基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余,而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理,并不符合光谱数据的特性,极大影响了模型的运行效率和分类性能.针对该问题,提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法.首先,利...     

一种深度学习的立体阵波达方向估计方法

针对常规波束形成主瓣宽且目标分辨能力低的问题,提出一种基于深度卷积神经网络的波达方向估计方法。算法使用常规波束形成计算二维空间功率谱,将预处理后的空间功率谱图输入深度卷积神经网络。该文利用神经网络学习解卷积映射关系,输出主瓣宽度更窄的空间功率谱图,从而实现高分辨率二维波达方向估计。该算法对阵列结构没有限制,适用于立体阵。仿真结果表明该文方法在不同目标个数、快拍数及信噪比参数下均能准确估计目标方向。该文方法目标分辨能力优于常规波束形成方法。在低快拍情况下,目标方向估计误差低于自适应波束形成方法。     

语音情感识别中的特征选择方法

为了解决传统卷积神经网络在识别中文语音时预测错误率较高、泛化性能弱的问题,首先以深度卷积神经网络(DCNN)-连接时序分类(CTC)为研究对象,深入分析了不同卷积层、池化层以及全连接层的组合对其性能的影响;其次,在上述模型的基础上,提出了多路卷积神经网络(MCNN)-连接时序分类(CTC),并联合SENet提出了深度SE-MCNN-CTC声学模型,该模型融合了MCNN与SENet的优势,既能加强卷积神经网络的深层信息的传递、避免梯度问题,又可以对提取的特征图进行自适应重标定。最终实验结果表明:SE-MCNN-CTC相较于DCNN-CTC错误率相对降低13.51%,模型最终的错误率达22.21%;算法改进后的声学模型可以有效地提升泛化性能。     

基于广义回归神经网络的强干扰下垂直阵目标距离估计方法

以声压场采样协方差矩阵为特征,基于广义回归神经网络研究在强干扰下的水下声源测距问题,该文提出了优化扩展因子的方法以提高神经网络估计性能.使用仅有一个网络参数的广义回归神经网络,使用SWellEX-96实验S59航次的垂直阵数据,比较了以传统匹配场处理为代表的模型驱动方法和以卷积神经网络、广义回归神经网络为代表的数据驱动...     

基于张量分解的简正波模态参数估计

提出了一种基于张量分解的模态深度函数和模态水平波数(统称模态参数)估计方法,解决了传统子空间方法对模态正交性的依赖。利用经距离补偿后声场的平移不变性,将模态参数估计问题转化为三阶张量的规范多元分解(CPD)问题,分解得到的因子矩阵可用于同时估计模态深度函数和模态水平波数。推导了模态参数估计问题下张量分解的唯一性条件,结果表明该方法可在模态深度函数采样向量线性无关的条件下,使用较少的深度维采样和距离维采样实现模态参数估计。仿真结果还表明该方法在距离采样孔径较小时依然具有较好的估计性能。将该方法应用于SwellEx-96实验数据,得到了与实验海域环境较吻合的模态参数估计结果。仿真和实验数据均验证了该方法的有效性。     

结合区域提取和改进卷积神经网络的水下小目标检测

针对水下小目标信息量有限而难以提取有效特征导致的检测性能不佳问题,提出了一种结合区域提取和融合Hu矩特征的改进卷积神经网络水下小目标检测方法。该方法包含区域提取和分类两个步骤。首先以马尔可夫随机场分割算法为基础进行区域提取,对潜在目标定位的同时降低伪目标对后续分类的干扰;然后提取潜在目标区域的Hu矩特征并融入卷积神经网络,形成一种形状特征表征能力更强的改进卷积神经网络用于分类。声呐实测数据处理结果表明,该方法可以有效提升对水下小目标的发现概率和正确报警率,与其他目标检测方法相比,该方法具有更好的检测性能和泛化性。     

基于改进卷积神经网络算法的语音识别

为了解决传统卷积神经网络识别连续语音数据时识别性能较差的问题,提出一种改进的卷积神经网络算法。该方法引入Fisher准则以及L2正则化约束,在反向传播调整参数阶段,既保证参数误差的最小化,又确保分类以后的样本类间分布较分散,类内分布较集中,同时保证网络权值具有合适的数量级以有效缓解过拟合问题;采用一种更符合生物神经元激活特性的新型log激活函数进行卷积神经网络的优化,进一步提高语音识别的正确率。在语音识别库TIMIT以及THCHS30上的实验结果表明,相较于传统卷积神经网络算法,本文提出的改进算法能较好的提高语音识别率,且泛化能力更强。     

