基于视网膜大细胞通路计算模型和深度学习的无人机目标检测

在复杂背景下的小型无人机红外目标检测是计算机视觉领域的挑战性课题.传统目标检测算法利用深度卷积神经网络提取无人机的静态外观特征并进行模式判别,但在复杂背景下且目标外观不清晰时的性能会显著下降.本文借鉴生物视网膜机制,通过视网膜大细胞通路模型提取无人机目标的时空运动信息,同时借助深度卷积神经网络获得基于静态表观特征的目标置信度图,进而将视网膜时空运动信息与深度卷积网络的目标置信度图进行融合获得目标检测结果.在Anti-UAV2020公开数据集上的评估结果表明,所提出算法的检测精确率达到86.90%,超过了业内主流的YOLO-v3算法.     

基于区域推荐和深度卷积网络的交通目标检测

为解决传统目标检测算法需要人工设定目标特征、使用滑动窗法判断目标可能区域耗时等问题,将基于区域推荐和深度卷积网络用于交通目标检测,直接从原始图像提取特征,免去了人工选取特征的环节;解决了滑动窗口法耗时的问题.首先采用Selective Search方法在源图像上生成大量的候选区域,以这些候选区域作为输入样本,训练深度卷积网络学习算法,自动进行特征提取,对每个候选区提取的特征采用SVM分类器进行分类,最后基于贪婪非极大值抑制方法精修候选框的位置.此算法通过matlab编程分别对单目标、多目标及多类交通目标进行检测实验,证明了所提方法的可行性和有效性.     

稀疏交叉熵粗糙集DDRBM-DNNS高校科研能力评估

针对高校科研水平深度学习网络训练评价中存在评价特征同质化现象,造成评估结果精度不高的问题,提出稀疏交叉熵粗糙集双向受限制深度玻尔兹曼机(DDRBM-DNNS)高校科研能力评估方法.首先,考虑采用受限制玻尔兹曼机(RBM)和稀疏交叉熵惩罚参数对深度学习网络进行改进,实现深度学习网络特征训练同质化现象的削弱;同时,针对输入数据的预处理问题,考虑基于粗糙集的前置预处理方式实现,在维持数据输入信息完整前提下,实现输入样本数据的有效归约,进而实现样本处理量的简化,有利于深度学习网络收敛过程的提速;最后,利用所提算法对高校科研水平进行评价,实验数据显示,所提评价模型具备更高的评估精度和更快运算效率.     

融合注意力机制的残差网络晶体硅片分类方法

为了更好地利用晶体硅片资源,实现对晶体硅片准确高效的分类,提出了一种改进的ResNet34卷积神经网络,且用于对晶体硅片高清图像进行分类.通过拍摄晶体硅片高清图像建立自有数据集,并对其进行离线扩充来有效扩大数据集.基于ResNet34网络建立分类模型,采取自适应矩估计权重衰减优化算法(AdamW)来提高ResNet34网络的泛化能力,同时将注意力机制的方法融入到ResNet34网络中增强模型的特征提取能力,之后将改进的模型载入到晶体硅片数据集上训练,实验结果发现,所提W-ResNet34+SC-SEAM分类模型的准确率可达99.91%,比在仅利用ResNet34模型分类结果上提高了2.68%的准确率,实现了对晶体硅片的精确分类,证明了所提分类方法是可行的.     

一种带泛化性能的动态混合模型求解大范围TSP问题

旅行商问题(TSP)是组合最优化中的典型问题,求解TSP问题的现实意义重大.随着深度强化学习(DRL)在工业界的广泛应用,利用DRL模型自动设计学习算法成为近期的研究热点.为提升DRL模型在大范围TSP问题上的泛化能力,文章提出一种动态图卷积网络编码和空间注意力机制解码的混合模型求解大范围TSP问题.动态图卷积模块可以动态编码节点信息,从而有效地更新每个节点的隐藏层状态;空间注意力有利于捕捉节点之间的全局联系,进而通过加权所有局部特征计算和提取关键特征.实验结果表明文章模型将TSP50的训练策略泛化至TSP250/500/750/1000时的优化性能超越了先前DRL模型,且在TSPlib标准数据集上的测试结果也显示出模型对优化性能的提升.     

基于多特征与卷积神经网络的SAR图像分类方法

针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN.将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行自适应融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测.最后利用MSTAR公开数据集的三类目标数据进行试验,并给出该方法与其他方法结果的对比,表明该方法的有效性,识别率达到99.14%.     

