基于细节增强的多能DR图像融合网络

针对单能X射线无法对复杂工件各部位同时曝光成像的问题,提出一种基于细节增强的多能DR融合网络-双编码巢式连接融合网络。该网络以Inception模块作为基础卷积层,在双编码器的辅支路设计了可训练的LOG卷积模块,用来提取多尺度边缘特征,并将其补充到主支路以增强全局特征。在训练阶段,提出一种基于图像块的局部能量一致性损失函数,以减少输入、输出的局部性误差。融合时,采用通道和空间注意力机制作为融合策略,对双编码提取的多尺度增强特征进行融合,并将融合后的多尺度特征输入嵌套连接的解码器进行重构。结果表明,该融合网络具有细节增强效果,能够完整清晰地再现复杂工件的内部结构及缺陷。     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

致病氨基酸变异预测的新型融合模型

氨基酸变异常常会影响蛋白质的结构和功能,进而导致疾病。当前,研究者们已经提出了一些基于计算的方法来预测氨基酸变异致病性。该文构建了一个新型融合模型,旨在提高预测性能和泛化性。首先,提取影响致病性的各类生物特征并用递归特征消除RFE方法筛选最优特征子集。然后,建立包含卷积神经网络和双向长短期记忆神经网络的深度学习模型提取特征,并以拼接的方式融合这两类特征作为模型输入。最后,构建一个基于XGBoost、CatBoost、LightGBM和随机森林的融合模型,用以预测氨基酸变异致病性。该融合模型的10重交叉验证准确性为92.8%,盲测准确性为93.1%,取得了当前最高的预测准确性和泛化性。该工具可用于辅助临床诊断和药物设计,降低研发成本。     

基于扩张因果卷积的城市客流量预测算法

人群的迁移行为可以通过时空相关轨迹和用户上网行为进行记录。通过分析用户的上网行为分布情况发现,用户在不同场景下的浏览内容具有一定的偏好性,据此构建了融合用户上网行为及迁移行为异构信息网络表征城市人群的转移行为。基于该异构信息网络,提出了一种基于扩张因果卷积的城市客流量预测模型,采用扩张因果卷积模块捕捉客流量分布特征和用户上网行为特征,并构建了异构信息融合模型来融合客流量分布特征与用户上网行为特征。客流量分布特征提取是通过不同时间尺度下时间序列提取客流量时间依赖关系,用户上网行为特征提取是根据2种场景下的用户上网内容。特征提取采用扩张因果卷积减少了模型层数,提高了模型效率。异构信息融合模型融合了多维特征信息,提高了模型在预测有突发事件时的即时客流量的准确率。     

基于时空融合图卷积的交通流数据修复方法

为了解决现有时空相关修复法挖掘交通流特性不充分的问题,提出基于时空融合图卷积网络的缺失数据修复方法. 该方法在分析交通流时空特性的基础上,采用2类函数分别计算交通流数据的时间自相关系数和空间关联度系数. 将交通检测器的部署位置作为节点构成几何拓扑图,通过线性融合规则构建时空融合矩阵,替代图卷积输入层的邻接矩阵,捕获交通流细粒化的时空关系. 利用轻量级一维卷积层学习多通道时序向量的时间特征,加快模型的收敛速度. 利用图卷积层学习交通流数据的空间特征,构建时空融合图卷积网络修复模型. 实验结果表明,与其他修复方法相比,该方法在多检测器场景中的修复精度和模型收敛速度均有所提升,可以有效地修复交通流缺失数据.     

基于时空图卷积网络的交通事故预测研究

准确、高效的交通事故预测方法是智能交通系统高效运行、及时提供医疗救助和提高交通效率的必要条件。现有的事故预测模型主要采用统计方法或单一的机器学习方法,不能同时获得时空依赖关系,为了提高预测精度,针对交通事故预测的问题,提出了一种基于时空图卷积网络的交通事故预测模型,该模型与长短期记忆网络和图卷积网络相结合,并考虑了交通事故中时间和空间的依赖关系。通过将图卷积网络用于学习复杂的路网拓扑结构,以获得交通状态中的空间相关性,把长短期记忆网络用于学习交通事故数据的动态变化,以获得交通状态中的时间相关性,然后使用基于时空图卷积网络的交通事故预测模型进行预测。实验表明：该模型能够从事故数据中获得时空相关性,并在真实数据集上具有良好的预测性能。     

结合全局与局部池化的深度哈希人脸识别算法

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络．第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型尺寸;第二,提出一种学习不同特征的融合损失方法,将哈希量化误差损失与分类损失进行加权融合,用以学习具有多分类性质的近似哈希编码．实验表明,该方法能够在Visual Geometry Group(VGG)框架下将识别效率提高68%,且准确率略有提升;融合损失方法扩展到Face Residual Network (Face-ResNet)框架时,在保持准确率的情况下将识别效率提高了23.7%。结果表明,该方法可在保证准确率的前提下有效地从特征提取和特征降维两方面提高识别效率,同时该方法还可扩展用于其他网络．     

基于改进深度学习模型C-NTM的脑电鲁棒特征学习

为了在脑电信号鲁棒特征学习中提取更多脑电抽象和深层特征,本文在卷积长短时记忆网络的基础上提出一种深度学习混合网络。采用快速傅里叶变换将多通道的脑电信号转换为一系列具有空域、时域、频域相关信息的频谱图;将改进的卷积神经网络和神经图灵机组合搭建完成深度学习混合模型卷积神经图灵机C-NTM;通过认知工作负载脑电的分类任务对改进的模型进行评估。实验结果表明:本文所提模型在相应的数据库上取得了94. 5%的准确率,优于目前在脑电分类任务中效果最好的模型。该模型能够有效地学习不同受试者之间和同一受试者不同状态时的脑电特征,实现更好的脑电鲁棒特征学习。     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。