基于小波域隐马尔可夫树模型的图像复原

从图像复原的Bayesian方法出发,提出一种基于小波域隐马尔可夫树(HMT)模型的线性图像复原算法,小波域HMT模型采用混合高斯模型刻画各子带系数的概率分布,并通过小波系数隐状态在多个尺度之间的Markov依赖性来刻画自然图像小波系数随尺度减小而指数衰减的特性,由于小波域HMT模型准确刻画了自然图像小波变换的统计特性,该文算法以此作为自然图像的先验模型,将图像复原问题转化为一个约束优化问题并用最速下降法对其进行求解,同时,提出了一种规整化参数和HMT模型参数的自适应选择方法,实验结果表明,基于小波域HMT模型的图像复原算法较好地再现了各种边缘信息,复原出的图像在信噪比和视觉效果方面都有明显的提高。     

基于小波域HMT模型的图像超分辨率重构

小波域HMT模型采用混合高斯分布，并通过多尺度小波系数隐状态之间的Markov依赖性刻画自然图像小波系数随尺度减小呈指数衰减的特性．由于小波域HMT准确刻画了自然图像小波变换的统计特性，因此文中算法以此作为自然图像的先验模型，并把图像超分辨率问题表述为一个约束优化问题，采用Cycle-Spinning方法抑制重构出的高分辨率图像中可能存在的震铃和锯齿等失真，最后，进行了定量误差分析并给出了一些实验图像供主观评价。     

隐马尔可夫树模型在纹理分析中的应用

该文在研究小波域隐马尔可夫模型(HMM)的基础上,提出了一种全新隐马尔可夫树(HMT)模型.在以往的研究中,HMT通常将2维DWT的三个子带HL、LH、HH视作相互独立,形成三棵独立的子树分别建模.为了更好地描述三个子带间小波系数的相关性,该文将这三个子带中相应节点进行捆绑,作为一棵树进行建模.另外,对于每个尺度中的小波系数分布,HMT常用高斯混合分布来拟合.该文研究了基于泊松分布的统计建模方法(PHMT).纹理图像经Haar小波变换和乘数分解后,再采用PHMT建模.经过实验验证,基于泊松分布的统计建模方法是有效的.     

基于四元数小波变换HMT模型的图像去噪

实小波变换域中的图像去噪会产生伪Gibbs现象,为此,提出一种基于四元数小波变换的隐马尔可夫树模型(Q-HMT),并应用于图像去噪。模型结合四元数小波变换理论与HMT模型,体现小波系数层间的相关性,捕获小波系数邻域的统计特征。实验结果表明,该模型的图像去噪效果在峰值信噪比以及视觉效果上均优于经典的去噪方法。     

基于小波域隐马尔可夫模型的小波隐写分析

基于精确描述图像小波系数间统计特性的小波域二维隐马尔可夫模型(HMM)参数集合,提出一种针对小波域信息隐藏算法的新型隐写分析技术。通过使用二维HMM对小波系数进行建模,对生成的HMT森林在隐写前后的参数集合构造隐写分类特征,采用SVM分类器进行隐写判别。实验表明该方法适用于小波域隐写术的检测,对小波域QIM、MFP和BPCS隐写有较好的检测性能。     

小波域隐Markov交叠树模型及块效应评价

本文针对小波域隐Markov树模型(hidden Markov tree model,HMT)的块效应问题,分析了块效应的产生机理,给出了以图像去噪为基础的块效应评价准则,并提出小波域隐Markov交叠树模型(hidden Markov overlappmg tree model,HMOLT)和基于该模型的图像去噪算法。该模型通过对每个节点的数据扩展,使每个节点包括相邻的3个(1维)或9个(2维)小波系数,实现同一尺度相邻节点数据的交叠,有效地减轻HMT因树状结构而产生的块效应。实验表明,本文给出的模型和去噪算法,无论是在均方误差(MSE)、块效应指标,还是在主观视觉方面,都优于HMT和基于HMT的去噪算法。     

小波域HMT模型参数的快速估计及其在图像降噪中的应用

小波域隐马尔可夫树(Hidden Markov Tree，HMT)模型可以很好地刻画尺度内与尺度间小波系数的相关性，但模型参数的训练过程复杂，计算量大。针对这个缺点，提出了一种不经训练的HMT模型参数快速估计方法。该算法首先用一种自适应阈值将每个子带小波系数分成不同的类，然后分别对每类进行统计，这种统计是局部的，因而有很好的局部自适应性，最后模型参数可以利用这些局部的统计特性来描述。将估计出的参数模型运用到图像降噪中，实验结果表明这种快速估计的HMT参数模型不仅可以大大提高计算速度，降低计算复杂度，而且从峰值信噪比和主观视觉效果上都不逊于传统的经过迭代训练的HMT模型降噪算法。     

