基于随机重构图结构的图神经网络分类算法

目的:为了解决在特征聚合过程中的确定性传播所导致的节点相似性破坏和节点对邻域依赖性高的问题,构建基于随机重构图结构的图神经网络分类算法。方法:首先,随机特征变换根据学习的权重值对随机保留的部分节点特征进行增强,生成随机特征。然后,利用生成的特征计算融合系数,对原始图和k近邻图进行自适应融合,重构出随机图结构。最后,将提取的多支浅层特征加入到重构图结构的卷积层,使模型随着层数的加深可得到浅层信息的补充。此外,对联合优化分类损失和自监督学习损失,保持节点相似性和平滑性。结果:与其他节点分类方法在Cora、Citeseer和Pubmed数据集上进行半监督实验和全监督实验结果对比,本文的算法精度提高了0.9%～2.3%。结论:基于随机重构图结构的网络分类算法在节点分类任务中取得较好的性能。     

基于残差图卷积网络的运动想象任务分类

为了提高运动想象脑机接口任务分类的准确性,需要增强运动想象脑电信号的解码精度。利用脑电的空间分布及多导联信息关联,构建图神经网络,提出了一种基于残差图卷积的运动想象任务分类模型。将残差学习嵌入深度图卷积神经网络,改善网络退化;并将分层图池化方法加入模型,充分提取运动想象脑电特征信息,提高分类准确率。该模型在两个脑机接口竞赛数据集上分别取得93.84%和96.39%的平均分类准确率以及0.9171和0.9535的平均Kappa系数。仿真结果表明,模型能有效提高运动想象脑机接口任务分类精度,且具有较好的泛化能力。     

基于深度学习的水体色度分类算法研究

运用深度学习技术进行非接触、快速水体色度检测与分类,采用无人机采集水体图像,运用色度仪对标定的图像完成分类,建立数据集。采用图像归一化处理减少环境因素对分类结果的影响,设计多特征的分步边缘检测算法,检测水域图像边缘,剔除无关像素。对VGG 16、GoogleNet-V3和ResNet 18卷积神经网络进行水体色度分类模型构建与训练,后筛选Inception结构和残差结构为基本构建单元,设计专门用于水体色度分类的WCNet 15与WCNet 21神经网络模型。在训练集上训练参数并利用验证集完成对2个模型的准确率的比较,筛选准确率高的WCNet 21模型作为最终水体色度分类模型。WCNet21模型的最优准确率可达97.8%,满足水体色度分类需求,可应用到具体的水体色度分类工作当中。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

结合多尺度及密集特征图融合的阴影检测方法

为了提高图像中阴影检测的准确性,提出一种利用深度神经网络实现阴影检测的方法。首先,构造了一种密集特征图融合结构,将不同卷积层产生的特征图进行融合;其次,针对图像中阴影的多种尺度特征,设计了一种串并联结合的扩张卷积结构提取图像中阴影多尺度特征;最后,将串并联结合的扩张卷积结构和密集特征图融合结构进行结合,设计出一种端到端的Dilated Dense Fusion-Unet网络实现阴影检测功能。实验结果表明,所提方法在SBU和UCF阴影检测数据集上的阴影检测结果及量化评估均优于已有代表性的阴影检测方法,在2个数据集上的准确率分别提高5.8%和6.5%,平衡误差率分别降低2.2%和0.5%。     

一种融合图结构的阅读理解答案预测方法

机器阅读理解(简称阅读理解)是自然语言处理领域的一项重要任务.目前基于深度学习的阅读理解模型在一些数据集上(如SQuAD)取得了很好的性能,但是这些模型不能有效整合句法结构、句子间长距离语义信息,对问题和篇章理解得不够充分.为解决以上问题提出一种新方法,该方法利用图结构对句子内部的句法结构与句子间的语义关系进行建模,然后与基于注意力机制的表示进行融合,最终形成对篇章与问题更好的理解与表示.同时,该方法还引入问题分类任务,与问答任务共同形成多任务学习框架,进一步优化了问题与文本的表示,获得了更好的答案预测准确率.相关数据集上的实验结果表明,所提方法取得了比基线模型更好的效果.     

