基于深度学习的医学图像特征提取方法研究

早期筛查病因和诊断病情已被证明可以显著提升癌症患者的存活率,因此准确解读医学图像成为早期癌症筛查的关键。基于内容的医学图像检索系统(Content-based Medical Image Retrieval, CBMIR)能够对输入医学图像进行特征提取得到对应图像的特征表示,最后通过相似性度量的方法找出相似病例的诊断资料反馈给医生,可以大大减少误诊率。文章主要介绍了基于深度学习医学图像特征提取方法,并对医学图像特征提取方向做了总结与展望。     

基于深度学习的模拟电路故障诊断方法

针对模拟电路的故障诊断问题，提出了一种基于深度学习的故障诊断方法。首先测量模拟电路各个故障类别的脉冲响应数据，随后应用深度学习中深度信念网络方法进行特征提取，最后将提取的特征用于建立基于极端学习机的故障诊断模型。从而对模拟电路的各个故障类别进行区分，通过四运放双二阶高通滤波器电路的故障诊断实验对提出的故障诊断方 法进行了验证，通过对比实验表明，提出的基于深度信念网络的故障特征提取方法明显优于传统的基于小波分析的故障特征提取方法，有助于提高模拟电路故障诊断正确率。     

基于深度学习的动态数据增量式挖掘方法

为了降低数据挖掘时间,提升数据挖掘精度,提出基于深度学习的动态数据增量式挖掘方法.利用简单处理单元组合构成并行分布式处理器,采用栈式稀疏降噪自编码网络作为动态数据特征提取的深度学习模型,通过逐层贪婪无监督策略完成预训练,使用随机梯度下降优化网络权值,获得动态数据规律.利用粗糙集求解近似动态约简容错偏差与置信区间,对动态...     

基于深度学习视觉和激光辅助的盾构管片自动拼装定位方法

隧道管片定位是实现盾构管片自动拼装的关键。文中提出了一种基于深度学习视觉和激光辅助相结合的盾构管片自动拼装定位方法,分别利用视觉系统和激光测距系统计算待拼装管片的平面位姿和深度位姿信息。其中,视觉系统基于特殊设计的双阶段卷积神经网络可以实现管片表面定位标志轮廓特征的有效提取,提取精度和识别率相比于现有算法具有明显的提高。实验表明所提出的盾构管片自动拼装定位方法能够满足盾构管片自动拼装定位需求。     

基于深度学习的刀具磨损预测方法研究

汽车零部件生产加工过程中的刀具磨损退化严重影响产品加工质量、生产效率和生产成本。数据驱动方法已成为刀具磨损预测的有效手段,考虑传统浅层机器学习方法在手动特征提取与非线性拟合方面的局限性,本文将残差结构与门控循环单元相结合,提出一种用于刀具磨损预测的混合神经网络模型。针对多源多通道切削信号,采用残差结构实现空间特征自适应抽取,并解决网络加深时的梯度消失和模型退化问题;此外,针对特征信号的时间相关性,增加门控循环单元挖掘融合特征中的序列信息。为了验证模型性能,在刀具磨损数据集上与其他机器学习模型进行了对比实验。结果表明,所提出的混合模型具有较优的刀具磨损预测效果。     

基于残差自编码器的电磁频谱地图构建方法

频谱地图是一种表征区域内功率谱密度(Power Spectral Density, PSD)空间分布的可视化方法,在实现频谱资源空间复用等方面具有重要作用。针对实际复杂场景下频谱地图构建精度低的问题,提出了一种基于残差自编码器的频谱地图构建方法,通过添加残差连接使编码器的信息可以直接映射到解码器相应部分,以提高频谱地图构建中的网络收敛性能并降低误差。仿真实验结果表明,所提出的方法相比于基于传统插值方法和自编码器模型具有更好的性能,在0.01采样率下其构建误差降低了9.7%。     

基于深度学习的无线传感网络入侵检测方法

针对现有无线传感网络入侵检测准确率不高的问题,提出基于深度学习的无线传感网络入侵检测方法。先对入侵无线传感网络特征进行提取,然后基于深度学习对无线传感网络入侵目标的位置进行定位检测,在获得入侵目标位置后,对入侵信息进行检测,最后通过对各个节点的入侵检测,完成整个网络入侵检测过程。实验结果表明,文中设计的无线传感网络入侵检测方法的检测准确率较高,能满足无线传感网络入侵检测需求。     

基于深度学习的遥感图像移动小目标轻量化检测方法

由于遥感图像背景复杂,移动小目标的检测难度较大,为此提出了基于深度学习的遥感图像移动小目标轻量化检测方法。为了保障目标检测效果,建立了轻量化主干网络划分遥感图像目标区域。采用深度学习方法预训练划分的遥感图像目标区域。依据训练结果确定遥感图像目标区域。根据确定的遥感图像目标区域提取目标特征。利用SSD(Single Shot MultiBox Detector)目标检测算法对提取的目标特征实行回归分类,完成遥感图像移动小目标轻量化检测。实验结果表明,该方法的检测率高于90%,虚警率低于10%,且不存在漏检问题,负荷实际结果,说明该方法的遥感图像移动小目标的检测效果较好。     