复Daubechies小波域HMT模型Bayesian图像去噪*

提出了基于复Daubechies小波域隐马尔可夫树(SDW-HMT)模型Bayesian图像去噪算法,由于SDW小波是紧支撑、对称、正交小波,且具有近似线性相位,将其与HMT模型结合,能够更加准确地刻画小波系数的统计特征,在Bayesian图像去噪中获得很好的效果,仿真实例显示了所提算法的有效性。     

基于小波域HMT模型的隐写信息的移除攻击*

分析了隐写图像的移除攻击模型,考虑图像采样间的相关性,提出了基于小波域HMT(隐马尔可夫树)模型的移除攻击方案。实验结果表明,性能优于图像处理中常用的高斯滤波和维纳滤波。     

基于小波域HMT模型的隐写信息的移除攻击*

分析了隐写图像的移除攻击模型,考虑图像采样间的相关性,提出了基于小波域HMT（隐马尔可夫树）模型的移除攻击方案。实验结果表明,性能优于图像处理中常用的高斯滤波和维纳滤波。     

利用机器学习方法对灾难生命支持课程NDLS培训效果进行分析预测#br#

2019年底新型冠状病毒(2019-nCoV)肺炎疫情爆发,疫情使人们更加认识到应急救援队伍建设和相关人才培养的重要性。本文以2018—2019年间参加灾难生命支持课程(National Disaster Life Support, NDLS)培训的学员数据为研究对象,利用非监督和监督2种机器学习方法相结合的方式,分析NDLS培训效果的影响因素,帮助培训组织对学员的培训效果进行有效预判,从而提前干预,提高培训质量。首先运用Apriori算法找出若干个对培训效果影响较大的因素,然后用决策树模型对培训效果进行预测,并利用决策树分析的结果验证关联分析的结论。以置信度、支持度及提升度等参数作为Apriori关联规则的评价指标。用十折交叉验证作为决策树预测模型评估的方法。结果显示模型效果良好,其结果可以帮助培训组织对学员的学习效果进行有效预判、监控并保证培训质量。     

基于模型解释的PE文件对抗性恶意代码检测

深度学习已经逐渐应用于恶意代码检测并取得了不错的效果.然而,最近的研究表明:深度学习模型自身存在不安全因素,容易遭受对抗样本攻击.在不改变恶意代码原有功能的前提下,攻击者通过对恶意代码做少量修改,可以误导恶意代码检测器做出错误的决策,造成恶意代码的漏报.为防御对抗样本攻击,已有的研究工作中最常用的方法是对抗训练.然而对抗训练方法需要生成大量对抗样本加入训练集中重新训练模型,效率较低,并且防御效果受限于训练中所使用的对抗样本生成方法.为此,提出一种PE文件格式恶意代码对抗样本检测方法,针对在程序功能无关区域添加修改的一类对抗样本攻击,利用模型解释技术提取端到端恶意代码检测模型的决策依据作为特征,进而通过异常检测方法准确识别对抗样本.该方法作为恶意代码检测模型的附加模块,不需要对原有模型做修改,相较于对抗训练等其他防御方法效率更高,且具有更强的泛化能力,能够防御多种对抗样本攻击.在真实的恶意代码数据集上进行了实验,实验结果表明,该方法能够有效防御针对端到端PE文件恶意代码检测模型的对抗样本攻击.     

基于CUDA的BP算法并行化与实例验证

CUDA是应用较广的GPU通用计算模型,BP算法是目前应用最广泛的神经网络模型之一。提出了用CUDA模型并行化BP算法的方法。用该方法训练BP神经网络,训练开始前将数据传到GPU,训练开始后计算隐含层和输出层的输入输出和误差,更新权重和偏倚的过程都在GPU上实现。将该方法用于手写数字图片训练练实验,与在四核CPU上的训练相比,加速比为6．12～8．17。分别用在CPU和GPU上训练得到的结果识别相同的测试集图片,GPU上的训练结果对图片的识别率比CPU上的高0．05％～0．22％。     

侦破神经网络训练中矛盾样本的模糊数学方法

基于模糊数学率，提出了一个从神经网络训练样本中侦破矛盾样本的方法，建立了其数学模型，并用此方法对从工厂取得的测量数据样本进行了检查，找到了对训练及检验结果影响很大的矛盾样本，并对剔除矛盾样本前后建立的模型进行了对比分析，结果表明用此方法侦破出矛盾样本并加以剔除后以大大改善训练及检验的结果，由此建立的模型更为准确。     

大权值抑制策略用于训练卷积神经网络

卷积神经网络（Convolutional Neural Network,CNN）是深度学习研究的重要方向,因其模型复杂且训练困难,所以设计更好的CNN训练方法一直是研究热点。针对训练好的CNN模型,分析了其参数权值对训练结果的影响,确认权值越大的连接参数对模型性能的影响也越大,且整个模型的性能主要由极少数的大权值参数决定。据此,提出了CNN的权值抑制训练方法（Weight Restrain of CNN,WR-CNN）,该方法调整了模型训练时的权值更新策略,设置一个与权值大小相关的抑制系数,用该系数调整反向传播时的权值增量幅度,达到控制大权值连接参数分布的目的。在不同实验条件下,该方法将CNN模型的错误率降低1.8%~5.0%,模型对大权值参数的敏感性明显降低,模型泛化能力和鲁棒性均得到改善,另外,该方法也可用于对已训练好的网络模型进行再优化。     