基于卷积神经网络气动力降阶模型的翼型优化方法

针对非线性大扰动翼型气动力优化问题,提出了基于卷积神经网络气动力降阶模型的优化方法.该方法用不同形状参数下翼型的气动力数据作为训练信号,训练卷积神经网络翼型气动力降阶模型.采用该气动力降阶模型,以最大升阻比为目标,对翼型进行优化,结果表明该方法可用于大扰动下翼型气动力的预测和优化.该文同时还讨论了池化法和径向基法的训练...     

仿射不变的空间秩深度及其性质

通过球化方法得到一个改进的基于空间秩的数据深度.证明了新的数据深度在保持原深度其他性质的基础上,把原深度的正交不变性改进为仿射不变.并讨论了新深度相应的样本深度的大样本性质.     

基于深度卷积神经网络算法的肺结节检测模型

以卷积神经网络为代表的深度学习算法在医学影像分析领域正引起广泛关注,并取得了令人惊叹的进步。为了进一步提高卷积神经网络在计算机辅助筛查肺结节应用的准确率,本文设计了2种改良的深度卷积神经网络,这些改进加快了神经网络的训练速度,有效地防止了算法的过拟合。相比只采用二维卷积核的其他检测模型,该模型能够有效地学习到CT影像三维重建后的图像特征。通过实验,改进的检测模型在LUNA16数据集上的准确率明显好于其他模型,这种网络结构也可用于医学影像领域中其他三维图像的检测场景。最后,构建了一套适用于远程医疗的"计算机辅助肺癌筛查与诊断系统",该系统能够自动检测出CT影像中肺结节,并给出结节的良恶性概率评估。通过该系统的应用,可以有效缓解放射科医生超高的劳动强度,提高阅片效率,服务更多患者;减少漏诊和误诊发生的次数,有助于提高肺结节的诊断准确率;从而促进我国肺癌早筛工作的推广。     

基于云模型的极端峰态神经元概念表达

近年来,深度学习在很多领域获得了广泛的应用.但是,由于深度学习的不可解释性,人类不能信任它的处理结果.本文针对这个问题,尝试使用云模型来表达特征空间中单个神经元的概念.经过逆向云变换算法得到的概念内涵可以表达概念的成熟度.在卷积神经网络(CNN)中,峰态系数过高或者过低的概念数量很多.现有逆向云发生器在转换这些概念时会...     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

基于CNN-BiLSTM模型的PM2.5浓度预测方法

针对传统长短期记忆网络(Long Short-Term Memory,LSTM)在预测PM_2.5浓度时只考虑了数据的时序特征而忽略了空间特征的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型.该模型结合CNN与BiLSTM模型不仅考虑数据双向的时序特征,还关注不同特征之间的空间关联性,模型通过提取并融合数据的时空特征来实现PM_2.5浓度预测.在北京市2010年-2014年的天气和污染水平数据集上,将该模型与LSTM、BiLSTM、CNN-LSTM模型进行PM_2.5浓度预测实验对比,结果表明CNN-BiLSTM模型的预测误差明显小于其他模型,该预测模型具有更好的预测性能.     

基于改进的时空图卷积网络的交通流预测模型研究

智能交通系统(ITS)作为协调城市交通的核心正快速发展,而交通流量预测是智能交通系统的重要组成部分,被视为成功部署ITS的关键因素.由于交通网络的复杂空间拓扑结构,使交通流量表现出高阶非线性及动态时空复杂性.为更好地对交通网格数据进行预测,文章提出了一种新的时空网络模型DCSTGCN,具备以下特点:1)将切比雪夫多项式(Ch)应用于图卷积神经网络,结合自扩散卷积将传统的固定式交通拓扑结构进行转换,使其更具有随机性、动态性;2)加入空间Transformer模型,在考虑数据异质性问题的同时,利用多头自注意力机制考虑节点、本地邻居节点以及非本地节点的多属性问题,从高维的子空间进行考虑节点之间的隐藏特征信息;3)将时间Transformer与1×1的二维卷积神经网络(Conv2d)相结合,对交通流时间序列信息进行多重权重分配获取重要的时间特征,利用Conv2d网络进行预测输出.通过试验验证,表明该方法模型优于多种对比基线模型.     

数据分割的分子动力学算法

数据分割研究的基本内容是数据的分类和聚类,是数据挖掘的核心问题之一,在实际问题中应用广泛.特别是针对有向网络数据的研究更是学科发展的前沿.但由于这类问题结构的非对称性,使得模型与算法的构建存在本质困难,因此相应的研究结果较少.本文借鉴分子动力学方法的思想,提出了一类新的网络数据半监督分类模型及算法.该算法不仅适用于关系对称的无向网络数据,而且适用于关系非对称的有向网络.最后针对期刊引用网络数据进行了数值实验,结果表明了模型及算法的可行性和有效性.     

