基于多层编码器的SAR目标及阴影联合特征提取算法

针对合成孔径雷达(SAR)图像目标识别问题,提出一种基于多层自动编码器的特征提取算法。该方法利用随机神经网络受限波尔兹曼机学习建模环境概率分布的能力,通过组建更具函数表达能力的多层神经网络,提取描述目标及其阴影轮廓形状的综合特征。利用两种分类模型实现目标自动识别。基于MSTAR 数据的仿真实验结果验证了算法的有效性。      

基于深度学习与泰勒展开的吸毒成瘾者识别

本文旨在利用深度学习方法通过面部图像以及抽象特征中的局部信息对吸毒成瘾者的成瘾程度和社区矫正时间进行识别。本文提出了一个基于泰勒展开式的神经网络模型,以深度残差网络作为主干网络,并嵌入泰勒特征图,使模型的训练时间减少、特征提取更加准确从而达到实时性的目标。实验过程中先对ResNet18进行预训练,再对嵌入的泰勒特征模式进行微调,网络末端通过全连接层与Softmax函数的组合进行分类,随机梯度下降的优化目标采用了交叉熵损失。此方法对于吸毒成瘾程度的识别准确度达到80.35％,对于社区矫正时间的识别准确率达到59.31%,该模型性能得到有效提升。     

神经网络事件抽取技术综述

事件抽取是信息抽取领域一个重要研究方向,对信息检索、自动问答、舆情分析等领域均有很高的应用价值.传统事件抽取方法大多采用人工构建的方式进行特征表示,并通过分类模型进行事件触发词分类和论元角色识别.近年来,神经网络方法在图像分类、语音识别和自然语言处理等领域展现了突出的效果.神经网络方法的优势在于能够自动学习构建特征,从而避免了繁琐的特征工程.本文将对神经网络事件抽取技术进行系统论述,并展望未来的研究方向.     

无源雷达目标识别的神经网络模型构建

针对当前无源雷达目标识别存在的识别率低和容错性不足等问题,构建了一个基于BP神经网络的目标识别模型。围绕无源雷达目标识别效率提升和智能解决方案的构设问题,梳理总结了神经元原理、常用神经网络结构、激活函数和学习算法,设计了无源雷达目标识别总体流程,具体构建了神经网络目标识别模型,包括网络结构、隐含层节点数确定等,并给出了样本训练、测试和目标识别的工作流程,为无源雷达目标识别提供了方法途径。最后,给出了一个仿真实例,验证了模型的有效性。     

基于小波变换及奇异值特征提取的空间目标识别

对基于仿真的空间目标逆合成孔径雷达(ISAR)图像,提出了相应的空间目标特征提取及目标识别算法.首先建立了空间目标三维散射点阵模型,利用距离-多普勒成像算法对其进行了ISAR成像仿真,建立目标识别数据库;其次利用小波分解原理,提取二维小波变换后4个子图的奇异值特征;最后分别应用多项式核(Polynomial)及径向基函数核(RBF)支持向量机(SVM)进行分类识别.仿真实验研究了识别率与特征数目的关系及两类核函数SVM的分类性能,并达到了较好的识别效果,从而验证了本文算法的有效性.     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

基于群智能算法优化神经网络的网络安全事件分析

研究一种基于群智能算法优化神经网络的网络安全事件分析模型,使用遗传算法和LMS算法对常规RBF神经网络中的隐含层神经元个数、基函数中心以及各层连接阈值和权值进行优化,得到最优解,从而提高RBF神经网络模型的训练效率和精度,提高基于RBF神经网络的网络安全事件分析效率和准确度。使用KDD CUP99数据集中的网络入侵事件数据对研究的网络安全入侵事件分析模型进行实例研究,测试结果表明,该分析模型相比常规神经网络算法建立的模型具有更高的识别准确率,能够准确识别分析正常事件和四种网络攻击入侵事件。     