基于多分辨率时频特征融合的声学场景分类

声学场景分类是计算机听觉中最难的任务之一,在单一特征条件下采用基本的卷积神经网络相对于传统的分类方法精度已经有所提升,但是效果依然不够理想。针对这一问题,在卷积神经网络框架下,提出了一种基于时频特征融合的声学场景分类方案。在分类模型构建方面,提出一种多分辨率卷积池化方案,构造多分辨率卷积神经网络,以更好地适应提取特征的时频结构;在特征选取方面,融合低层次包络特征对数——Mel子带能量和高层次结构特征——非负矩阵分解系数矩阵,把两种二维特征堆叠为三维特征送入分类模型。在2017年和2018年声学场景分类和事件检测挑战赛的开发数据集上进行了训练和测试。实验结果表明,文中提出方案比基线系统的分类精度分别提高7.5%和10.3%,可有效改善分类效果。     

基于神经网络的三角形网格智能重建

探讨了曲面密集三维散乱点数据的三角网格智能重建方法。建立了基于自组织特征映射神经网络的三角网格构建模型。该模型利用神经元对曲面散乱点的学习和训练来模拟曲面上的点与点之间的内在关系,结点连接权矢量集作为对散乱点集的工程近似化并重构曲面样本点的内在拓扑关系,实现曲面密集三维散乱点数据的自组织压缩。按六角形阵列侧抑制邻区训练调整网络神经元权重矢量,使网络输出层结点呈六角形阵列分布,可实现测量点集压缩后的Delaunay三角逼近剖分。计算机仿真实验表明,所建神经网络模型可以实现期望规模和精度的三角网格剖分并有效保持原数据点集的拓扑特征。     

基于全连接神经网络的压铸件质量预测算法

目的 针对复杂压铸制造过程中高精度监控和质量预测问题,构建全连接神经网络,以提高压铸件缺陷分类和预测的准确性及高效性。方法 提出了一种基于全连接神经网络的算法,用于压铸件的质量预测。以汽车发动机下缸体为研究对象,先通过压铸岛采集关键工艺数据,后通过异常值处理和数据归一化进行数据预处理,再采用最小冗余和最大相关性的启发式算法(MRMR)进行特征处理,选出对压铸件质量影响较大的5个参数,该算法以3个压射速度、真空度、动模流量为输入层参数,以铸件质量为输出层参数。最后确定该算法的结构及各个参数,进行模型的训练与构建,并与不同算法进行性能比较。结果 与传统的决策树、SVM算法相比,该算法在相同数据集的分类和预测性能方面均更优,表明全连接神经网络在预测压铸缺陷方面具有优势。结论 该算法在实际应用中具有很大的潜力,证明全连接神经网络在预测能力和精度方面具有优势,可以为数据分类和预测提供更好的解决方案。     

改进生成对抗网络及其在结构非线性模型修正中的应用

提出改进生成对抗网络（Generative Adversarial Network，GAN）并在结构非线性模型修正中成功应用。在改进的GAN中，通过引入代理模型的方式，增强网络判别器对非线性结构各节点响应关系特征的学习能力；为避免传统GAN存在的梯度消失问题，使用跳跃连接和密集连接等方式加强网络层之间的信息交流，并且通过引入组合目标函数，构建模型输入响应与输出参数之间的映射关系实现网络训练。在进行结构非线性模型修正时，结构的动力响应作为网络模型的输入，训练好的GAN模型能够根据输入数据的特征，输出非线性模型参数的最优值，从而实现结构非线性模型修正。通过对地震荷载作用下的12层钢筋混凝土框架结构进行数值模拟，验证了方法的可行性，并通过对比基于卷积神经网络的非线性模型修正结果，验证所提方法的优越性；最后进一步结合地震荷载作用下的悬臂铝梁振动台实验，验证了该非线性模型修正方法的可靠性。