基于卷积循环神经网络的短波时变信道盲均衡算法

针对短波时变信道码间干扰严重、误符号率高等问题,采用卷积循环神经网络(convolutional recurrent neural network,CRNN),即将卷积神经网络(convolutional neural network,CNN)和循环神经网络(recurrent neural network,RNN)相...     

求解最大二等分问题的混合二进制人工蜂群算法

为更好地解决最大二等分问题,提出了一种求解该问题的混合二进制人工蜂群算法。首先,针对传统人工蜂群算法不能解决离散问题的缺陷,根据最大二等分问题的特点,重新设计了蜂群的食物源更新方法,新产生的食物源既继承了先前找到的高质量解的优良结构,又具有良好的多样性。其次,采用填充函数算法对新产生的食物源进行进一步优化,有效提高了人工蜂群算法的局部搜索能力。最后,通过比较混合二进制人工蜂群算法和其他现有算法对不同规模标准测试例子的计算结果,验证了本算法的优越性。     

求解最大二等分问题的混合二进制人工蜂群算法

为更好地解决最大二等分问题,提出了一种求解该问题的混合二进制人工蜂群算法。首先,针对传统人工蜂群算法不能解决离散问题的缺陷,根据最大二等分问题的特点,重新设计了蜂群的食物源更新方法,新产生的食物源既继承了先前找到的高质量解的优良结构,又具有良好的多样性。其次,采用填充函数算法对新产生的食物源进行进一步优化,有效提高了人工蜂群算法的局部搜索能力。最后,通过比较混合二进制人工蜂群算法和其他现有算法对不同规模标准测试例子的计算结果,验证了本算法的优越性。     

随机图的L(2,1)-标号混合人工蜂群算法

为解决图的L(2,1)-标号问题,设计了一种全新的标号算法,该算法利用人工蜂群全局搜索能力强的优点来得到最优的L(2,1)-标号方案.为了加快算法的收敛速度,修改了部分搜索策略并采用改进后的CK算法对初始蜜源进行限制.实验结果表明,该算法可以有效地求解有限点内随机图的L(2,1)-标号且10个点内的简单连通图都满足Gr...     

基于受限玻尔兹曼机的电能质量复合扰动识别

针对目前电能质量混合扰动识别精度不高的问题,引入了受限玻尔兹曼机(RBM)算法。RBM是深度学习的一种新颖算法,在语音识别、机器视觉和图像恢复等领域已取得了很好的应用成果,但在电能质量复合扰动识别上尚未涉及。区别于传统算法提取特征的方式,深度网络通过提取波形的固有抽象特征,克服了人工特征选择的缺陷以及传统神经网络训练时收敛速度慢、容易限于局部最优的缺点。复合扰动信号经过深度网络自动获得特征参数,再经过分类器进行分类识别。实验验证该算法在电能质量复合扰动识别上可以达到很高的性能,优于传统的识别方法。 更多还原     

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。     

基于降噪自编码的电能质量扰动识别

针对目前电能质量扰动识别时特征提取不充分,造成识别精度不高的问题,引入了降噪自编码算法。降噪自编码算法起源于自动编码算法,两者都属于深度学习算法。其中,自动编码算法已经被应用于电能质量扰动识别,并取得了一定的成果。但是,自动编码算法对含噪声干扰的电能质量扰动信号的识别精度还不是很理想。本文采用降噪自编码算法,将克服这一问题。首先对无噪声的扰动信号用噪声进行"破坏",然后用带噪声信号去重构原始信号,得到扰动信号波形的固有特征,最后通过BP神经网络分类器对整个网络进行微调,得到最后用于分类的特征样本。该方法降低了传统特征提取算法对特征选取不当,造成分类识别精度不理想的风险,并在一定程度上提高了含噪声的电能质量扰动信号的识别精度。仿真结果表明,该方法在识别含噪声的电能质量扰动信号上有很大的优势。     

并行Adaboost-BP算法及其在海量图像分类中的应用

为解决基于单节点架构的传统分类算法存在的时间效率差、分类准确率低等问题,提出了一种基于并行Adaboost-BP神经网络的海量图像分类方法.将BP神经网络作为弱分类器,由Adaboost算法组合15个BP神经网络的输出,构建了强分类器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了海量图像的自动分类模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务.多组实验表明,相对于传统的AdaboostBP神经网络算法,提出的算法在Pascal VOC2007数据集和Caltech256数据集上的平均分类准确率分别提高了14.5%和26.0%,而且算法运行耗时少,系统加速比随集群节点个数增加而增加,在图像规模增加到20 000时,加速比几乎呈线性增长趋势.实验结果充分证明,提出的方法适合海量图像的自动分类和预测.     

融合双向门控循环单元和卷积神经网络的歧视性言论鉴别

针对歧视性言论的鉴别,提出了一种融合双向门控循环单元(BIGRU,bidirectional gated recurrent unit)和多元卷积神经网络(MCNN,multi-convolution neural network)的BGM-CNN模型。模型先采用BIGRU结构进行时序特征提取,再经过一维多元卷积神经网络进行降维池化,最后结合多组特征输出进行分类。实验结果表明,BGM-CNN模型比现有的单一模型和CNN-LSTM(long short-term memory)等模型分类效果更好,该模型在五分类验证数据集上分类的F1值为0. 673 3,在两个歧视性言论二分类数据集上的F1值分别为0. 837 3和0. 815 6。     

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。     

一种适用于SM4的改进RSM掩码方案

为了增强SM4算法抵御能量分析攻击,提出了一种改进的循环移位S盒掩码(RSM,rotating S-box masking)算法.该算法采用RSM掩码与固定值掩码相结合的方法,结合SM4算法本身的加密特性,不需要设计者对掩码进行人工操作,就可以起到循环移位S盒的目的,从而有效降低了功率消耗与中间值的关联性.安全性分析表明,本方案可以有效抵御高阶差分能量分析(DPA)攻击,是一个非常匹配SM4算法的掩码方案.     

