基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于深度学习的下井人员安全状态快速检测算法研究

在矿井生产中,作业环境复杂,安全生产风险较大,而传统的人工安全状态检测存在效率较低、漏检率较高等问题.因此,本文提出了基于卷积神经网络的下井人员安全状态快速检测方法.其间使用YOLOv3网络进行安全帽、工作服、工作鞋的多类别目标识别.试验表明,相比于传统人工检测方法,此算法具备更高的检测效率.在试验中,平均精度均值(m...     

基于深度学习的竹笛吹奏技巧自动分类

提出了一种针对竹笛技巧分类的数据集Breath和两个用于竹笛技巧分类的神经网络参考模型Breath1d和Breath2d,并针对此数据集的不同分类任务给出了最佳方法。将Breath数据集划分成子集,以多层感知机为性能评价基准方法,先用Breath1d和Breath2d模型对子集进行训练和预测,再用长短期记忆网络模型进行辅助测试,最后得出了最适合子任务的分类参考模型。对全数据集进行分类时,将Breath2d与Breath1d模型进行融合,并采用数据增强方法使全集分类准确率达到0.913。与传统音频分类任务相比,该工作扩展了音乐分类的研究领域,对民族音乐现代化发展有着良好的推动作用。     

面向深度学习过拟合问题的神经网络模型

针对机器学习算法中的过拟合问题,提出一种基于支持向量数据描述的深度学习神经网络模型.在高效利用深度学习的表达能力的基础上,通过在分类中获取最大间隔的方式,解决不可见数据模型的精度较差的问题,具有非常好的泛化性能.仿真结果表明,提出的模型可以学习多类数据,同时大幅度降低过拟合.     

基于隐马尔科夫模型集成学习的广播关键词检测

由于无线电技术的日益成熟,盗用正常广播频段进行其他活动的非法广播对国民经济和安全造成相当大的危害,因此对非法广播的监测非常重要。本文集成隐马尔科夫模型对广播关键词进行识别,进而监测非法广播。在试验中,首先对采集的非法广播进行人工切割与标定用于训练,然后研究基于集成学习的方法组合多个模型,使用投票规则得到最终结果。将集成学习的PocketSphinx系统与单一模型进行比较,试验结果显示,与单一模型84.8%的识别率相比,集成的PocketSphinx系统识别率达到92%,并且具有更好的稳定性。     

基于脑电信号深度学习的情感分类

情感脑电研究作为人工智能高级阶段的重要任务,近年来受到越来越多的关注。情感脑电分类广泛应用于人机交互、医学研究等领域。该文以轻量级的卷积神经网络为核心,设计了情感脑电分类模型,以DEAP（dataset for emotion analysis using physiologicalsignals）提供的情感脑电图数据为基础,将其中的观看视频划分为唤醒度和愉悦度2个维度。为了获得频域信息,提取了theta、alpha、beta和gamma波段的功率谱密度特征进行评估,并将功率谱密度矩阵表示为二维灰度图像。然后将该图像输入到卷积神经网络训练分类模型并完成2个维度的分类任务。实验结果表明,与传统机器学习相比,卷积神经网络具有更好的分类效果,唤醒度分类准确率达到了82.33%,愉悦度分类准确率达到了75.46%。     

神经网络的结构学习算法研究

针对前馈神经网络结构设计困难,传统ＢＰ算法易陷入局部极小、收敛速度慢、对初始权选取敏感等缺陷,通过修改误差函数,提出了一种融结构自适应选择和参数学习于一体的针对一般神经元激活函数的新算法,实验结果表明其高效性．     

二叉树深度的递归算法

以求二又树深度的递归算法为例，说明递归算法在程序设计中的应用，给出递归算法的执行过程．     

一种基于深度学习算法的电网故障诊断方法

电网故障原因复杂,开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难,所以需要从更深入的层面表征电网故障,并对其进行故障诊断。针对这一问题,本文提出一种基于深度学习算法的电网故障诊断方法,该算法利用由Convolution层、Pooling层、Flatten层及MLP层构成的深度网络结构,对电网故障信息进行学习并获得对应的诊断模型。试验表明PGFD-DL算法具有更高的稳定性与精度。     

