基于深度强化学习的无人机矿井自主巡航研究

针对目前矿井传感器所收集数据的传输效率差、实时性低、丢包率高等问题,提出了一种基于深度强化学习的无人机矿井自主巡航解决方法,以有效收集物联网节点数据。该方法以无人机作为传输中介,根据矿井物联网节点数据生成周期性的不同差值,利用强化学习TD3(Twin Delayed Deep Deterministic policy gradient algorithm)算法实现无人机最优路径规划。同时算法考虑并设计了符合矿井实际场景的环境、奖励值、状态信息等。提出了一种预测等待的方法,预测待采集数据产生时间并确定目标节点,无人机在信号覆盖范围内前往目标节点提前等待,以实时获取矿井传感器的生成数据。实验结果表明,无人机能够自主决策实现最优路径规划,并收集节点数据;在训练回合为700时,奖励值达到峰值,算法达到收敛并具备优异的表现。     

基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.     

基于梯度域的多对比度磁共振成像重建

多对比度磁共振成像由于能够提供丰富且不同的对比度信息,因此在临床应用中是一种强大的成像工具。本文提出了一种高效的基于梯度域的无监督深度学习方法(UDLGD)用于多对比度磁共振成像重建,该方法的目的在于从部分采样的K空间数据中重建相同解剖截面的多对比度图像。UDLGD算法主要包含两个迭代关系阶段：其中在先验学习阶段,利用分数匹配生成网络模型从单对比度图像数据集中获取梯度域先验信息;先验信息可以应用于不同对比度图像数量、不同采样轨迹等多场景的磁共振成像重建。随后在迭代重建阶段通过迭代更新数据一致性、梯度域先验信息和组合稀疏性,以获得满意的重建结果。大量采用活体磁共振图像数据的实验结果表明,UDLGD方法与其他方法相比可以获得更低的重建误差和更好的图像纹理结构。     

基于小波变换网络的自监督单目深度与位姿估计

基于小波变换与运动恢复结构的自监督学习范式,将二维离散小波变换嵌入神经网络并实现梯度传播,提出了一种新的单目深度与位姿估计算法。传统的神经网络在降采样过程中会造成信息丢失,且丢失的信息在后续阶段无法复原,对于深度估计任务,结构信息的丢失会降低模型性能。本文使用二维离散小波变换层替代传统的降采样操作,更好地保留图像中的结构细节并避免噪声累积。在上采样解码深度图的阶段,采用小波逆变换层取代传统的插值上采样方法,更有效地恢复图像信息,得到更精确的深度图。提出的算法相比传统的神经网络对噪声更有鲁棒性。在KITTI数据集上进行实验,证明了所提出的算法在自监督单目深度与位姿估计任务中有优异的性能表现。     

基于运动一致性的3D-HEVC深度视频帧间编码快速算法

针对深度视频在3D-HEVC编码框架中编码复杂度较高, 提出了一种基于运动一致性的深度视频快速帧间编码算法. 首先把深度视频划分为4个区域: 彩色和深度视频均运动区域、彩色视频运动但深度视频静止区域、彩色视频静止但深度视频运动区域以及彩色和深度视频均静止区域. 然后, 根据不同分区对最大编码单元设计不同的编码策略. 结果表明, 本算法与原始测试平台HTM-10.0相比, 在绘制的虚拟视点质量几乎一致的情况下, 各序列深度视频编码时间平均节省了63.58%, 总体编码时间节省了40.13%.     

