基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

高光谱和卷积神经网络的大白菜农残检测

针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、检测周期长等不足,提出了一种快速无损识别大白菜农药残留种类的方法。以1组无农药残留和4组含有均匀喷洒农药（毒死蜱、乐果、灭多威和氯氰菊酯）的大白菜样本为研究对象（药液浓度配比分别为0.10,1.00,0.20和2.00 mg·kg-1）,经12小时自然吸收后,利用高光谱成像系统获取400～1 000 nm高光谱图像,并选取ROI感兴趣区域后经多元散射校正（MSC）预处理;分别采用竞争性自适应重加权算法（CARS）、主成分分析算法（PCA）和离散小波变换（DWT）降维（分别基于db1,sym2,coif1,bior2.2和rbio1.5小波基函数）;最后,将降维后的高光谱数据分别输入卷积神经网络（CNN）、多层感知机（MLP）、K最邻近算法（KNN）和支持向量机（SVM）建立模型并比较。结果显示,CNN,MLP,KNN和SVM算法均在降维算法DWT（小波基函数及变换层数分别为coif1-2,coif1-4,bior2.2-2和sym2-2）取得最优总体精度分别为91.20%,83.20%,66.40%和90.40%,Kappa系数分别为0.89,0.79,0.58和0.88,预测集用时分别为86.01,63.23,20.02和14.03 ms,总体精度和Kappa指标均优于基于CARS和PCA降维算法建模结果。可见,高光谱与离散小波变换和卷积神经网络相融合显著提高分类识别精度,改善“休斯”现象,为实现无损和快速检测识别大白菜农残提供一个新的方法。     

具有时滞的细胞神经网络周期解与稳定性

本文研究了具有时滞的细胞神经网络周期解存在性和平凡解的稳定性问题 .利用 Lyapunov函数法并结合不等式分析技巧 ,我们首先证明了时滞细胞神经网络的解是有界的 ,然后建立了时滞细胞神经网络的周期解的存在准则 ,最后在时滞细胞神经网络有平衡点时 ,给出了神经网络系统的平衡点指数稳定的充分条件 .其结果推广了文 [7,8]的相应结果 .     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

CNN-aided multiple PU spectrum sensing in uncalibrated massive antennas SU system

This paper deploys the Convolutional Neural Network (CNN) to learn and set the statistical test in Spectrum Sensing (SS) task of multiple primary user (PU) sources in massive uncalibrated antennas of secondary users (SU) sharing the same spectrum resources. The proposed deep learning-based SS method (DL-SS) is based on the CNN architecture that has the capability of extracting features of the sample covariance matrices (SCMs) that are given as the network input, improving the overall performance and robustness. The proposed CNN-SS method is compared with nine recent multiple-antennas SS methods, namely the arithmetic–geometric detector (AGM), John’s detector (JD), sphericity detector (SD), generalized likelihood test (GLRT), locally most powerful invariant test (LMPIT), maximum–minimum eigenvalue detector (MME), covariance detector (CAV), Hadamard detector (HD) and volume detector (VD) methods; besides, the proposed method is also compared with five recent state-of-art CNN-based SS methodologies. Performance-complexity trade-off of the proposed and reference SS methods are corroborated via Monte Carlo Simulations (MCS). The proposed CNN-SS method under uncalibrated massive antennas reveals substantial benefits w.r.t. the reference methods and is competitive with others CNN-SS methodologies, both in terms of complexity and performance, achieving detection probability of $P_d=0.9$ $(@SNR=-20\mathrm{dB})$ under very low false alarm probability $P_f=0.1$. Under different figures of merit, the performance of the CNN-based SS detector has revealed to be indubitably superior regarding the state-of-art SS detectors. However, the proposed CNN-based SS detector presents relative computational complexity increases. Hence, to be effective, such a superior operational performance requires a very efficient processing structure in the SU base stations.     

Determination of quantum toric error correction code threshold using convolutional neural network decoders

Quantum error correction technology is an important solution to solve the noise interference generated during the operation of quantum computers.In order to find the best syndrome of the stabilizer code in quantum error correction,we need to find a fast and close to the optimal threshold decoder.In this work,we build a convolutional neural network(CNN)decoder to correct errors in the toric code based on the system research of machine learning.We analyze and optimize various conditions that affect CNN,and use the RestNet network architecture to reduce the running time.It is shortened by 30%-40%,and we finally design an optimized algorithm for CNN decoder.In this way,the threshold accuracy of the neural network decoder is made to reach 10.8%,which is closer to the optimal threshold of about 11%.The previous threshold of 8.9%-10.3%has been slightly improved,and there is no need to verify the basic noise.     

