基于遗传算法和神经网络的色谱重叠峰解析

提出了一个新的色谱重叠峰解析方法———基于遗传算法(GA)和EMG模型的径向基函数神经网络(EMG-RBFNN)的色谱重叠峰解析。为了使EMG-RBFNN具有结构重组能力,用于色谱重叠峰解析的EMG-RBFNN采用了遗传算法。遗传算法具有鲁棒性和全局优化能力,若种群过小,则陷于局部极值点的概率将增高,而EMG模型是一个低效模型,选用过大的种群,必然使解析过程加长。为了提高算法效率,文中提出先用高效色谱峰近似模型———标准高斯模型进行繁衍,而后再用EMG模型的快速算法。     

光谱重叠峰的曲线拟合解析策略与实现

针对光谱分析中的重叠峰问题,提出了一种基于曲线拟合的光谱重叠峰解析算法,讨论了曲线拟合的参数调整和表达非唯一性等问题,提出了最小峰 峰间距（MRI）、可分离最小峰 峰间距（MSI）和拟合误差曲线的三个特征区间等概念;在峰位的确定中,引入由宽逐严的排除策略。含噪模拟光谱重叠峰解析结果表明,所提出的算法是有效的。     

基于小波变换和连续Hopfield神经网络的重叠峰解析策略

针对化学谱图分析中的重叠峰解析问题,提出了一种基于小波变换和连续Hopfield神经网络的谱图重叠峰解析策略.使用高斯函数作为曲线拟合的数学模型,将重叠峰分解为一系列高斯峰的叠加组合.首先,根据检测信号卷积型小波变换中奇异点特性分析原理,利用卷积型小波变换方法寻找信号的特征点,并根据特征点对信号做出初步解析;然后,构造解析峰参数与解析误差之间的函数关系,并以之作为连续Hopfield神经网络的能量函数;最后,根据该网络自我演化特性经过指定次数的迭代得到误差函数的极小值点,进而得到谱图重叠峰的最终解析参数.谱图重叠峰模拟解析表明,所提算法有效.     

基于改进非洲秃鹫优化算法的脑MRI图像分割

针对非洲秃鹫优化算法(African vulture optimization algorithm,AVOA)在开发能力与探索能力之间存在的失衡问题,提出了一种多策略改进的非洲秃鹫优化算法(improved African vulture optimization algorithm,IAVOA)。采用佳点集初始化种群以增强多样性,引入混合对立学习以强化开发与探索,实施自适应信任度策略以动态调整搜索过程,应用高斯变异来进一步平衡算法的开发和探索能力。仿真结果显示,在12个典型测试函数上,IAVOA相较于对比算法,在收敛速度、求解精度和稳定性方面均显著提升。提出了IAVOA-FCM算法用于小样本数据集的脑磁共振成像(magnetic resonance imaging,MRI)图像分割,通过IAVOA算法强大的全局寻优能力对FCM算法进行优化。在脑MRI图像分割实验中,与其他5种先进的结合算法相比,IAVOA-FCM在分割精度、稳定性等方面均表现出显著优势。     

基于峭度的组分分析方法解析重叠峰

基于峭度的组分分析方法用来解析重叠峰．其优点是半盲源分离，即只要确定出重叠峰所含组分的数目，就能从混合波谱中分离出纯组分谱．采用CABK来解析模拟两组分重叠峰体系和酒样的GC-MS混合谱，得到了令人满意的结果．     

柱效关系用于RBF神经网络色谱重叠峰解析

将径向基函数(RBF)神经网络引入色谱重叠峰解析领域·为了使RBF神经网络能适应于色谱重叠峰解析的需要,先在RBF神经网络学习算法中引入了基于可行域约束和共享小生境技术的遗传算法,而后又用两阶段遗传学习算法训练该神经网络以使其具有了结构自学习和参数优化的能力,适应于组分数未知的色谱重叠峰解析的需要,最后又将柱效关系引入至遗传算法的适应度函数中,极大地限制了解的空间,减少了病态解发生的概率·实验表明本方法解析精度较高,很适用于多组分色谱重叠峰解析,并且具有不需人为干预,自动确定网络结构即组分数的优点     

基于卷积神经网络的多光谱与全色遥感图像融合算法

地理信息数据具有不同分辨率、不同精度、不同覆盖范围等多尺度特征,在应用中往往需要同时具备高光谱分辨率和高空间分辨率两种信息的图像.为提高多光谱图像和全色图像融合的准确性,提出了基于卷积神经网络的多光谱与全色遥感图像融合算法.首先,对训练集内图像进行预处理,构建适用于本算法的图像数据集;然后,拓展卷积神经网络卷积层,提高...     

