基于双流特征融合的FMCW雷达人体连续动作识别

本文提出了一种基于双流特征融合的FMCW雷达人体连续动作识别方法。首先对人体动作雷达回波信号进行预处理得到距离时间域图与微多普勒时频谱图,之后分别对两个不同维度的图像进行主成分分析提取对应特征并选取相同时间段的主成分分析结果进行融合得到双流融合特征,最后将双流融合特征输入到Bi-LSTM网络中训练与测试,网络对每个时间段的输入特征产生与之对应的动作类别输出从而实现连续人体动作识别。实验结果表明,当采用双流融合特征作为Bi-LSTM网络的输入时平均识别准确率要高于只采用距离时间特征或微多普勒特征作为网络输入时的平均识别准确率。     

基于二次特征提取和BiLSTM-Attention的网络流量异常检测方法

针对传统的网络流量异常检测方法存在识别准确度低、表征能力弱、泛化能力差,忽略了特征之间的相互关系等问题,该文提出一种基于二次特征提取和BiLSTM-Attention的网络流量异常检测方法。通过使用双向长短期记忆网络(BiLSTM)学习数据之间的特征关系,完成数据的一次特征提取,在此基础上,定义一种基于注意力机制的特征重要性权重评估规则,依据特征重要性大小对BiLSTM生成的特征向量给予相应的权重,完成数据的二次特征提取。最后,提出一种“先总分后细分”的设计思想构建网络流量异常检测模型,实现多分类网络流量的异常检测。实验结果表明,该文所提方法在性能上要优于传统单一的模型,并且具有良好的表征能力和泛化能力。     

基于深度学习的电信运营商网络投诉工单智能分类技术研究

本文基于自然语言处理技术和深度学习算法,挖掘运营商投诉工单中结构化和非结构化内容的语义特征规律,构建了面向运营商网络投诉派单场景的大规模多标签智能分类模型TBF。本文使用包括编码器模块和解码器模块的端到端框架构建模型。编码器模块使用嵌入层将输入数据中的原始字段转化成向量表示后,使用文本卷积神经网络和双向长短期记忆网络分别对不同数据类型字段的向量表示进行特征抽取并使用前馈神经网络进行特征融合。解码器模块是多层感知机分类器组成的分类器链结构,用来接收编码器模块的融合结果并预测输出各层级投诉类别标签,从而实现对网络投诉工单的智能分类,达到节约人力成本、提升派单质效的数智化转型目的。通过在运营商实际生产环境中的测试和应用,取得了较为满意的效果,成功助力运营商的客户满意度改善。     

基于谱图和声学特征的旋转机械故障检测方法

为提升旋转机械故障诊断的水平和效率,提出一种基于谱图和声学特征的旋转机械故障检测方法.CNN网络中输入声发射信号谱图,得到声发射信号的全局特征;短时能量、过零率、峭度等信息输入BiLSTM网络中,提取声发射信号的声学特征,最后将CNN网络和BiLSTM网络提取到的特征融合起来,采用Softmax实现信号识别,通过实验验...     

一种基于LSTM模型的水库水位预测方法

受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战。提出了一种新的基于长短期记忆(Long Short Term Memory, LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价。该模型整合了降雨、水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差。实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R²)和绝对均方根误差(Root Mean Square Errors, RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks, CNN)比较,得出如下结论:(1) LSTM模型的预测值不存在明显较小的波峰或波谷;(2)模型的预测精度不会随着预测时间步长的增加而急剧下降;(3)在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小。当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析...     

基于BERT-BiLSTM的短文本情感分析

传统的神经网络模型主要是以词向量的形式处理短文本的分类任务,造成模型过度依赖分词的精度,而短文本又具有语料短、特征发散的特点,针对这一系类问题提出一种基于BERT和BiLSTM相融合的短文本情感分类模型。首先,利用BERT模型将训练的文本转换成以字为单位的向量表示形式;随后,将生成的字向量作为双向长短期记忆网络输入,获取到相关字的上下文的语义表示;并通过加入随机Dropout机制防止模型发生过拟合;最后,将提取的特征向量输入到全连接层,经过Softmax函数计算出文本所属的情感类别。经实验表明,在处理短文本方面,基于BERT-BiLSTM的算法模型比传统的利用词向量的神经网络模型分类更加精准可靠。     

基于LSTM的命名数据网络流量预测方法

网络流量预测是提高网络服务质量,提高拥塞控制效率的关键环节。命名数据网络作为新兴网络架构,其内容源与位置无关的特性使得TCP/IP网络中的拥塞控制方法不再适用,而且目前基于神经网络的流量预测方法只是研究预测模型性能的优化,使用的训练数据只考虑了单一的接口流量这一简单的维度,未考虑不同类型的数据包和出接口队列长度等参数对未来流量变化的影响,导致流量预测不够精准。文章提出一种应用于命名数据网络的基于长短期记忆网络的流量预测方法,将单一的流量特征值扩展到与链路流量相关的多维变量,实现了命名数据网络节点接收流量的预测,可用于命名数据网络流量的精准控制,避免网络拥塞。实验验证表明,与仅使用链路流量作为特征值的传统预测方法相比,预测精度有较大幅度的提高。     

基于增量学习的时变信道预测方法

基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中,信道具有较大的时变性,导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健,但是算法效率较低。提出一种新的模型,设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型,实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息,增量学习(Incremental Learning, IL)在运行期间不断预测系统状态,同时更新LSTM神经网络的现有权重,交替执行训练和预测过程,模型可以很好地适应无线信道的动态变化。实验结果表明,提出的模型能有效地改善时变信道的预测准确率。     