基因调控网络的边预测

为构建基因调控网络,提出了一个基于基因表达水平和网络反传递的算法.该算法用网络反传递思想来分析由传统相关性计算方法产生的间接效果,并考虑了调控网络的稀疏性,在模型算法中加入了控制网络稀疏性的l_1范数惩罚项.在大肠杆菌实验数据上测试该算法,这种方法提高了相关性分析对调控网络中边的预测能力,皮尔逊相关系数提高了6.42%,斯皮尔曼相关系数提高了5.92%,互信息提高了9.35%.总的来说,这个模型为修饰大量系统的相关性数据提供一种新思路,可以应用到网络边的预测和推断生物网络的控制动力学中.     

基于深度集成网络模型的膝关节退行性病变分级诊断方法

膝关节退行性病变(knee osteoarthritis, KOA)是一种由关节软骨纤维化等引发的进展性膝关节疾病.病情发展大致可分为轻度与重度两个阶段,若能对其进行有效追踪,则可根据严重程度及时采取相应的防控措施,这对于提高患者生存质量有着重要临床意义.本文将这一过程称之为KOA分级诊断.相比传统的KOA诊断方法 (CT, MRI等),骨振信号(Vibroarthrographic signal, VAG)有着无创无害,成本低廉,可便捷使用等优点,是近年来临床中正在探索的一种全新的KOA检查手段.然而,目前关于VAG信号的理论研究尚不充分,临床可提供的指导信息十分有限.基于此,本文以VAG信号为主要数据源,同时融入患者的生理信息,开展关于KOA分级诊断的辅助诊断方法研究.首先,在卷积神经网络框架下,构建了用于分析VAG信号的网络模块VAG-CNN-Block;其次,在前馈神经网络框架下,构建了用于分析生理信息的网络模块PI-FNN-Block;进而,结合VAG-CNN-Block和PI-FNN-Block,采用注意力机制设计了一种深度集成网络模型MBE-Net,并据此提出了KOA的分...     

无穷远点处亚纯单叶函数的拟Hadamard卷积(英文)

本文研究了圆环域U内亚纯星象和凸象函数的某些新子类的拟Hadamard卷积.利用卷积方法,获得了该类函数的与拟Hadamard卷积有关的某些性质,推广了一些已知结果.     

An Electrocardiogram Signal Classification Algorithm Based on Improved Deep Residual Shrinkage Networks北大核心CSCD

心电信号分类是医疗保健领域的重要研究内容.针对大多数方法不能很好地降低样本数量少的类别漏诊率,以及降低预处理操作的复杂性问题,提出了一种基于改进深度残差收缩网络(IDRSN)的心电信号分类算法(即DRSL算法).首先,使用合成少数类过采样技术(SMOTE)扩充数量少的类别样本,从而解决了类不平衡问题;其次,利用改进深度残差收缩网络提取空间特征,其残差模块可以避免网络层加深造成的过拟合,压缩激励和软阈值化子网络可以提取重要局部特征并自动去除噪声;然后,通过长短期记忆网络(LSTM)提取时间特征;最后,利用全连接网络输出分类结果.在MIT-BIH心律失常数据集上的实验结果表明,该算法的分类性能优于IDRSN、DRSN、GAN+2DCNN、CNN+LSTM_ATTENTION、SE-CNN-LSTM分类算法.     

一种基于高斯核的广义数据深度

本文提出了一个具有自适应等深面的广义数据深度函数.针对目前数据深度函数的中心区域都是凸的,造成无法有效处理具有ItrJ形结构数据的问题.本文从样本深度的角度,利用高斯核特征空间最小球原理,提出了一种广义的数据深度.它具有正交、尺度、平移不变性,满足弱单调性和无穷远处为0的性质.相比现有数据深度而言,它对凹形结构的数据具有更好的深度解释.更为重要的是它的计算比较简单,从而保证了它的实用性.     

基于时间序列的混合神经网络数据融合算法

针对传统的数据融合算法对高噪声、大规模、数据结构复杂的时间序列数据融合性能较差的问题,该文提出了一种混合神经网络的数据融合算法(即SCLG算法).SCLG算法的思想如下:首先利用奇异谱分析算法对数据分解重构以达到去噪的目的;其次,通过深层卷积神经网络提取数据的空间特征和短期时间特征;然后,利用长短期记忆(LSTM)网络...