改进的卷积神经网络实现端到端的水下目标自动识别

由于水声信号的高度复杂性，基于特征工程的传统水下目标识别方法表现欠佳。基于深度学习模型的水下目标识别方法可有效减少由于特征提取过程带来的水声信号信息损失，进而提高水下目标识别效果。本文提出一种适用于水下目标识别场景的卷积神经网络结构，即在卷积模块化设计中引入卷积核为1的卷积层，更大程度地保留水声信号局部特征，且降低模型的复杂程度；同时，以全局平均池化层替代全连接层的方式构造基于特征图对应的特征向量主导分类结果的网络结构，使结果更具可解释性，且减少训练参数降低过拟合风险。实验结果表明该方法得到的水下目标识别准确率（91.7%）要优于基于传统卷积神经网络（69.8%）和基于高阶统计量特征的传统方法识别表现（85%）。这说明本文提出的模型能更好保留水声信号的时域结构，进而提高分类识别效果。      

基于光斑图像特征的飞秒激光烧蚀功率分类模型研究

针对光晕导致的光斑图像边缘模糊的特点,采用Niblack局部阈值分割得到光斑目标区域,并提取光斑的几何特征;以Niblack分割得到的图像边缘对原始光斑图像进行裁剪,得到去除光晕影响的光斑目标灰度图像,在此基础上提取该区域光斑图像亮度,结合光斑几何特征构造6维特征矩阵。分别采用BP神经网络、线性局部切空间排列LLTSA-BP网络、局部保持投影LPP-BP模型对烧蚀功率进行识别;进一步采用极限学习机(ELM-Extreme Learning Machine)、LLTSA-ELM和LPP-ELM降维模型,基于降维后的特征矩阵进行烧蚀功率分类。对比研究发现BP神经网络在对6维特征矩阵分类时收敛时间比ELM分类模型短,所需隐含层神经元个数少。而流形学习-ELM模型则在对降维之后的数据分类时表现较优,所需时间远远小于BP神经网络模型的处理时间,其中LPP-ELM模型对光斑的分类效果最优。     

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。     

基于CRNN混合神经网络的多语种识别

在语种识别过程中,为提取语音信号中的空间特 征以及时序特征,从而达到提高多语 种识别准确率的目的,提出了一种利用卷积循环神经网络(convolutional recurrent neural network,CRNN)混合神经网络的多语种识别模型。该模型首先提 取语音信号的声学特征;然后将特征输入到卷积神经网络(convolutional neural network,CNN) 提取低维度的空间特征;再通过空 间金字塔池化层(spatial pyramid pooling layer,SPP layer) 对空间特征进行规整,得到固定长度的一维特征;最后将其输入到循环神经 网络(recurrenrt neural network,CNN) 来判别语种信息。为验证模型的鲁棒性,实验分别在3个数据集上进行,结果表明:相 比于传统的CNN和RNN,CRNN混合神经网络对不同数据集的语种识别 准确率均有提高,其中在8语种数据集中时长为5 s的语音上最为明显,分别提高了 5.3% 和6.1%。     

基于特征融合卷积神经网络的FMCW雷达人体动作识别

针对微多普勒特征识别人体动作的局限性,基于调频连续波( Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构.利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别...     

一种创新性激光图像三维目标识别算法

针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。     

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

基于BP神经网络的说话人识别技术的实现

说话人识别就是从说话人的一段语音中提取出说话人的个性特征,通过对这些个人特征的分析和识别,从而达到对说话人进行辨认或者确认的目的。神经网络是一种基于非线性理论的分布式并行处理网络模型,具有很强的模式分类能力及对不完全信息的鲁棒性,为说话人识别技术提供了一种独特的方法。BP(Back-propagation Neural Network)是一种非循环多级网络训练算法,有输入层,输出层和N个隐含层组成。首先概述了语音识别技术,介绍了BP神经网络训练过程的7个步骤及其模型,如何建立BP神经网络模型。同时介绍了与其相关的特征参数的提取,神经网络的训练和识别过程,最后,通过编程在Linux系统下实现说话人身份的识别。     