远近场混合源的波束解卷积定位

提出了定位远近场混合源的波束解卷积技术,针对非相干远近场混合声信号的线列阵观测结果,推导了其常规波束形成(CBF)空间谱中固有的广义二维卷积数学关系,利用Richardson-Lucy算法实现波束能量聚焦以获得近场目标的精确空域参数估计,通过混合源协方差矩阵向近场流形的正交补空间投影操作提取远场分量,并分析得到其内在的一维卷积关系,然后通过角度域波束解卷积进行远场信号的波达估计。仿真分析表明,所提方法提升了CBF谱的空域分辨力,通过投影映射隔离近场分量后实现了混合源的分离。与现有方案相比,所提算法针对远场信源可实现10 dB的背景噪声级抑制。     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。     

结合卷积神经网络的浅海有源探测信道匹配

信道匹配方法在有源探测领域是一种重要的提升检测信噪比的方法。针对非确知海底参数环境下的有源探测信道匹配问题,提出一种结合卷积神经网络进行信道匹配的算法。该算法基于海底参数扰动开展声场仿真生成卷积网络训练数据;首先通过分类网络将信号按照海底底质类型分类,在每个分类区间内采用单独的卷积网络反演海底参数;然后结合声场模型估计信道传递函数,进行信道匹配,从而在非确知环境下抑制多途影响,提升回波检测能力。仿真与实验结果表明,该算法能够在不确知海底环境条件下,有效估计信道传递函数,实现信道最优化匹配,在实验条件下可提高回波检测信噪比4 dB左右。相比传统方法,该算法可以在海底参数不确知条件下对低接收信噪比的信号实现信道匹配,同时不需要高信噪比的实验参考信号,有效提高了信道匹配方法的环境宽容性。     

面向低强度无线网络信号接收谱参数估计研究

针对以北斗卫星导航信号为代表的亚纳秒级的低强度无线网络信号在定位中难以获取精确时间估计及角度估计,且易受环境噪声影响,使其定位精度不高等难题,本文提出了基于亚纳秒级的低强度无线网络信号接收谱参数估计方法。首先通过抽样方式,将发射信号抽样为多维独立子信号并独立建模,通过构造噪声空间与子信号空间在对应列向量正交化的基础上精确获取TOA估计;随后利用复数域映射,在获取TOA估计基础上采取比对方式精确地获取DOA估计。最后对本文参数估计方法进行了精度分析。测试数据显示：与 PM算法、ESPRIT算法相比,本文技术在TOA及DOA估计上更为精确;同时在信号强度低且背景噪声干扰严重的情况下,本文方法仍可有效的维持参数估计精度。     

基于噪声水平估计的多孔准直X射线荧光CT去噪算法

X射线荧光CT(XFCT)是X射线CT与X射线荧光分析相结合的新型成像方式,可用于探测被修饰后的纳米金颗粒在肿瘤内部的分布及质量分数,在早期癌症诊疗方面具有较好的应用潜力。如何抑制XFCT成像的康普顿散射噪声是当前的热点问题。本文基于深度学习方法,通过卷积神经网络学习图像中的噪声分布规律,从而抑制噪声。基于此,提出了一种基于噪声水平估计和卷积神经网络的XFCT去噪网络（NeCNN）算法,该算法运用噪声估计子网络及去噪主网络进行去噪。估计子网络通过去噪卷积神经网络（DnCNN）估计噪声水平并初步降噪,随后将估计结果输入去噪主网络——全卷积神经网络（FCN）用于学习康普顿散射的分布规律,同时为兼顾局部与全局最优解采用均方误差（MSE）及结构相似度（SSIM）作为损失函数。数据集通过Geant4软件模拟扫描填充各种金属纳米颗粒（Au、Bi、Ru、Gd）的空气模体及聚甲基丙烯酸甲酯（PMMA）模体来获取,且设置不同入射X射线的强度,以此模拟不同噪声水平,增强模型泛化能力。实验结果表明,与三维块匹配滤波（BM3D）及DnCNN算法相比,NeCNN算法的去噪结果最优,其SSIM为0.95066,峰...     