联合迁移学习和深度学习的侧扫声呐沉船识别方法

针对当前沉船侧扫声呐数据样本少、无法大量获取有标记的数据、小样本数据用于卷积神经网络模型正确识别率较低的问题,提出一种联合迁移学习和深度学习的沉船侧扫声呐图像识别方法.在不采用迁移学习的情况下,用沉船声呐样本数据集训练网络,将结果保存作为对照组.应用弱相关数据集,对网络进行训练,然后将网络参数迁移到新网络中,再使用沉船...     

神经网络剪枝技术研究综述

本文梳理了神经网络剪枝技术的起源与研究进展,将其分为对权重参数稀疏化的非结构化剪枝和粗粒度的结构化剪枝,分别介绍了两者近年来具有代表性的方法。由于剪枝减少了模型参数,压缩了模型大小,使得深度模型能应用于嵌入式设备,表现出剪枝在深度学习模型压缩领域中的重要性。针对现有剪枝技术,阐述了一些在实际应用和衡量标准上存在的问题,并对未来的研究发展方向进行了展望。     

基于代价敏感卷积神经网络的集成分类算法

针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive conv...     

基于卷积神经网络和投票机制的轨道板裂缝检测

现有的检测方法对轨道板细微裂缝和夜间拍摄的裂缝图像存在误检和漏检的现象,为此提出了一种基于卷积神经网络的改进方法.将特征图分组后用注意力机制强化各组向量的特征表达,以动态聚合弱分类器预测结果的方式得到最终的裂缝置信度.借助投票机制有效降低最终的预测偏差,提升模型的鲁棒性.实验结果表明:该改进方法在减少模型参数的情况下,...     

一种基于联邦Kalman滤波结构的自适应信息融合方法

鉴于联邦Kalman滤波是一种能在复杂信息融合系统中进行目标状态估计的有效方法．介绍了联邦Kalman滤波器的原理和结构，提出了一种基于联邦Kalman滤波结构的自适应多传感器信息融合算法．仿真结果表明，该算法能有效提高信息融合系统的精度和容错性．具有较高的实用价值．     

模糊神经网络优化的研究

模糊神经网络具有强大的自学习和自整定功能,然而,随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.     

基于Kalman滤波的人工神经网络算法及在矿物机械活化中的应用

为了避免传统BP算法的局限性，通过利用Kalman滤波算法对权值矩阵作为滤波状态变量进行估计，在迭代过程中还引入神经元增益gi和状态动量因子γm两参数来平滑权值矩阵．在此基础上建立的BP算法不仅大大加快了收敛速度，而且提高了网络数值的稳定性，应用于矿物机械活化过程模拟得到令人满意的效果，证明是一种有效的BP学习算法．     

基于改进Paik型Hoptield网络的图像复原

针对图像复原提出了一种改进的Paik型Hopfield网络神经元状态变化规则,在此基础上详细讨论了全并行算法的收敛性、残值误差和能量变化,并依据"由粗至精"的思想和相邻精度层能量变化差估计提出了一种改进迭代算法.仿真实验表明该方法能无限逼近能量极小点,大大提高了Paik型Hopfield网络的精度和收敛速度.     

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认. 该方法利用神经网络 和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的 空间信息. 嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性. 在背景模型和目标模型的训 练中交替更新高斯混合模型和神经网络的参数. 实验表明,采用本文提出的模型并结合TNorm方法,比基线系统 的确认率提高26%.     

基于改进Paik型Hopfield网络的图像复原

针对图像复原提出了一种改进的Paik型Hopfield网络神经元状态变化规则,在此基础上详细讨论了全并行算法的收敛性、残值误差和能量变化,并依据"由粗至精"的思想和相邻精度层能量变化差估计提出了一种改进迭代算法.仿真实验表明该方法能无限逼近能量极小点,大大提高了Paik型Hopfield网络的精度和收敛速度.