基于高斯混合模型的敞开式质谱重叠峰解析方法

针对敞开式质谱重叠峰影响待测物特征峰识别的问题,提出了基于高斯混合模型的重叠峰解析方法.根据手肘法和质谱图中各参数意义有效选取模型初始参数,然后研究了该方法在重叠峰不同幅值比、分离度和噪声下的解析效果,并对敞开式质谱实测冰毒碎片离子的重叠峰进行解析.结果 表明,模拟数据的各个参数在解析后变化较小,均值和标准偏差的最大相对误差分别为0.4％和2％;实测数据在解析后可有效识别目标谱峰并使信噪比最高可提升10.2％,该方法解析效果好并且具有抗噪声干扰能力,可用于敞开式质谱重叠峰的解析.     

基于卷积神经网络的烟火智能识别算法研究

相较于传统烟火、烟雾传感器检测方法,基于卷积神经网络算法的烟火检测具有更高的检测精度和效率,并能提供火灾现场全局/局部详细信息。本文提出基于改进YOLOv3算法的烟火识别,应用高斯参数设计损失函数从而建立YOLOv3边界框模型,可预测边界框定位不确定性,减少负样本;为充分利用图像局部特征信息对网络结构进行改进,以实际烟火现场图片为研究对象,完成烟火识别过程计算。利用不同拍摄角度、光照条件自制火焰和烟雾数据集进行测试,结果表明,与传统YOLOv3对比,本文提出的改进YOLOv3算法平均精度提高了4.2%。研究方法将有助于提升智能烟火预警、人员救助和险情跟踪作业水平,最终提升事故灾害的应急能力。     

基于卷积神经网络的布料疵点检测方法

针对传统布料疵点检测准确率低、识别较慢且计算量大问题,提出基于卷积神经网络的布料疵点检测方法,实现增强布料疵点检测鲁棒性、高效性的设计目标。为保证训练结果准确,首先采集数量以千万级为单位的布料图像并进行图像预处理,标记无疵点布料和疵点布料;然后将图像送入设计的卷积神经网络进行训练和测试,获取疵点检测框;紧接着采用改进的NMS分类算法对检测框进行多框合并,减少误检,进一步提高模型检测效果;最后利用设计的特征图分割算法使网络模型脱离GPU显存限制,适用于各种性能计算机。实验结果表明该方法可在实现布料检测高速度、高准确率的同时增强检测方法的鲁棒性。实际检测速度为3fps,准确率可达99.6%,超过现有疵点检测算法,表明该检测方法可应用于对布料要求更高的生产企业。     

特征规范化的图卷积神经网络推荐算法

为了提高推荐算法的推荐性能,针对现有的图卷积神经网络(graph convolutional neural network, GCN)的推荐算法中,2-3层的传播网络结构不利于较远距离节点之间进行信息交互,而加深网络层数又会导致性能急剧下降的问题,提出一种特征规范化的图卷积神经网络推荐算法。该方法为传播网络中每一层输出特征进行规范化处理,避免节点嵌入表示随着网络层数增加而变得过于相似;在预测阶段,使用自注意力机制(self-attention mechanism, SA)将各层的输出进行连接,以获得更好的节点最终表示。在3个真实数据集上与传统算法以及现有同类型推荐算法进行对比,验证了该模型的有效性。实验结果表明,所提模型与基准模型相比,在召回率Recall@N和归一化折损累计增益NDCG@N上有明显提高,平均提升1.675%,最高可提升3.406%。     

基于卷积神经网络的语义同时定位以及地图构建方法

环境感知技术是智能车功能实现的前提,而在感知的基础上提高智能车对环境的认知能力是实现全自动驾驶的关键。本文针对室外交通场景,基于卷积神经网络提出了一种新的智能车同时定位以及语义地图构建方法,对智能车进行定位,并且构建稠密的3D语义地图,提高智能车的环境感知、认知能力。首先,基于双目ORB-SLAM提出了一种四线程的双目SLAM（Simultaneous Localization and Mapping）方法构建稠密的3D点云地图,四线程分别为追踪线程,局部地图构建线程,回环检测线程以及稠密地图构建线程;其次,为提高智能车的环境认知能力,使用端对端的方法对图像进行语义分割,并且为提高语义分割精确率,将环境的几何信息也作为卷积神经网络输入;最后,将感知的能力与认知的能力相结合构建语义地图,为智能车实现全自动驾驶奠定基础。本文将算法在KITTI数据集上进行测试,整体算法速度为10帧/秒,语义分割的全局精确率为73.1%,构建的语义地图显示本文提出算法能够在大规模室外场景下重构全局一致性地图,并且帮助智能车实现对环境的解析。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于卷积神经网络的监控视频人数统计算法