一种分布式双麦克风线阵声源定位方法

分布式麦克风阵列由于比传统的单阵列具有更大的空间孔径,可以获得更好的声源定位性能,因此基于分布式麦克风阵列的声源定位方法成为当前麦克风阵列领域研究的热点之一。本文研究了一种基于分布式双麦克风线阵的声源定位方法,并进行了系统实现,从理论上剖析了该算法的定位精度与单阵列定向误差以及声源位置之间的关系,而且还揭示了声源高度扰动对该算法定位精度的影响。最后,分别通过仿真实验和实际定位系统的测试结果,验证了本文理论分析的正确性。     

神经网络的声场景自动分类方法*

声场景探察和自动分类能帮助人类制定应对特定环境的正确策略,具有重要的研究价值。随着卷积神经网络的发展,出现了许多基于卷积神经网络的声场景分类方法。其中时频卷积神经网络(TS-CNN)采用了时频注意力模块,是目前声场景分类效果最好的网络之一。为了在保持网络复杂度不变的前提下进一步提高网络的声场景分类性能,该文提出了一种基于协同学习的时频卷积神经网络模型(TSCNN-CL)。具体地说,该文首先建立了基于同构结构的辅助分支参与网络的训练。其次,提出了一种基于KL散度的协同损失函数,实现了分支与主干的知识协同,最后,在测试过程中,为了不增加推理计算量,该文提出的模型只使用主干网络预测结果。在ESC-10、ESC-50和UrbanSound8k数据集的综合实验表明,该模型分类效果要优于TS-CNN模型以及当前大部分的主流方法。     

基于深度学习的无人车夜视图像语义分割

为了增强无人车对夜视图像的场景理解,在夜间模式下更快更精确地探测和识别周围环境,将深度学习应用于夜视图像的场景语义分割,提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络,构建卷积-反卷积神经网络,无需手工选取特征。通过像素到像素的学习和训练,得到图像语义分割模型,可直接用该模型预测夜视图像中每个像素所属的场景语义类别,实现无人车夜间行驶时的环境感知。实验结果表明,该方法具有较好的准确性和实时性,平均IU达到68.47。     

近场子空间聚焦的碰摩故障声发射定位方法

针对宽带多源声发射信号的相干、多模态和能量衰减快问题,提出一种近场多重相干信号子空间聚焦的定位算法用于碰摩故障声发射源的定位检测。首先,为滤除干扰模态波、减小频散效应,采用基于模态声发射传播特性分析的小波分解滤波方法,从碰摩初期的声发射信号中获取零阶模态波及波速用于定位计算;其次,为实现信号解相干,提出基于双边相关变换(TCT)的近场聚焦矩阵估计方法;最后,针对声发射信号的能量衰减快问题,利用近场基于特征分解的多重信号分类(N-MUSIC)的空间谱估计方法来实现声源的精确定位。理论分析和实验结果表明:该方法定位精度高、计算复杂度低、稳定性强,能有效识别多个相干碰摩声源。相比传统相干子空间算法(CSM),该方法减少了信号初值和聚焦频点的计算量,对双声源的分辨概率较现有修正近场多重信号分类算法提高了17%,是一种有效的碰摩故障源检测方法。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于扩张卷积注意力神经网络的高光谱图像分类

为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型.首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提...     

基于时空图像融合与多任务分类网络的步态识别研究

通过研究一种基于多尺度卷积神经网络和人体姿态估计模型相结合的多任务步态识别方法,对神经网络识别结果做出一定的解释说明,同时提高其在面对协变量改变场景下的识别效果。该方法将卷积神经网络提取的步态空间特征和人体姿态估计模型得到人体关节时序特征融合,进行身份的识别。使用步态数据集CASIA-B中的正常行走序列和合成行走序列数据以及TUM-GAID步态数据集进行实验。结果表明,该方法在TUM-GAID步态数据集实验中,三种场景T₁、T₂和T₃下的识别率分别达到95.2%、72.4%和84.5%。在CASIA-B步态数据集实验中,对于正常行走序列以及两种合成行走序列,该方法在识别精度上均有较好的表现,体现该模型有较强的鲁棒性。     

基于面部情绪识别的物理实验教学过程评价

在教育信息化的大背景下,提出了基于学生面部情绪识别的物理实验教学评价方法.在实验课堂中若干个重要节点捕获学生面部表情样本作为学习情感状态的评价依据,结合传统实验教学的认知评价方法,实现对学生学习状态实时、客观的细粒度评价.分析了7种基本表情在PAD三维情感空间的分布状况,采用经典卷积神经网络AlexNet完成面部表情情感识别预训练调优,平均准确率达到92%以上.通过在物理实验课堂中对比该方法与传统评价方法的评估效能,证明该模型能实现更智能、更高效的物理实验教学评价.