采用渐变与突变机制的反向人工蜂群算法

为克服人工蜂群算法容易陷入局部最优且后期收敛速度较慢的缺点,提出一种基于渐变与突变机制的反向人工蜂群算法并用于特征选择.采用反向学习策略,为每个初始解产生对应的反向解,并从所有解中选择最优的解构成初始种群,加快了收敛速度.引入渐变与突变机制,将个体按适应度大小分为渐变个体和突变个体,对它们采用不同的邻域搜索方法,避免了陷入局部最优.对比实验表明,新算法比其他特征选择算法能够得到更好的特征子集且具有更快的收敛速度.     

挥发性化合物含量结合化学计量学用于建立江西烤烟的产地鉴别模型

利用自动化静态顶空-气相色谱-质谱联用技术对江西三大产烟区(赣州、抚州、吉安)共120个烤烟样品进行了检测,匹配并定量了54个挥发性化合物。采用遗传算法(GA,Genetic algorithm)选择其中18种代表性化合物,并利用主成分分析法(PCA,Principal component analysis)对这120个烤烟样品进行产地分类,发现这种模式识别(Pattern recognition)方法可将烤烟样品基本分为3类:A类主体为赣州样品(兴国、宁都除外);B类主体为抚州样品(外加兴国、宁都,宜黄、崇仁除外);C类主体为吉安样品(外加宜黄、崇仁)。随后,我们将样品按照2:1的比例分为验证集和预报集,用有监督模式识别方法径向基函数-神经网络(Radial basis function-neural network,RBF-NN)对样品产地进行预报,正确率达到92.5%。据此,我们建立了用于江西烤烟样品的产地鉴别模型,该模型可用于研究不同产地间挥发性化合物含量的分布规律,为划分不同产地烤烟香型风格提供依据,实现对烟叶的质量控制。     

基于混合遗传算法优化的MLP神经网络的调制方式识别

提出了一种基于遗传算法与多层感知神经网络的调制识别方法,运用改进遗传算法优化的多层感知神经网络分类器对各种调制信号的特征矢量进行分类识别.利用遗传算法的高效全局特性,克服了传统BP算法易于陷入局部最优解的缺点,同时在遗传算法基础上增加梯度下降算子,加快了收敛速度,使得分类器的识别率、收敛速度和鲁棒性得到明显改善,仿真实验的结果证明了此方法的有效性和可行性.     

几类循环矩阵的对数矩阵及其计算

循环矩阵的对数矩阵的结构,之后对这些对数矩阵进行了分类,并设计了计算这几种循环矩阵对数矩阵的算法,这些算法与基于Schur分解的反scaling and squaring算法相比,在计算效率上有较大提高.     

基于时间段和频带联合选择的多类运动想象脑电数据分类

脑电信号的时间和频率间隔选择对脑机接口的分类性能具有重要的影响。针对多类运动想象脑机接口系统,提出一个新的基于时间段和频带联合选择的分类算法。该算法首先使用滑动窗将运动想象产生的脑电信号在时域和频域进行分割,然后在每一对截取的时间段和频段,使用多类共空域模式算法提取脑电特征信号,最后使用k-最近邻算法对特征信号进行分类。交叉验证的分类识别率作为最优时间段和频带的选择标准。使用一个四类数据集对这个分类算法的性能进行了测试。与现有的3个典型算法比较,这个算法取得了最高的平均分类正确率,证实了这个基于时间段和频带联合选择的分类算法的有效性。     

基于BERT-LSTM的答案选择模型

目前主流答案选择算法主要首先基于word2vec/glove进行词语表示,再使用RNN或CNN提取文本语义特征,但word2vec/glove无法解决一词多义问题,RNN和CNN在文本全局特征提取方面也有局限。针对以上不足,论文提出一种基于BERT预训练模型的答案选择算法BERT-LSTM,首先采用BERT模型提取问答文本的语义特征表示,再利用BiLSTM加强文本序列信息并整合文本语义,最后引入注意力机制突出重点信息,以此完成答案选择任务。在答案选择基准数据集InsuranceQA和WiKiQA上的测试验证了所提出算法的有效性。     

基于SOPC的心电信号QRS波和ST段检测与识别

采用小波变换法和一种改进的基于状态机的极值对过零点检测算法在FPGA(现场可编程逻辑门阵列)硬件平台上实现了心电信号QRS波的检测和ST段特征点的提取,然后采用BP(反向传播)神经网络的方法在FPGA嵌入的软核niosII的软件平台上实现了对ST段的三种形态识别.通过小波变换和极值对过零点检测算法提取的ST段的数据作为BP神经网络的测试输入.用MIT-BIH数据库中的心电信号数据作为数据来源,选取Altera公司的FPGA开发板DE-2(EP2C35F672C6)作为验证平台,结果 R波峰检测和ST段的形态识别的正确率分别达到97.4%和96.8%,硬件资源共消耗4 309个逻辑单元,系统的整体延时时间为0.52s.结果表明该设计方案可以满足心电信号的实时分析.