基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于多尺寸特征图卷积方法的玉米雄穗检测

为了解决传统雄穗检测方法因玉米品种不同以及田间环境不同导致的检测误差较大、鲁棒性较差的问题,利用深度卷积神经网络提取特征,并对多尺寸特征图卷积的方法检测玉米雄穗。采用深度卷积神经网络inception作为基础网络来训练提取玉米雄穗特征,同时增加额外的卷积层对图像进行卷积提取特征,最后分别对基础网络中的两层卷积层以及额外的卷积层卷积得到的不同尺度特征图进行分类和位置回归。整体网络结构是多尺度端到端框架,效率高,方便检测不同尺度的雄穗。实验结果表明,此方法提高了雄穗检测的速度和准确率。     

索赔额服从爱尔朗分布的破产概率及渐近估计

针对索赔额服从k阶爱尔朗分布的风险问题,通过建立合适的数学模型,利用概率论的有关知识和破产理论的有关结果导出了该模型最终破产概率的显式表达式,并进一步通过引入卷积定义和更新方程得到了它的渐近估计．     

卷积型加权残值法求解梁的瞬态热传导问题

通过卷积将热传导方程构造成包含初始条件的新的具有完整初值问题特征的控制方程．对于新的控制方程以伽辽金加权残值法进行求解,经对梁的瞬态热传导问题的计算表明,该方法是一种精度好效率高的求解热传导同题的计算方法．     

由高斯核确定的卷积函数类上的n-宽度

研究了由高斯核确定的多元卷积函数类上的n-宽度,并得到了某些情况下宽度的渐近阶.     

含有卷积核的线性Volterra积分微分方程的数值解

利用不动点定理证明了含有卷积核的线性Volterra积分微分方程古典解的存在性与唯一性.讨论了用TayIor公式求解该类方程的方法,并通过几个具体的例子说明这种方法的精确性.     

全相位DCT数据内插与立方卷积内插方法比较研究

本文对基于8点信息的全相位数据内插方法进行了推导和理论分析,利用它对实际图像进行了插值处理,并且同当前比较先进的H.26L中建议的立方卷积内插做了比较,仿真实验结果表明全相位数据内插在性能指标上要优于立方卷积内插.     

OBS网络中基于改进波长分组技术的QoS策略

在光突发交换（optical burst switching,OBS）网络中如何支持服务质量（quality of service,QoS）是一个很重要的问题,为了能在对高优先级业务提供足够保障的同时,尽量减小低优先级业务的丢包率,提出一种能有效支持QoS的新方案.该方案在改进的波长分组预留策略（improved wavelength grouping,IWG）基础上结合使用了最适合空隙填充算法（best fit-void filling,BF-VF）和光纤延迟线（fiber delay line,FDL）技术,可以根据各个优先级业务丢包率的变化情况,动态地调整各个优先级业务使用的波长数目,并且通过计算信道利用因子将数据突发调度到合适的信道Viod上,同时为调度失败的突发包提供了二次调度的机会.仿真结果表明,该算法可以在不同的网络状态下有效提高信道的利用率,降低整体丢包率,并能很好地支持QoS.     

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。     

零件分类成组的相似程度比较分析

本文提出了一种零件分类成组的改进算法 ,这种可称为相似程度比较分析法的算法不同于其他算法 .该算法具有效率高、简单易行的特点 ,同时 ,还可以对零件组内零件相似程度加以控制 ,使分组更合理