一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

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。     

基于CNN和LSTM混合模型的中文词性标注

中文词性标注具有重要的作用,它的准确性和标注速度直接影响到自然语言处理的后续任务.提出一种基于CNN(convolutional neural network)和LSTM(long-short term memory)混合模型进行中文词性标注.该模型采用三层结构,用词向量和CNN的滑动窗口特性产生词语表示特征,LSTM的时序性来产生词性标注的序列标签.分别在PFR《人民日报》语料库、CTB7.0和CoNLL09语料库上对该模型进行测试,在未加入任何人工特征的条件下,对词语进行词性标注,词性标注效果好于HMM(hidden Markov model)、MLP(multi-layer perceptron)、CNN和LSTM.     

基于AM-BiLSTM模型的情绪原因识别

文本情绪原因识别是情感分析中一个新的研究方向,旨在从文本中自动检测出导致某一情绪产生的原因。针对循环神经网络在长文中出现的长期依赖问题,本文提出了一种基于注意力机制和双向长短时记忆(attention model and bi-directional long short-term memory,AM-BiLSTM)神经网络模型的情绪原因识别方法。该方法采用字符向量表示文本语义信息,使用BiLSTM模型提取文本特征,该过程结合了人工提取的子句特征,在训练模型时,引入了注意力机制来优化模型性能,使用softmax对子句进行分类。实验结果表明本文方法对情绪原因的识别是有效的。     

基于组合随机性特征的哈希函数识别方案

加密算法的识别对于密码分析研究有着重要的意义,目前学者们已经在此领域展开了一些研究并取得了一定的进展。然而在针对哈希函数的识别方面,所展开的理论研究较少。本文对随机性检测特征进一步挖掘,利用欧氏距离筛选出对哈希函数最有区分度的3个检测项,基于选出的检测项的核心关注点重新构建特征生成方法,并结合随机森林模型,提出了一种基于组合随机性特征的哈希函数识别方案。通过实验分析,该识别方案明显优于传统的基于随机性检测特征的识别方案。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于ICA的车牌牌照字符识别系统

介绍了基于ICA(独立分量分析法)的牌照识别系统的字符识别.为了提高字符特征提取的质量,首先通过车牌图像的预处理,然后采用了基于高阶统计信息的特征提取方法,即ICA对车牌灰度图像的字符进行识别.该系统避免了二值化对字符特征的影响,识别方法简单,结果理想.     

基于智能手机运动传感器的手写数字字符推测系统

为了拓展并完善手机屏幕信息推测的研究,在现有针对虚拟键盘输入的侧信道攻击基础上,提出了基于手机运动传感器的手写数字字符推测系统。设计实现了一种高效的自适应手写事件检测算法,在运动传感器(加速计和陀螺仪)数据流中通过多项式拟合的方式生成数据流中的噪声数据的拟合曲线。在噪声拟合曲线的基础上,结合数据流的方差值,实现目标数据段的识别提取。对每个数据段,本文选择了两种特征提取方法:时域特征提取和频域特征提取。再根据不同字符的数据段的特征差异推测当前数据段所对应的字符。对三种常见的用户手机持握姿态:坐姿、站姿和躺姿分别进行了训练,得到每一个姿态下最合适的姿态特征集合。握机姿态、手机类型、传感器类型和手写方式对推测准确率都有一定影响,其中手机类型影响最小。实验结果表明本文的字符系统推测准确率最高可达93. 5%。     

面向并行设计的局部特征识别技术研究

为支持在并行设计过程中设计特征模型到加工特征模型的逐步转换，提出了局部特征识别的方法．在并行设计中，设计特征模型和加工特征模型通过面名历史图共享零件的实体模型，设计特征的变动通过局部特征识别自动地转换为相应的加工特征．局部特征识别是由基于最小条件子图特征识别方法改进来的，它以零件的局部区域为识别对象，通过搜索匹配局部区域构成的边界模式，识别出该局部区域中所包含的加工特征．局部特征识别方法的特点是只对设计中发生变动的区域进行识别．     

融合抽象层级变换和卷积神经网络的手绘图像检索方法

针对人工设计的描述子（HOG、SIFT等）在基于手绘的图像检索（Sketch Based Image Retrieval,SBIR）领域的局限性,提出了一种融合抽象层级变换和卷积神经网络构建联合深度特征描述子的手绘图像检索方法.首先,提取常规图像的边缘概率图,在此基础上进行不同抽象层级的图像变换,将抽象层级变换图像输入到深度神经网络并提取不同隐层的输出向量,最后,联合不同隐层的输出向量作为手绘图像检索的特征描述子（即联合深度特征描述子）.在Flickr15k数据库上对本方法进行了实验验证,结果表明：融合抽象层级变换和联合深度特征描述子的检索效果相较HOG、SIFT等传统方法有显著提高.本方法从图像预处理和特征描述子构建2个方面,对SBIR问题进行了改进,具有更高的准确率.     

应用于平扫CT图像肺结节检测的深度学习方法综述

肺癌是一种致死率很高的癌症.通过肺部平扫CT影像检测肺结节对肺癌早期诊断、治疗意义重大.全面介绍了一种革命性的图像识别技术——深度学习方法,在肺结节检测中的应用.首先,横向对比了不同卷积神经网络的结构及其在图像识别上的效果,其次着重分析了不同深度学习方法在训练肺结节分类器上的应用,包括faster-RCNN、迁移学习、残差学习以及迁移学习.还介绍了一些可用的肺部CT影像数据集供读者参考.     

汉字识别的加工模型

通过文献分析,概述了认知心理学关于汉字识别过程及其加工机制研究的几种主要的加工模型,即经成分识别模型、多层次交互激活模型、连接主义模型、合体汉字字形识别模型和汉字识别的多层次格式塔双向加工模型.     

概率OWG算子及其在多属性决策中的应用

提出了概率有序加权几何算子(P-OWG算子),研究了该算子的一些基本性质,基于该算子提出了属性权重确知、各状态概率已知的不确定多属性决策方法,最后,进行了实例分析。     

混沌神经网络的信息搜索

混沌神经网络具有动态联想记忆功能，但其动态联想记忆是在网络的混沌运动中实现的，记忆状态为连续改变的非周期行为，不能稳定在某个已存储的模式上，因而混沌神经网络的信息搜索成为一个难点，本文通过在部分神经元上施加合适的控制量进行钉扎控制，改变混沌神经网络的动力学特性，计算机仿真实验表明，在钉扎控制作用期间，混沌神经网络的输出能稳定地收敛于网络的存储的模式上，从而实现了混沌神经网络的信息搜索。     

面向自然场景图像的三阶段文字识别框架

文字识别技术在文档管理、图像理解、视觉导航等中具有重要应用。然而,自然场景中的文字通常排列任意、形状不一、字体多样,难以被检测和识别。提出了面向自然场景图像的三阶段文字识别框架,该框架包括文字检测、文字矫正和文字识别。首先,利用特征金字塔网络分割图像中的字符,基于双向长短期记忆网络获取字符间的亲和度,连接孤立字符构建单词行,文字检测率（F分数）高达91.97%。然后,通过多目标矫正网络矫正被检测文字,以应对场景图像文字的复杂形变,增强阅读性。最后,通过注意力序列识别网络按序输出预测结果,实现单词级识别,文字识别正确率达84.98%。