多通道时空融合网络双人交互行为识别

提出一种基于多通道时空融合网络的双人交互行为识别方法,对双人骨架序列行为进行识别。首先,采用视角不变性特征提取方法提取双人骨架特征,然后,设计两层级联的时空融合网络模型,第一层基于一维卷积神经网络（1DCNN）和双向长短时记忆网络（BiLSTM）学习空间特征,第二层基于长短时记忆网络(LSTM)学习时间特征,得到双人骨架的时空融合特征。最后,采用多通道时空融合网络分别学习多组双人骨架特征得到多通道融合特征,利用融合特征识别交互行为,各通道之间权值共享。将文中算法应用于NTU-RGBD人体交互行为骨架库,双人交叉对象实验准确率可达96.42%,交叉视角实验准确率可达97.46%。文中方法与该领域的典型方法相比,在双人交互行为识别中表现出更好的性能。     

基于概率神经网络的数字音识别

本文主要利用概率神经网络和动态时间规整技术来实现数字音的识别研究。结论是在利用概率神经网络进行语音识别时可以达到比较高的识别率,此外动态时间规整函数的加入,解决了神经网络的模板规整问题。作为语音识别技术的基础,其中包含了小波的基础理论,语音的预处理,DTW技术,端点检测等基础技术。对于神经网络的加入,更加有利于深入了解神经网络这一新兴技术。     

PWM调制波的多层感知神经网络音频识别

研究了在PWM调制情形下音频信号的保真度分析及音频信号的频率、相位分布建模及其识别.基于Matlab/Simulink建模环境下建立了音频识别系统,利用滤波器对调制波进行归一化操作来完成对信号的预处理.基于音频信号模型构造了3类音频信号.经过识别系统的调制、滤波调理后输入至训练好的多层感知神经网络,分析识别结果显示,音频频率越高时,载波频率较低会降低系统识别率;提高载波频率可提高系统的识别率;并与相应的经典音频识别方案进行了比较.     

基于高效可扩展改进残差结构神经网络的舰船目标识别技术

神经网络的深度在一定范围内与识别效果成正相关,为解决超出范围后网络层数增加识别准确率却下降的模型饱和问题,该文提出一种具有高效的微块内部结构和残差网络结构的神经网络模型,用于对舰船目标基于高分辨距离像的分类识别。该方法利用具有小尺度卷积核的卷积模块提取目标的稳定可分特征,同时利用联合损失函数约束目标特征的类内距离提高识别能力。仿真结果表明,该模型相比于其他常见网络结构,在模型参数更少的情况下,识别效果更好,同时具有较强的噪声鲁棒性。     

CSM neural network for degraded printed character optical recognition

In pattern recognition applications, the classification power of a system can be improved by combining several classifiers. Obviously performance of the system cannot be improved if the individual classifiers make all the same mistakes, thus it is important to use different features and different structures in the individual classifiers. In this context, we propose a two subnets neural network called CSM net. The first subnet, or similarity layer, is operating as a similarity measure neural network; it is based on the complementary similarity measure method (CSM). The second subnet is a competitive neural network (CNN) based on the winner takes all algorithm (WTA) that is used for the classification. In the proposed neural architecture, the statistical CSM method is analyzed, and implemented in the form of a feed forward neural network, it is named “similarity measure neural network” (SMNN). We show that the resulting SMNN synaptic weights are modified versions of the model patterns used in the training set, and that they can be considered as a memory network. We introduce a relative distance data calculated from the SMNN output, and we use it as a quality measurement tool of the degraded characters, what makes the SMNN classifier very powerful, and very well-suited for features rejections. This relative distance is used by the SMNN and compared to a first rejection threshold to accept, or reject, the incoming characters. In order to guarantee a higher recognition and reliability rates for the cascaded method, the SMNN is combined with a second subnet based on the WTA for classification using a second specific rejection threshold. These two submits combination (CSM net) boost the performance of the SMNN classifier. This is resulting in a robust multiple classifiers that can be used for setting the entire rejection threshold. The experimental results that we introduce are related to the proposed method, but the tests are introduced with various impulse noise levels, as well as the tests with broken and manually corrupted characters, and characters with various levels of additive Gaussian noise. The experiments show the effective ability of the model to yield relevant and robust recognition on poor quality printed checks, and show that the CSM net outperforms the previous works, both in efficiency and accuracy.