基于MRI和深度学习的桥小脑角区脑膜瘤与听神经瘤分类算法研究

桥小脑角区脑膜瘤与听神经瘤是两种常见的脑部肿瘤，它们的临床表现和影像学表现极为相似，在临床诊断时极易发生误诊．将影像数据与深度学习方法相结合，建立脑膜瘤与听神经瘤的判别模型，可以为两种脑肿瘤的及时准确诊断提供重要手段．本文采集了307名脑肿瘤患者的T₁W-SE序列图像，通过对原始图像进行限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）等预处理，提升数据集图像质量，再经过建立的三维卷积神经网络（3-Dimensional Convolutional Neural Network，3D CNN）深度学习框架中图像特征的学习，实现对脑膜瘤与听神经瘤的分类．图像增强参数与网络结构参数经过优化后，对脑膜瘤与听神经瘤分类的准确率达到0.918 0，曲线下面积（Area Under Curve，AUC）为0.913 4，实现了对桥小脑角区脑膜瘤与听神经瘤的有效判别．     

基于光谱的春季育苗移栽期番茄苗健壮度量化检测

为了筛选影响春季育苗移栽期番茄穴盘苗健壮程度的关键指标,并实现其快速无损检测,测定了5项秧苗指标,经向量归一化预处理并采用独立性权系数法确定各指标权重,并根据权重结果挑选出包含信息较全面,影响较大的两个指标：叶绿素和干质量。两项指标所组成的简化秧苗评价值可以近似表示综合评价值,相关系数r为0.92,大大减少了品质检测所需的指标量,并可以很好的表征春季育苗移栽期番茄苗的健壮度。提取了各穴盘苗的可见-近红外光谱数据,经去噪和多元散射矫正（MSC）预处理,消除了由光散射等带来的光谱干扰信息,相较原始光谱信息更具可利用性。随后采用光谱-理化值共生距离（SPXY）算法对样本集进行划分,利用波段值和评价值两种变量同时计算样本间距离,以最大化表征样本分布,提高样本差异性和代表性。采用竞争性自适应重加权算法（CARS）和无信息变量消除连续投影算法（UVE-SPA）优选光谱特征波数,降低光谱数据维度,得到了更能体现光谱特征的简化光谱信息,减少了冗余信息对建立模型精准度和分析速度的影响。最后应用偏最小二乘支持向量机（LS-SVM）和基于U-Net模型改造的卷积神经网络(CNN),以预处理后的光谱数据和提取特征波长后的光谱数据分别作为模型的输入,建立了光谱数据与综合评价值的非线性映射模型,并进行对比选优。结果显示：应用UVE-SPA预处理方法筛选出的波段,光谱信息更加丰富有效;两种预处理后的优选波段所建模型回归效果整体优于全波段建立的模型;CNN模型的建模效果整体优于LS-SVM模型,且UVE-SPA-CNN模型对光谱数据和秧苗评价值的回归分析效果最好,其建模集和预测集的相关系数r分别为0.988和0.946,均方根误差RMSE分别为0.085和0.025,为直接利用光谱数据获取融合了多种因素的番茄秧苗评价值,从而判别秧苗健壮度提供了理论依据。     

Color image encryption using skew tent map and hyper chaotic system of 6th-order CNN

The paper designs a color image encryption scheme based on skew tent map and hyper chaotic system of 6th-order CNN. The essence of the image encryption is to confuse and diffuse the pixels, the skew tent map is applied to generate the confusion sequence, and the hyper chaotic system of 6th-order CNN is applied to generate the diffusion sequence, for 6 state variables in the system, there are total 120 combinations. For each pixel of the plain image, one combination is chosen to encryption the red, green and blue components, and the combination is determined by one of the state variables. Each pixel is encrypted by the cipher value of the previous pixel and the combination value of the CNN system. Experimental results and security analysis demonstrate that the scheme can achieve good encryption result and larger key space, and can resist common attacks, so the scheme can be applied in secure communication to enhance the security of transmitting image.