基于深度学习的水声被动目标识别研究综述

被动声呐通过接收目标自身发出的辐射噪声信号进行目标探测。水声目标识别通过分析水声信号来判别目标个体,是水声工程领域的重点研究方向。深度学习作为近年来各领域的研究热点,其在水声目标识别领域中的应用引起了学者的广泛关注。该文以水声目标识别的步骤框架为切入,介绍了典型深度网络模型;总结出了深度学习在水声目标识别领域中的两大内涵：围绕时频谱、梅尔倒谱系数等特征调研了近几年深度学习作为分类器的关键问题以及研究进展,围绕数据增强、数据降噪等信号处理手段调研了近几年深度学习作为信号处理工具的关键问题以及研究进展;并从数据驱动、特征驱动、模型驱动3个方面对该领域的发展趋势进行展望,旨在推动水声目标识别领域的发展。     

基于深度迁移学习的饮食图像识别研究

卷积神经网络(CNN)应用于图像识别具有很大优势,但是需要足够深的网络和大量标签完善的数据集才能发挥其优越性.实际应用中,往往需要应对的是质量差和大小不一的数据集,且受硬件设备限制.为了提高图像识别效率和精度,提出一种基于深度卷积神经网络和迁移学习的识别算法.该算法首先对图像预处理和数据增强,后迁移大样本提取出的特征信息用于CNN特征提取,再接入微调网络对数据集再训练.实验结果显示,本文算法对饮食识别的精度和时间性能均有显著的提高,精确度最高可达98％以上,精度提升最高可达10％以上,时间性能提升幅度最高可达110％.     

基于深度学习的中文电商评论情感分析

随着在线评论和推荐系统可用性的不断增加,情感分析逐渐成为学术研究中的一个重要的任务,近年来得到了许多研究人员的关注。传统的解决文本情感分析问题的方法主要是基于情感词典或浅层学习,利用回归、分类等方案实现特征的提取及分类。但由于评论语料内容简短,特征稀疏,含有大量未登录词使得上述这些方法存在数据稀疏问题,且忽略了词的语序问题。以这类方法为起点,本文采用深度学习的方法对评论文本进行情感分析,通过组合实验对比,找到可以深度理解人类情感表达的模型。     

基于深度学习的GIS设备故障识别技术

传统GIS设备故障识别方法无法处理负载突变问题,且负载调节不及时,导致故障识别精度偏低.提出基于深度学习的GIS设备故障识别技术,构建动态响应特征检测模型、GIS设备故障特征融合模型以及故障统计特征分析模型.计算故障状态下的电压外环和负载突变参数,提取GIS设备故障属性特征;采用深度学习判断故障识别过程中的参数寻优控制...     

基于深度学习的加密流量识别研究综述及展望

在安全和隐私保护需求的驱动下,网络通信加密化已经成为不可阻挡的趋势.加密网络流量呈现爆炸增长,给流量审计与网络空间治理带来了挑战.尽管机器学习已解决了部分加密流量识别的问题,但仍存在无法自动提取特征等局限.深度学习可以自动提取更本质、更有效的特征,已被用于加密流量识别,并取得了高精度.基于深度学习的加密流量识别的相关研...     

一种基于深度度量学习的视频分类方法

针对视频分类中普遍面临的类内离散度和类间相似性较大而制约分类性能的问题,该文提出一种基于深度度量学习的视频分类方法。该方法设计了一种深度网络,网络包含特征学习、基于深度度量学习的相似性度量,以及分类3个部分。其中相似性度量的工作原理为：首先,计算特征间的欧式距离作为样本之间的语义距离;其次,设计一个间隔分配函数,根据语义距离动态分配语义间隔;最后,根据样本语义间隔计算误差并反向传播,使网络能够学习到样本间语义距离的差异,自动聚焦于难分样本,以充分学习难分样本的特征。该网络在训练过程中采用多任务学习的方法,同时学习相似性度量和分类任务,以达到整体最优。在UCF101和HMDB51上的实验结果表明,与已有方法相比,提出的方法能有效提高视频分类精度。     

基于深度学习的计算机视觉中图像检索算法研究

随着计算机技术的发展,计算机视觉中图像信息分析方法对计算机视觉的研究尤为重要。图像数据集能极大地推动深度学习和计算机视觉的发展。基于此,采用CNN来进行图像特征的提取,将图像输入网络,通过全连接层的输出将特征映射到一维数组。利用汉明距离来循环计算图像的相似度,把图像按照相似度排序并返回给前端。该方法获得较高的查全率,系统查询获得较高的图像检索质量。     

基于深度学习的英语教学资源个性化推荐系统

为准确、合理地为用户推荐英语教学资源,设计基于深度学习的英语教学资源个性化推荐系统。通过爬虫技术获取用户行为数据和英语教学资源数据,提取二者的特征并融合;利用深度学习模型建立用户行为特征和英语教学资源特征之间的关联,实现个性化推荐。测试结果表明：系统的召回率、准确率和归一化折损累积增益均保持在一个较高的水平上,说明其推荐效果较好。     

基于深度学习的卫星通信抗干扰方法

卫星通信作为当前地面通信网络的补充通信,可以为用户提供随时随地的便携通信服务,针对卫星日趋严重的通信网络干扰,本文提出了一种基于深度学习与干扰感知相结合的人工智能技术实现对卫星通信干扰的自主感知。通过对干扰信号的自主感知和分析,提升通信网络的抗干扰能力。     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。