用于人工智能的硅基光电子芯片

提出了利用硅基光电子芯片进行人工神经网络计算处理的方法。硅基光电子芯片凭借光子的独特性质,能够在人工神经网络的计算处理中发挥高带宽、低时延等优势。在处理深度学习中大量的矩阵计算的乘加任务时,硅基光电子芯片拥有更高的处理速度和更低的能耗,从而有利于深度学习中的人工神经网络计算速度和性能的提升。     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

基于白名单的深度包检测防火墙的改进方法

本文研究了深度包检测防火墙的原理、技术及实现方法,并在此基础上提出了基于白名单的改进方法。通过白名单定义可信流量,可信流量在完成状态检测或协议分析之后即可通过防火墙,不再进行完整的深度检测,减轻了防火墙的负荷。基于白名单的自学习功能通过对日志的分析自动维护白名单,使它更加安全有效。     

基于时频感知神经网络的语音频带扩展

为了进一步提高基于深度学习的语音频带扩展性能,提出了一种基于编解码器的神经网络结构,编码器对数据进行深度特征提取,解码器进行宽带语音重构,并在编解码器中间设计了局部敏感哈希自注意力层,用于增强模型对深度特征的有效选择。编解码器内部使用了时间卷积网络,有效提升了模型对语音时序数据上下文依赖关系的学习能力。为了促进模型朝更加准确的方向训练,还提出了一种时频感知损失函数,有利于模型在时域、频域以及感知域获取窄带语音到宽带语音的最优映射解。通过主观和客观实验结果表明,该方法优于传统方法和近几年基于深度神经网络的语音频带扩展方法。      

基于人工神经网络的入侵检测方法

本文分析基于人工神经网络的入侵检测模型搭建方案,方案被设计为嗅探器、数据审计和数据检测三个模块,深度学习与网络安全管理的结合有利于二者的同步发展。借助深度学习,不断提高网络安全管理水平,同时给人工神经网络带来更大的发展空间。为应对不断复杂的网络入侵手段,入侵检测需动态化发展,围绕人工神经网络,研究更多高效防御方法。     

基于深度学习的实时DDoS攻击检测

分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组.通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证.结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点.     

基于神经网络的智能教学系统学生模型设计

智能性是智能教学系统最重要的特性之一.为提高智能教学系统的智能水平,研究了利用具有较强自学习能力的人工神经网络来构建智能教学系统.从因材施教,准确反映学生学习状态、特征的角度出发,分析了学生学习过程中的影响因素,提出将学生的学习方式、学习习惯等因素纳入学生模型构建中,并对学生模型进行了设计.     

基于深度学习的工业车辆驾驶行为识别

文章提出一种基于深度学习的工业车辆驾驶行为识别的方法。该方法对工业车辆在实际工厂环境中行驶的特点进行分析,将三轴加速度传感器和三轴角速度传感器采集到的数据进行预处理,根据处理结果将数据送入深度神经网络训练,完成对工业车辆驾驶行为的识别。系统先对样本数据使用数据插值、标准化处理等方法进行预处理,通过数据增强算法减少过拟合的影响,再基于长短期记忆网络(LSTM)处理时间序列数据,构建出CNN+LSTM的深度网络模型,用于驾驶行为的识别。测试结果表明,所提模型识别整体准确率可达96.51%,能够准确地识别出工业车辆行驶的状态。     

机载雷达深度展开空时自适应处理方法

稀疏恢复空时自适应处理(SR-STAP)方法能够利用少量训练距离单元实现对机载雷达杂波的有效抑制。然而,现有SR-STAP方法均基于模型驱动实现,存在着参数设置困难、运算复杂度高等问题。针对这些问题,该文将基于模型驱动的SR方法和基于数据驱动的深度学习方法相结合,首次将深度展开(DU)引入到机载雷达杂波抑制和目标检测之中。首先,建立了阵列误差(AE)条件下的杂波空时谱和阵列误差参数联合估计模型,并利用交替方向乘子法(ADMM)进行求解;接着,将ADMM算法展开为深度神经网络AE-ADMM-Net,利用充足完备的数据集对其迭代参数进行优化;最后,利用训练后的AE-ADMM-Net对训练距离单元数据进行处理,快速获得杂波空时谱和阵列误差参数的准确估计。仿真结果表明:与典型SR-STAP方法相比,该文所提出的DU-STAP方法能够在保持较低运算复杂度的同时提高杂波抑制性能。      

