裂纹反演分析的NMM-Elman神经网络协同方法

裂纹识别是结构健康监测的重要内容。本研究基于反演分析原理,将数值流形方法(NMM)与Elman神经网络相结合开展裂纹识别。NMM用于获取对应裂纹构型下测点的位移数据以供Elman神经网络的学习,在此基础上利用训练好的Elman网络进行了直线裂纹反演。通过2个典型算例证实了NMM-Elman协同方法的可行性和精度,与此同时分析了测点布置方式及输入数据噪声等因素对裂纹反演精度的影响。表明本研究的方法能够准确反演出单一及复杂裂纹的裂尖坐标。本研究的工作为复杂裂纹的高效准确识别提供了一种新的思路和方法。     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

变时滞Hopfield神经网络的全局吸引性和全局指数稳定性

对一类具时滞的Hopfeild型神经网络模型,在非线性神经元激励函数只要求满足Lipschitz连续的条件下,利用推广的Halanay时延微分析不等式、Dini导数以及泛函微分析技术,给出了这类模型的平衡点全局指数稳定性和全局吸引性的充分条件,这些条件易于检验,且改进和推广了前人的结论.此外,此文给出了研究神经网络模型的全局吸引性的微分不等式比较方法.     

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。     

准一维电荷密度波材料Ta2NiSe7 的转角及变温拉曼光谱研究

近年来, 低维过渡金属硫族化合物Ta2NiSe7 因其独特的电荷密度波和特殊的拓扑能带结构而引起广泛关注. 本文利用拉曼光谱技术对准一维电荷密度波材料Ta2NiSe7 的声子模式进行了系统研究. 角度依赖的偏振拉曼光谱实验表明室温下可以观测到19 个拉曼峰, 且所有观察到的拉曼模式强度随样品旋转呈周期性变化, 这意味着Ta2NiSe7 具有较高的面内各向异性. 通过群论分析, 我们确定了拉曼峰的具体模式为Ag 和Bg 两种原子振动模式. 在温度依赖的偏振拉曼光谱测量中, 我们在低温下还观察到了新的声子峰, 推测与电荷密度波结构调制引起的晶格畸变有关. 本研究提供了对Ta2NiSe7 声子振动的全面理解, 这可能为进一步研究电荷密度波与声子振动之间的关联提供参考意义.     

基于深度学习的3D分子生成模型研究进展

分子生成作为药物设计领域的一个基本问题,旨在以低成本和高效率的方式设计出具有理想生物活性和药代动力学属性的新颖分子.近年来深度生成模型在药物设计中得到了广泛应用,大量的模型结构和优化策略得到探索,其中大多是生成一维或二维的分子结构.随着深度学习在处理几何图形数据上的快速发展,面向3D分子的生成模型被提出,因其在直接生成3D分子构象和基于结构的药物设计上的优势和潜力而越来越受到关注.本文对近年来国内外学者在3D分子生成上取得的成果进行了系统的总结和分析,从3D分子生成算法输入的角度将其分为基于隐变量的生成、基于2D分子图的生成和基于3D分子构象的生成;接着从3D分子生成算法输出的角度将其分类为定向生成和非定向生成;随后总结了相关生成模型在主要的公开数据集上的性能,以探究各种生成模型的优缺点;最后对未来可能的研究方向进行了展望.     

基于神经网络的三维宽场显微图像复原研究

提出一种利用BP神经网络进行三维宽场显微图像复原的非线性映射方法,将三维图像转化为二维图像进行处理,利用神经网络的学习能力,通过训练,建立含有散焦信息的二维模糊图像与二维清晰图像之间的映射关系,然后对切片堆叠进行逐幅复原,从而实现显微图像的三维复原.得到的复原图像在视觉上和定量分析上都获得了很好的效果.由于采用小规模神经网络,训练时间短,计算量小,使实时复原成为可能.     

概率神经网络和FTIR光谱用于食道癌的辅助分析

利用正常与相应癌化食道组织的主要FTIR特征峰aυs,CH3、sυ,CH2、σCH2、aυs,po4-、υc-o、sυ,po2-及sυ,磷酸化蛋白作为概率神经网络的输入向量,对网络的主要参数(网络径向基函数分布spread(0~5))、输入向量和网络表现(m ean accurate rate of recogn ition)之间的关系进行了研究。主要结论如下:i)无论输入向量是哪种特征频率的组合,其平均识别正确率都高于71.40%;ii)当输入向量为特征频率sυ,po2、sυ,磷酸化蛋白或υc-0、sυ,po2、sυ,磷酸化蛋白时,网络表现较佳,平均识别正确率较好。当spread介于1.4~2.3时,两者均达到网络具有的最高平均识别正确率(85.71%);iii)大多数情况下,网络的平均识别正确率与spread之间呈现二个高峰的特征,即spread介于0.1~0.3和1.5~5.0之间时,网络均具有较高的平均识别正确率。研究表明,以傅里叶变换红外光谱的主要特征峰为概率神经网络的输入向量,用于食道组织样品的癌化识别分析是完全可能的,其平均识别正确率可达85.71%。     

基于异构光子神经网络的多模态特征融合

当前光子神经网络的研究主要集中在单一模态网络的性能提升上,而缺少对多模态信息处理的研究。与单一模态网络相比,多模态学习可以利用不同模态信息之间的互补性,因此,多模态学习可以使得模型学习到的表示更加完备。本文提出了将光子神经网络和多模态融合技术相结合的方法。首先,利用光子卷积神经网络和光子人工神经网络相结合构建异构光子神经网络,并通过异构光子神经网络处理多模态数据。其次,在融合阶段通过引入注意力机制提升融合效果,最终提高任务分类的准确率。在多模态手写数字数据集分类任务上,使用拼接方法融合的异构光子神经网络的分类准确率为95.75%;引入注意力机制融合的异构光子神经网络的分类准确率为98.31%,并且优于当前众多先进单一模态的光子神经网络。结果显示：与电子异构神经网络相比,该模型训练速度提升了1.7倍。与单一模态的光子神经网络模型相比,异构光子神经网络可以使得模型学习到的表示更加完备,从而有效地提高多模态手写数字数据集分类的准确率。