基于时序时空双流卷积的异常行为识别

针对地铁站特定场合下,人体异常行为识别无法有效利用帧间运动时间维度信息,导致人体异常行为识别准确率不高的问题,提出一种深层次残差长短期双流网络结构。将RGB帧和连续光流帧作为双流网络的输入,分别利用ResNet34提取低层特征信息,空间流网络提取运动外观特征信息,时间流网络提取光流运动信息,然后将特征信息输入长短期记忆（LSTM）网络,有效学习空间外观和光流运动的帧间关联时间信息,并且通过多种加权融合策略加强模型识别效果。最后在地铁站异常行为数据集上验证提出的网络结构,并与原双流网络进行对比,改进后的网络识别准确率提高了4.7%,融合后的模型准确率提高了12.9%。实验结果表明,所提方法能够充分利用时间维度信息,可有效提高异常行为识别准确率,在昏暗环境下仍有较好的识别效果。     

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题,提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先,利用S-HESD算法对异常流量数据进行检测,并通过滑动窗口均值进行数据平滑处理;然后,利用基于统计学习的SARIMA模型预测流量数据,并将其作为LSTM神经网络的输入,最终输出流量预测值。实验结果表明,SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点,优于SARIMA、LSTM等单一模型。     

基于神经网络与马尔可夫组合模型的视频流行度预测算法

为了提升用户体验,降低运营商的成本,将播放最多的视频内容提前放入用户侧缓存是业界的通用做法,如何有效预测视频播放热度已经成为业界热点问题。针对传统预测算法非线性映射能力差、预测精度低及自适应性弱等缺点,提出基于神经网络与马尔可夫组合模型的视频流行度预测算法（Mar-BiLSTM）,该算法通过构建双向长短期记忆（bi-directional long short-term memory,BiLSTM）网络模型可以保留时间序列两个方向的信息依赖;同时在避免引入外部变量导致模型复杂度增加的情况下,利用马尔可夫性质进一步提高了模型的预测精度。实验结果表明,与传统的时间序列和经典的神经网络算法相比,所提算法提升了视频流行度预测的准确性、时效性,并降低了计算量。     

基于VGG网络的双波段图像融合方法

针对红外与可见光图像中物体信息具有各自优点的情况,提出了基于VGG网络的红外与可见光图像融合方法来提高对夜间或复杂背景情况下的物体检测识别能力。首先将图像分别输入到一个经过训练得到的VGG网络中,经过不同的卷积层提取各自的特征图;然后将特征图经过ZCA白化处理,去除冗余信息;再通过归一化处理,将特征图的维度降到二维,并通过双三次插值法将其缩放到与源图像尺寸一致;最后通过加权取平均得到融合后的图像。实验结果表明,本文的方法在第四和第五层卷积得到的融合结果优于前三层的融合结果。同时,本文融合方法与其他3种融合方法相比视觉效果较好,在标准差、平均梯度、相关系数、熵值等评价指标上分别平均提升了12.79 %、11.04 %、9.94 %和2.54 %,并且在融合时间上保持在1秒以内。这说明该方法融合效果较好,速度较快,能够较多地保留红外与可见光图像信息和较好地提升目标的显著性。     

基于轻量级神经网络的暴力视频分类方法研究

随着视频类自媒体平台的迅速发展,视频内容的安全性审核需求急速增加。为提高视频内容审核的便捷性和准确性,提出结合轻量级神经网络和长短时记忆网络的暴力视频分类方法。借助轻量级神经网络提取视频帧的视觉特征,使用长短时记忆网络对视频帧之间的时序特征将进行提取,引入时空注意力机制提高视频分类准确率。实验结果表明,所提出的方法不仅在模型上表现出轻量性,而且还能提高视频分类的准确性。     

基于特征融合的肝脏肿瘤自动分割方法

针对腹部器官边界模糊、对比度不高以及肝脏和肿瘤形状易发生变化的问题,提出了一种基于特征融合的肝脏肿瘤自动分割方法,该方法进行两个阶段的训练.第一阶段使用改进的U-Net网络进行肝脏的分割;第二阶段用第一阶段的肝脏分割结果生成感兴趣区域(ROI),将ROI作为输入进行肿瘤的分割,这样能有效避免不相关信息带来的影响.本文提...     

基于Lattice LSTM多层次信息交互的装备故障短文本匹配研究

为了提高装备检修数据库的检索效率,提出了一种适用于中文句子对的短文本匹配模型Lattice LSTM-Mul。首先,模型采用Lattice LSTM网络获取单词层面的语义特征,避免了中文句子的分词错误问题;接着,采用BiLSTM网络对上下文关系进行建模,更好地捕捉双向语义依赖关系;最后,利用Transformer编码器实现两个短文本的多层次信息交互。对比试验表明,该模型能够提高数据库信息检索功能的用户体验,对推进智慧营区建设起到积极的作用。     

智能煤矿矿用水泵状态检测的研究

结合智慧矿山的应用背景,针对MD580-70×9这一类型的矿用水泵,从故障判断、故障诊断以及信号预测三个方面出发,希望通过模拟水泵振动信号得到一种较为普适的应用模型,在时域利用模拟水泵进行故障的判断以及基于长短时记忆(LSTM)神经网络对时域信号进行预测,在判断出故障后通过FFT进行时频转换,进而判断出水泵故障类型,实现对矿用水泵进行检测。     

基于深度学习的频谱感知研究综述

频谱感知可以提高认知无线电网络的频谱利用率,但传统的频谱感知方法不能在复杂的通信环境中进行快速的频谱感知.因此,借助计算机计算能力的提升,将深度学习应用于频谱感知,以快速、智能地获得感知结果.首先,介绍在频谱感知中应用较为广泛的深度学习模型,包括卷积神经网络、长短期记忆网络和深度强化学习;其次,对近几年基于深度学习频谱...