基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下。深度学习的出现,对计算机视觉领域的发展起到了重要推动作用。计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中。其中最常见的应用场景是医学图像处理。图像分割是医学图像处理任务中一个重要的研究方向,目前已经出现了很多图像分割方法,其中包含传统的分割方法和基于深度学习模型的分割方法。首先介绍了阈值分割法、区域生长法以及图割法等传统的图像分割方法;其次总结了FCN、U-Net、U-Net++、SegNet以及DeepLab系列的网络架构,并对其优缺点进行了分析;同时,着重阐述了图像分割方法在医疗图像处理中的应用;最后讨论了未来基于深度学习的医学图像分析将要面临的挑战和发展机遇。     

基于Raw I/Q和深度学习的射频指纹识别方法综述

硬件差异会形成辐射源的独有指纹,并附加在无线电信号上,利用辐射源的这一独特属性可进行射频指纹识别。在非合作条件下,由于信道环境未知、信号调制方案等先验知识匮乏,基于特征工程的射频指纹识别方法面临巨大挑战,而基于深度学习的射频指纹识别方法,尤其是能够直接处理Raw I/Q的方法表现出了很大潜力,但是该方向的研究成果较为零散,妨碍了研究者对关键问题的把握。该文首先从先验知识的利用上,对基于深度学习的射频指纹识别方法进行了分类对比,将问题聚焦到基于Raw I/Q和深度学习的射频指纹识别方法。然后,该文重点对使用Raw I/Q进行射频指纹识别的深度神经网络模型进行了分类和讨论,并对射频指纹识别相关的开源数据集、数据表示方法和数据增强方法进行了整理和归纳。最后,该文讨论了基于深度学习的射频指纹识别方法所面临的难题和值得关注的研究方向,以期对射频指纹识别的研究与应用有所帮助。      

基于残差神经网络的轴承声发射信号故障智能诊断

近年来,随着人工智能的发展与普及,深度学习算法以其高准确率和鲁棒性成为了目前分类识别技术的热门。传统的轴承故障诊断采用振动信号,对早期故障不敏感。由于传统的人工特征提取方法难以准确的表征滚动轴承状态,深度学习算法便逐渐应用于滚动轴承的故障诊断。因此采用滚动轴承的声发射信号并结合神经网络进行故障检测,以更好的对轴承运行中的早期故障进行识别,为此提出了一种基于一维卷积残差神经网络的轴承故障诊断模型,通过多层卷积叠加以提取出数据中更加关键重要的信息。该模型在诊断中能够自适应的从输入数据中学习出所需要的特征。模型采用categorical crossentropy交叉熵损失函数及Adam优化算法实现滚动轴承的故障诊断。在试验台上模拟了早期轴承内圈、外圈、滚动体、保持架故障等四种故障,并利用模型进行了故障的分析和诊断,研究结果表明文章提出的模型对故障的声发射信号拥有良好的识别能力。     

ChatGPT与RPA技术结合的应用分析

当前,ChatGPT技术已经进入到4.0时代,它极大提升了自然语言处理能力,并且已经具备对图片的理解分析能力,其结合RPA技术的使用,能够自动化处理更加复杂的流程。将ChatGPT融入到RPA的应用场景中,可以更好地分析非结构化、结构化以及半结构化数据,并将这些数据提取出来进行深度分析,拓展RPA的适用范围,开发出更加智能化的RPA应用。     