基于深度稀疏自编码网络的植物叶片分类

针对传统机器学习方法对植物叶片图像分类识别率不高的问题,探讨了基于深度稀疏自编码网络(Deep Sparse Autoencoder Network,DSAN)的植物叶片分类研究。自动编码器通过编码和解码重构输入数据,对植物叶片进行分层特征学习,在自动编码器上添加稀疏限制,对隐含层神经元进行压缩,从而学习到更高层的隐含特征用于分类,解决了因选取的特征表达不足导致网络模型分类性能不佳的问题。实验采用公开的植物叶片图像数据库MalayaKew(MK)作为研究对象,该数据集包含44类植物。将预处理之后的叶片图像直接作为输入数据,通过DSAN学习到叶片的高层特征,结合Softmax分类器用于分类。实验结果表明,该算法能够有效提高植物叶片图像的分类精度,在植物分类领域具有一定的应用价值。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题,提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性,提出基于快速神经网络架构搜索（neural architecture search,NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法,在预设的搜索空间中搜索最优网络结构,进行图像水印的高效嵌入与鲁棒提取。首先,将子网络中线性连接的全卷积层设置为独立的神经单元结构,并参数化表示结构单元内节点的连接,预先设定结构单元内每个神经元操作的搜索空间;其次,在完成一个批次的数据集训练后,依据神经元操作中的被采样次数和平均损失函数值动态更新概率;最后,重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上,大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑,本文算法具有较高的时间性能和较好的实验效果,在隐藏图像时,对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验,对比发现,本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著;在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著,特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

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     

基于全卷积孪生网络的模糊目标跟踪

针对全卷积孪生网络(fully-convolutional siamese network,SiamFC)跟踪速度较快但容易受到运动模糊干扰的问题,通过在SiamFC的基础上引入图像质量评估(image quality assessment,IQA)和去模糊模块,提出了一种有效跟踪运动模糊场景下目标的算法。一方面,使用图像质量评估模块对SiamFC选择的搜索区域进行质量评估,只有在得出的结果显示该图像区域较为模糊时才对其进行去模糊处理,以最大程度防止在原本清晰的图像中引入噪声,同时将图像质量评估模块与SiamFC的网络结构进行融合,以尽可能减少新增模块所需的计算量。另一方面,去模糊模块可以有效解决原图像中存在的运动模糊对跟踪造成干扰的问题。在公开数据集OTB2015和UAV20L上的实验结果表明,相较于基准算法SiamFC,本文算法在OTB2015上的准确率提升了3.1%,成功率提升了2.6%;在UAV20L上的准确率提升了4.7%,成功率提升了5.4%。对OTB2015和UAV20L数据集中不同属性的视频序列进行分析,结果表明,本文算法可以有效降低动态模糊对跟踪算法的干扰。     

基于深度学习的校园欺凌行为检测研究

为通过校园监控网络实时发现校园欺凌事件, 提出采用人体姿态检测模型与递归神经网络相结合的方法来分析视频中的每一对个体行为, 并通过一个完全连接的网络来识别一系列视频帧的行为, 进而判断是否存在校园暴力行为. 此外, 还建立一个包含了来自校园不同地方的3000多个视频片段数据库, 并对视频中的运动行为进行标注, 以用于训练及测试. 通过对照实验发现 与传统方法相比, 本文设计算法的实时分析准确率更高.     

一种新的深度视频处理方法

深度视频的不连续性会影响其编码效率以及虚拟视点的绘制质量. 为增强深度视频的连续性, 提出了一种新的基于时空变换的深度视频处理方法: 首先检测出深度视频中的运动对象; 其次将彩色视频和对应的深度视频进行时空变换, 对运动区域和非运动区域在时间方向上进行不同强度的平滑处理; 最后对平滑过的深度视频进行重建. 实验结果表明, 提出的处理方法在保证虚拟视点绘制质量的同时, 能够节省14.89%~47.48%的码率.     

