发程度均为轻度易发;通过19条轻度易发泥石流冲沟的地形数据和2019年5—6月两次降雨过程数据,对浅层滑坡诱发沟谷泥石流降雨预报模型进行验证,结果表明模型预报结果与实际相符;并利用该预报模型给出三明后山冲沟泥石流预报临界降雨值,为该区泥石流预测预报和监测预警指标选取提供参考.     

三维确定性模型在浅层黄土滑坡稳定性预测中的应用

浅层黄土滑坡是黄土高原广泛分布和频繁发生的地质灾害,造成了巨大的人员伤亡和财产损失.尽管二维确定性模型已被广泛用于浅层滑坡稳定性预测,但不能充分考虑岩土性质、地层结构、地下水等条件的三维空间变化,这可能与实际的斜坡稳定性不相符.因此,利用能考虑复杂斜坡环境的三维确定性模型评价滑坡稳定性,对获取更真实的评价结果以及指导滑坡防治工作具有重要意义.本文利用Scoops3D三维确定性模型评价了在浅层黄土滑坡稳定性预测中的适应性和可靠性.首先,模型计算参数敏感性的分析发现黏聚力、滑动视倾角和栅格单元重量对安全系数准确度影响较大,并用于指导获取详细的关键参数.然后,选取不同分辨率的数字高程模型(DEM)数据,利用Scoops3D模型对典型黄土沟壑中的浅层黄土滑坡稳定性进行预测,并通过详细的点状和面状滑坡分布图与预测结果的对比发现,该模型对黄土沟壑区的浅层滑坡稳定性预测准确度较高,且点状滑坡分布图可能更适合模型适应性的检验.最后,混淆矩阵法和成功率曲线法对不同分辨率数字高程模型预测结果可靠性的检验显示,该模型能够有效地预测黄土浅层滑坡的稳定性,且在高分辨率数字高程模型数据下可以获得可靠的预测精度.     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

基于卷积-递归神经网络和费舍尔向量的RGB-D物体识别

综合利用彩色和深度信息,采用多数据模式的特征提取策略,提出一种基于卷积-递归神经网络和费舍尔向量的RGB-D 物体识别方法. 对于彩色图像和深度图像,分别利用卷积-递归神经网络和卷积-费舍尔向量-递归神经网络提取物体的纹理及形状特征. 为了更加全面的获取物体信息的特征表述,引入了灰度图像和表面法向量作为原始数据的补充,并利用卷积-递归神经网络提取特征. 最后,将4 种数据模式下提取到的特征融合起来,输入到softmax 分类器中实现RGB-D 物体识别. 在标准的RGB-D 数据库中对算法进行验证,所提算法可以有效提高物体识别率.     

大型滑坡长期演变的地质力学行为及成灾模式研究年度报告

该年度投入了大量的人力和物力开展文献资料总结和野外调查工作,初步将西部山区大型滑坡地质结构类型划分为"弱面"控制型、"关键块体"型、"软弱基座"型和"采空区"控制型四大类。将滑坡成灾模式划分为变形体-潜在威胁模式、滑坡-随动破坏模式、滑坡-高速碎屑流模式、滑坡-堰塞坝堵江模式和滑坡-高涌浪模式等5个模式。完成了对贵州习水县程寨滑坡、贵州关岭县岗乌镇大寨滑坡和重庆武隆鸡尾山滑坡地质结构类型及成灾模式的详细调查分析工作。获取了滑坡岩土体物性参数,为后续研究打下了基础。在滑坡的启动和运动机理研究方面,主要完成了模型试验设备的设计和加工,基于连续介质力学和离散元的滑坡动力过程模拟,针对声波液化模型在大型滑坡中的应用及滑坡模拟中物质状态方程的替代问题的研究和采用大型模型槽及离散元方法对大型滑坡产生的碎屑流运动特征的研究等工作。该年度所取得的研究成果有助于加深人们对大型滑坡地质结构类型和成灾模式的认识和理解,拓宽现有的对大型滑坡启动和运动的模拟方法,推动大型滑坡成因机理研究向前发展。