基于BAS-BP-Bagging模型的光纤陀螺温度补偿

为提高光纤陀螺的输出精度,以天牛须搜索算法(BAS)优化后的BP神经网络模型为基学习器,采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型,并对某型号光纤陀螺进行了温度补偿实验。实验结果表明,在-40～+60℃温度变化环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%,相较于多项式补偿算法减小了55%,相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。     

时空域自适应滤波非均匀性校正算法

由于红外焦平面探测器受到制造工艺等限制,图像不可避免地会存在非均匀性。传统神经网络算法会留下“鬼影”的问题,本文改进传统神经网络算法,利用引导滤波图像作为期望模板,防止图像的边缘被滤波器平滑。当场景运动时,通过时域迭代的策略来不断进行非均匀性校正参数的更新。为了抑制算法中常见的鬼影现象,设计了基于空域局部方差和时域场景变化率相结合的自适应学习率,利用前后的校正参数自适应调整阈值。实验仿真表明,本文所提的算法相比于传统算法均方根误差下降45.45%左右,可以在校正图像非均匀性的同时很好地抑制“鬼影”现象。     

基于深度神经网络的短波特定信号识别研究

在时变色散信道和低信噪比下,基于时频图利用深度神经网络的短波信号识别的方法对并行多音信号的识别能够取得一定效果,但常用的相位调制的串行单音短波信号识别难以取得较好效果。由于短波信号帧结构中都含有同步帧和发射电平起控帧等特征数据,提出了一种基于同步帧注意力机制的卷积神经网络结构。测试结果表明,使用卷积神经网络（Convolutional Neural Networks,CNN）、双向长短时记忆（Bi-directional Long Short Term Memory,Bi-LSTM）和注意力机制搭建成的深度神经融合网络模型对短波基带信号直接进行检测识别能够取得较好效果。     

基于卷积神经网络学习的盲突发通信信号检测方法

为了解决工程应用中传统数字信号处理方法对于低信噪比条件下盲突发通信信号检测存在检测正确率低和虚警率高的问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的突发通信信号检测方法。该方法将传统数字信号处理提取检测特征与CNN深度学习结合,提高了低信噪比条件下突发通信信号检测的正确率,降低了虚警率。对比实验表明,对于QPSK突发通信信号,该方法比多分辨分析数字信号处理方法性能提高大约4 dB,比自适应门限能量数字信号检测处理方法性能提高大约8 dB。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

基于改进U-Net的低剂量CT图像重建方法

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试。选取峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）作为图像性能评价指标。在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%。实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果。     

基于CTCNet对球结膜进行糖尿病视网膜病变分类

糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。     

BLAC:注意力机制时序网络流量异常检测模型

入侵检测的难点之一是如何准确识别流量数据的异常特征。文中提出一个基于卷积神经网络（CNN）、双向长短期记忆网络（Bi-LSTM）和注意力（Attention）的时序流量异常检测模型,即BLAC。为提高BLAC模型的特征提取准确度,使用CNN提取流量数据中的空间特征,利用Bi-LSTM提取流量数据的完整时间特征,解决Attention难以对复杂时间序列数据位置信息进行编码的问题。通过对Attention权重的可视化分析,推测出异常在窗口中发生的时间点。使用雅虎的Webscope S5数据集进行对比试验,结果表明,BLAC模型的性能优于其他SOTA模型,其中关键指标召回率高达98.69%,表示二分类精确度的F1得分达到97.73%。     

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。