基于深度强化学习的机械臂控制快速训练方法

人工智能在机器人控制中得到广泛应用,机器人控制算法也逐渐从模型驱动转变为数据驱动。深度强化学习算法可在复杂环境中感知并决策,能够解决高维度和连续状态空间下的机械臂控制问题。然而,目前深度强化学习中数据驱动的训练过程非常依赖计算机GPU算力,且训练时间成本较大。提出基于深度强化学习的先简化模型（2D模型）再复杂模型（3D模型）的机械臂控制快速训练方法。采用深度确定性策略梯度算法代替机械臂传统控制算法中的逆运动学解算方法,直接通过数据驱动的训练过程控制机械臂末端到达目标位置,从而减小训练时间成本。同时,对于状态向量和奖励函数形式,使用不同的设置方式。将最终训练得到的算法模型在真实机械臂上进行实现和验证,结果表明,其控制效果达到了分拣物品的应用要求,相比于直接在3D模型中的训练,能够缩短近52%的平均训练时长。     

基于模拟目标的测量雷达实战化训练方法研究

针对精密测量雷达训练时,由于缺少训练合作目标,导致训练的针对性差,有效性不好等实际问题,结合测量雷达实际应用的特点和规律,提出了采用计算机仿真技术构建训练合作目标的运动轨迹模型、RCS(目标的雷达散射截面积)特性模型,并利用测量雷达目标模拟器在测量雷达上实现基于模拟目标的测量雷达实战化训练方法;经在某型测量雷达上实际应用进行验证,结果表明方法可行,利用本方法使训练更贴近实战,训练的针对性、有效性得到很大提高.     

GBRT技术在MLS模拟训练成绩评估中应用

综合成绩评估是军事后勤模拟训练系统中的一个重要功能模块,为了实现模拟训练自动化成绩评估,在模拟训练系统成绩评估中提出使用梯度渐进回归树(GBRT)智能技术。在对某科目的后勤模拟训练成绩数据分析基础上,找出线性无关评估指标特征集合"人员配置成绩、完成任务时间和装备操作正确率"作为输入数据,建立基于GBRT成绩评估预测模型,最后通过优化参数组合的GBRT评估模型预测模拟训练综合成绩。经过某科目的模拟训练成绩数据样本测试,基于GBRT模型评估综合成绩与实际训练成绩基本一致,从而验证GBRT技术在军事后勤保障模拟训练成绩评估中应用的可行性和有效性,为军事后勤保障模拟训练系统自动化成绩评估增添新的途径和方法。     

基于样本个体差异性的深度神经网络训练方法

深度神经网络目前在许多任务中的表现已经达到甚至超越了人类的水平,但是其泛化能力和人类相比还是相去甚远.如何提高网络的泛化性,一直是重要的研究方向之一.围绕这个方向开展的大量卓有成效的研究,从扩展增强训练数据、通过正则化抑制模型复杂度、优化训练策略等角度,提出了很多行之有效的方法.这些方法对于训练数据集来说都是某种全局性质的策略,每一个样本数据都会被平等的对待.但是,每一个样本数据由于其携带的信息量、噪声等的不同,在训练过程中,对模型的拟合性能和泛化性能的影响也应该是有差异性的.针对是否一些样本在反复的迭代训练中更倾向于使得模型过度拟合,如何找到这些样本,是否可以通过对不同的样本采用差异化的抗过拟合策略使得模型获得更好的泛化性能等问题,提出了一种依据样本数据的差异性来训练深度神经网络的方法,首先使用预训练模型对每一个训练样本进行评估,判断每个样本对该模型的拟合效果;然后依据评估结果将训练集分为易使得模型过拟合的样本和普通的样本两个子集;最后,再使用两个子集的数据对模型进行交替训练,过程中对易使得模型过拟合的子集采用更强有力的抗过拟合策略.通过在不同的数据集上对多种深度模型进行的一系列实验,验证了该方法在典型的分类任务和细粒度分类任务中的效果.     

基于元迁移的太阳能电池板缺陷图像超分辨率重建方法

针对太阳能电池板隐裂缺陷在进行光学检测时存在的特征不明显问题,以及小样本导致的训练不充分问题,提出了基于元迁移的太阳能电池板缺陷图像超分辨率重建方法,采用联合训练方法,利用内部图像和外部大规模图像信息分别作为不同阶段的训练数据.首先将引入的大量数据用于模型的初步训练,学习外部大规模数据的公共特征,然后通过元学习模型MA...