基于深度学习的癌细胞检测系统

针对目前人工智能技术的理论研究日渐成熟,随着人工智能技术应用于生活、学习、工作等方面的普及,利用人工智能技术应用于医疗诊断与医疗服务是未来医疗技术发展的必然趋势,提出一种基于深度学习的癌细胞目标检测系统,实现人工智能+医疗应用于癌症诊断的核心环节。癌细胞目标检测的任务是检测出细胞图像里面细胞的类别并对其进行定位,YOLOv5是基于深度学习的端到端实时目标检测方法,首先利用基于PyTorch的YOLOv5模型轻量而性能高、更加灵活和便利等优点,然后提出一种基于特征金字塔和YOLOv5相结合的改进的YOLOv5模型,最后实现癌细胞图像目标检测。实验结果表明,该系统检测效果误差小,速度快,鲁棒性高。     

基于深度学习的故障诊断方法综述

海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度，且传统诊断算法存在难以利用高阶量进行在线估计的不足。鉴于深度学习技术强大的数据表示学习和分析能力，基于深度学习的故障诊断引起了工业界和学术界的广泛关注，并促使智能过程控制更加自动化和有效。该文从方法上将基于深度学习的故障诊断技术分为:基于栈式自编码的故障诊断方法、基于深度置信网络的故障诊断方法、基于卷积神经网络的故障诊断方法及基于循环神经网络的故障诊断方法4类，分别进行了回顾和总结，最后从数据预处理、深度网络设计和决策3个层面对这一领域进行展望，提出了“集成创新”、“数据+知识”和“多技术融合”等故障诊断思想，阐明基于深度学习技术进行复杂系统的故障诊断仍具有巨大潜力。     

深度学习在城市交通流预测中的实践研究

短时交通流状态预测对于实现城市智能交通系统至关重要。在过去,很多神经网络模型被提出来用以预测交通流,但是效果并不是很显著。究其原因,是因为大多数都是利用浅层模型在学习,浅层模型由于容易陷入局部极值而且不能模拟更复杂的数学运算,所以并不适合于模拟现实的交通状况。深度学习作为机器学习的新兴学科,在语音与图像处理方面取得了显著的成效,它能够非监督地从数据中学习出有效的特征用以预测,故在此利用深度学习进行建模用以城市主干道交通流预测。实验表明,模型取得了不错的交通流预测效果。     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题,提出了一种自适应分组的栈式自编码( AG-SAEs)深度学习预测方法。在数据的预处理过程中,首先使用最大最小方式对数据进行归一化处理,并提出一种新型的自适应分组方法,把归一化后的链路数据进行关联性分组;然后,基于深度学习方法建立了一个多输入多输出的预测模型,并将分组后的数据输入到预测模型中,对该模型进行训练来建立输入和输出流量之间的映射关系;最后,为了进一步提高预测精度,在模型的训练过程中,使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。     

基于联邦学习的隐私安全和高效通信模型

深度学习的应用日益广泛,训练样本是深度学习模型的基础.但是在军事、 商业和金融等领域中,往往会出现模型训练时样本数据分散不易集中和隐私保护等问题.因此,数据隐私安全的研究非常重要.以某领域命名实体识别为应用场景,提出了FedPBert模型,采取了横向联邦学习的方式对Bert模型进行了预训练和微调.为了提高模型的精度,采...     

基于深度学习推荐系统的研究

针对深度学习的研究,仅运用单一的传统算法在数据稀疏的情况下,不能得到隐式的反馈。所以提出了推荐系统,在机器学习上有一定的影响,并在社会上的应用也非常广泛,在最近几年在图像处理、会话识别、对象侦探以及药物发现和基因组学等方面取得了一定的发展。将深度学习应用到推荐系统中,探究怎样将大量的数据转变成多源异构数据,它能够让我们对用户在使用过程中得到整合数据,得出用户的偏好。优化推荐系统,了解用户喜好,是我们主要研究目的。在推荐系统系统中,我们主要针对协同过滤进行研究。