监控视频中人数统计是现代安防的重要任务之一,具有较高的研究意义和应用价值.虽然近年来取得较大的进展,但仍无法很好地解决监控场景人数统计精度、高清图像耗时问题.为此,作者提出一种基于卷积神经网络与岭回归联合的人数统计方法.通过卷积神经网络回归图像中人头中心点获得人群密度分布特征图,然后使用岭回归模型分析人群密度分布特征图得到该帧图像对应的人数.作者提出的算法通过在多组视频图像上进行了测试,并与经典算法做了比较.实验结果验证了作者方法的有效性.     

一种基于多尺度融合卷积神经网络的人群计数方法

人群间的相互遮挡和多变的空间尺度是基于单幅图像人群计数算法面临的主要挑战.近年来,基于深度学习的人群计数算法在该问题上取得了显著的成效,然而越来越深的网络结构给模型的训练和应用带来了困难.为了解决上述问题,提出了一种基于多尺度融合卷积神经网络(multi-scale fusion convolution neural ...     

基于循环结构的卷积神经网络文本分类方法

现有卷积神经网络在文本分类性能上受到词向量窗口长度的影响,在研究卷积神经网络分类方法的基础上,提出一种基于循环结构的神经网络文本分类方法,该方法对文本进行单次正向及反向扫描,能够在学习单词表示时尽可能地捕获上下文信息,整体算法时间复杂度为O(n),是线性复杂度;该方法构建文本语义模型可以捕获长距离的依赖关系,使得词向量窗口长度对文本分类性能没有影响,对上下文更有效地建模。实验结果表明,该方法构建文本语义模型的准确率达到96.86%,召回率达到96.15%,F1值达到96.5%,性能优于传统文本分类算法和卷积神经网络方法。     

基于轻量化卷积神经网络的改进模型与验证

卷积神经网络随着深度和结果复杂度的不断增加,其参数量和计算量大大制约了它的应用场景,本文在SueezeNet网络结构基础上引用分组卷积并采用Channel-shuffel来解决分组卷积后的信息不流通问题。以减少原有网络结构的的参数量提高网络运行效率。在ORL数据集的验证表现也表明,在网络参数减少的情况下分类精度和收敛效率并不会有降低甚至略有提高。可以体现分组卷积在结构轻量化上的有效性。     

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。本文采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出了一种基于卷积神经网络与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。本文使用了23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较,结果表明该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。     

深度卷积神经网络的遥感植被检测方法

【目的】植被检测是城市生态研究的重要手段,然而由于遥感图像中植被存在阴影区域、遮挡区域以及色彩上的畸变等,导致当前的植被检测精度较低。基于遥感卫星影像,采用深度学习技术快速有效地检测出城市中的植被区域,为植被资源统计等相关研究提供依据。【方法】选用深度卷积神经网络模型,对高分辨率遥感影像中的植被区域进行检测。对不同的优化器,通过设置不同的卷积核大小,对精度进行对比分析。最后对网络层数进行研究,对设置合适网络层数进行分析,用构造的深度卷积神经网络在实验数据上进行植被区域检测。【结果】利用卷积神经网络处理二维图像时,无需手动提取特征,进行简单少量的预处理后,直接把图像输入到CNN模型中进行训练,即可实现图片的识别分类功能。降低了预处理的难度,同时局部感知和权值共享大幅度地减少了参数量,加快了计算速度。次抽样还能保证图像处理后的平移、旋转、缩放和拉伸的不变性。解决了传统方法计算量和样本量大、结构复杂以及费时的缺点。在采集到的高分辨率紫金山区域的遥感图像中,通过设计的多层卷积神经网络模型对区域中的植被资源进行分析,对比和研究不同的优化器、卷积核和网络层数,植被检测精度达到95.4%,明显高于当前众多植被检测算法。【结论】在深度学习中,目标检测的精度依赖于网络的结构设置,通过对优化器、卷积核以及网络层数进行设定,可以明显提高目标检测效率和精度。