用自适应谐振网络进行图像纹理的分类与识别

分析了自适应谐振（ＡＲＴ２）神经网络模型的模式分类能力，并利用该网络来进行图像纹理的分类和识别，对６类自然景物的纹理图片分类和识别的结果验证了方法的有效性，对心脏超声图片的分类也取得一些初步成果．     

台湾的植物生物多样性及其特点之探讨

在物种多样性、生态系统多样性和遗传多样性三个层面上，探讨了台湾植物生物多样性的现状；在分析台湾植物生物多样性及与周边地区比较的基础上，从多个方面对其特点作了探讨，并对台湾与大陆在植物生物多样性方面的亲缘性作了阐明。     

电渣熔铸中渣池深度对金属熔池深度影响的有限元模拟

渣池和金属熔池是电渣熔铸过程中两个最重要的区域。渣池深度是基本的工艺参数，直接影响到熔铸过程的稳定和熔铸效率，金属熔池深度则是重要的目标控制参数，直接影响着熔铸件的结晶，从而影响产品的质量。采用有限元法，耦合求解了渣池电场和渣池及熔池温度场，得出了不同渣池深度条件下金属熔池深度的变化情况。最小二乘拟合模拟结果表明，金属熔池深度与渣池深度呈负线性相关。实验研究验证了模拟结果的正确性。研究结论将为实际生产中优化工艺参数、提高生产率和控制铸锭质量提供参考依据。     

基于RBF网络信道均衡器

在数字通信系统中为了克服信道畸变引起的码间干扰，在接收端必须采用信道均衡技术。在本文中，我们将RBF网络用作均衡器。采用最近邻聚类和直接判决算法来调整隐藏层中心，然后再用LMS算法调整输出层的系数。该算法可以实现在线学习，根据相应的准则增加，删除隐藏层节点。算法事先不必确定隐藏层的节点个数。模拟结果显示，RBF网络均衡器能够正确地将信号从有噪信道中恢复出来，在计算机模拟仿真中其性能与理想贝叶斯均衡器相当。     

深度和结构相似性引导的四参考视点融合算法

平面相机阵列四参考视点的深度图像绘制(Depth Image Based Rendering,DIBR)方案允许用户全方位身临其境地体验场景,可有效避免虚拟视点图像边界空洞,然而该方案引入了较为显著的伪影、背景渗透等失真.为此,提出一种深度和结构相似性(Structural Similarity,SSIM)引导的四参考...     

基于CDMA 1X无线网络的视频监控系统

无线网络的日益发展为许多领域的应用带来了翻天覆地的变化,视频监控就是其中之一.基于中国联通公司的CDMA 1X无线网络,提出了一种完善和方便的移动视频监控系统.该系统整合了CDMA无线互连技术、视频采集技术、视频压缩技术、计算机处理技术等,使用户从有线网络中解脱出来,随时随地都可以迅速的接入系统,进行远程监控管理.     

基于宏块分裂的多描述视频分层编码方法研究

网络异构性与传输可靠性是视频通信存在的两大问题.在视频编码中,分层编码用来解决网络传输异构性问题,多描述编码是解决传输可靠性的有效手段,而多描述视频分层编码则是二者的结合.在分层编码技术的基础上,结合基于宏块分裂的多描述编码,提出了基于宏块分裂的多描述视频分层编码.同时,还给出了基于行、列、帧分解的多描述视频分层编码方案,并对4种多描述分层编码方案进行了比较.实验结果表明,所提出的基于宏块分裂多描述分层编码方案在网络异构的适应性和传输可靠性上具有优越性.     

基于改进的DenseNet-BC对少数民族服饰的识别

随着信息技术的发展,数字技术越来越多地应用于民族文化数字化保护,民族服饰的数字化及分类问题也日益受关注。相比一般服饰,少数民族服饰具有更多的细节特征信息,对其进行分类识别具有很大挑战。选用卷积神经网络DenseNet-BC作为基础网络结构,设计并使用了多尺度密集连接单元,用不同大小的卷积提取不同尺度的特征信息,以提高网络的学习能力;此外,为进一步提高网络的鲁棒性,提出一种局部和全局注意力机制方法进行分类识别。实验结果表明,改进的DenseNet-BC模型对少数民族服饰的识别准确率达95.18%,较ResNet-18、ResNet-34和DenseNet模型的识别准确率分别提升了3.84%、2.27%和1.18%。改进的DenseNet-BC模型具有更好的特征提取能力,能够提取更多的细节特征信息,一定程度上解决了普通模型提取特征尺度单一、特征丰富度低的问题。