基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

多元统计分析中一类矩阵迹函数最小化问题的有效算法

研究来源于多元统计分析中的一类矩阵迹函数最小化问题$\min c+ tr(AX)+\sum\limits_{j=1}^{m}tr(B_j X C_jX^{T}),\ \ {\rm s. t.} \ X^TX=I_p,$其中$c$为常数, $A\in R^{p\times n}\ (n\geq p)$, $B_j\in R^{n\times n}, C_j\in R^{p\times p}$为给定系数矩阵. 数值实验表明已有的Majorization算法虽可行, 但收敛速度缓慢且精度不高. 本文从黎曼流形的角度重新研究该问题, 基于Stiefel流形的几何性质, 构造一类黎曼非单调共轭梯度迭代求解算法, 并给出算法收敛性分析.数值实验和数值比较验证所提出的算法对于问题模型是高效可行的.     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

嵌锁式CFRP方形蜂窝夹芯梁低速冲击响应及失效机理

采用嵌锁组装工艺制备了碳纤维/树脂基复合材料方形蜂窝夹芯梁，实验研究了低速冲击载荷下简支和固支夹芯梁的动态响应及失效机理，获得了不同冲击速度下夹芯梁的失效模式，分析了其损伤演化过程和失效机理，探讨了冲击速度、边界条件、面板质量分布以及槽口方向等因素对夹芯梁破坏模式及承载能力的影响。研究结果表明，芯材长肋板槽口方向对夹芯梁的失效模式有较大影响，槽口向上的芯材跨中部分产生了挤压变形，而槽口向下的芯材跨中部分槽口在拉伸作用下出现了沿槽口开裂失效，继而引起面板脱粘和肋板断裂；同等质量下，较厚的上面板设计可以提高夹芯梁的抗冲击能力，冲击速度越大，夹芯梁的峰值载荷和承载能力越高；固支边界使得夹芯梁的后失效行为呈现出明显的强化效应，在夹芯梁跨中部分发生初始失效后出现了后继的固支端芯材和面板断裂失效模式。     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

一种非正交对称条带束流位置监测器设计

介绍了一种条带束流位置监测器(BPM)的设计与仿真方法。在国家同步辐射实验室"太赫兹近场高通量材料物性测试系统"工程项目中,针对波荡器出口处真空室非正交对称性的问题,设计了矩形真空室和跑道形真空室下的两种非正交对称性条带BPM,并与传统的圆形真空室下条带BPM进行对比。基于边界元法,利用MATLAB软件分别对三种真空室下的条带BPM进行建模和仿真。仿真结果表明:相对于传统的圆形真空室下条带BPM,矩形和跑道形真空室下条带BPM灵敏度提高了30%,阻抗匹配误差相对降低了20%,束流位置拟合误差降低了80%。考虑加工精度,矩形真空室下的条带BPM更适用于该工程。     

光寻址电位传感器的正交相位检波检测方法

光寻址电位传感器的幅度检测方法易受噪声干扰,灵敏度差,信噪比和精度低,且受调制光源的影响较大,影响检测结果的准确性.为此提出了一种基于正交相位检波的光寻址电位传感器检测方法.该方法是将光寻址电位传感器的输出光电流信号分别与两路正交信号相乘,通过低通滤波提取直流分量并相除,即可得到光寻址电位传感器的输出信号相位信息.与已有的光寻址电位传感器相位检测方法相比,该方法具有算法复杂度低、实时性高的优点.实验研究了调制光源光强对光寻址电位传感器幅度检测和相位检测的影响,对比分析了光寻址电位传感器的传统幅度检测方法与正交相位检波检测方法对pH检测的灵敏度、线性度及信噪比.结果表明,相比于幅度检测方法,调制光源光强对光寻址电位传感器的相位检测影响更小,在频率为10 kHz,pH的范围为1.68~10.01的情况下,相位检测方法比幅度检测方法测得的灵敏度增加了7 mV/pH,精度提高了14.9 mpH,非线性误差减小了0.003%,均方差减少了0.1051×10^-5,信噪比增加了8.2827 dB.该方法特别适用于弱光下的光寻址电位传感器检测.     

贝叶斯优化卷积神经网络公共场所异常声识别*

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。