结合降噪卷积神经网络和条件生成对抗网络的图像双重盲降噪算法

针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络（DnCNN）和条件生成对抗网络（CGAN）的图像双重盲降噪算法。首先,使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模型的隐层参数进行优化;最后,生成器和判别器在博弈中达到平衡,且生成器的残差捕获能力达到最优。实验结果表明,在Set12数据集上,当噪声水平分别为15、25、50时：所提算法与DnCNN算法相比,基于像素点间误差评价指标,其峰值信噪比（PSNR）值分别提升了1.388 dB、1.725 dB、1.639 dB;所提算法与三维块匹配（BM3D）、加权核范数最小化（WNNM）、DnCNN、收缩场级联（CSF）和一致性神经网络（CSNET）等现有算法相比,结构相似性（SSIM）评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。     

面向网络入侵检测的GAN-SDAE-RF模型研究

针对传统机器学习方法在处理不平衡的海量高维数据时罕见攻击类检测率低的问题,提出了一种基于深度学习的随机森林算法的入侵检测模型,为了避免传统的随机森林面对高维数据和不平衡数据时分类精度低、稳定性差和对罕见攻击类检测率低的问题,引入生成式对抗网络（GAN）和栈式降噪自编码器（SDAE）对随机森林算法（RF）进行改进。将罕见攻击类数据集输入GAN神经网络中,生成新的攻击类样本,改善网络入侵数据在样本集中不均衡分布的情况,通过堆叠深层的SDAE逐层抽取网络数据的分布规则,并结合各个编码层的系数惩罚和重构误差,来确定高维数据中与入侵行为相关的特征,基于降维后的特征数据构建森林决策树。采用UNSW-NB15数据集的实验结果表明,与SVM、KNN、CNN、LSTM、DBN方法相比,GAN-SDAE-RF整体检测准确率平均提高了9.39%、误报率和漏报率平均降低了9%和15.24%以及在少数类Analysis、Shellcode、Backdoor、Worms上检测率分别提高了26.8%、27.98%、27.85%、39.97%。     

基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.     

基于深度学习的液压缸寿命预测方法研究

液压缸的工况错综复杂,为了确保液压缸的正常运行,寿命预测系统采集了大量数据以获悉液压缸的寿命状况。针对液压缸监测信号噪声大、单一分类器分类性能不佳的问题,提出了一种基于深度学习的液压缸寿命预测方法。利用DAE算法对噪声数据进行重构,以完成数据的特征提取;利用BP神经网络对数据中各特征子集进行分别训练构成弱分类器,然后采用Adaboost算法对弱分类器进行加权合并成强分类器以实现数据的特征选择。通过实验验证,提出方法可有效提高液压缸的寿命预测精度。     

融入类贡献抑制因子的灰度级模糊C均值图像分割

基于灰度级模糊C均值图像分割算法具有分割速度快的优势。由于无损检测图像中背景类和目标类差异较大,该算法不能有效地将目标分割出来,故提出改进的基于灰度级的模糊C均值算法。构建了一种与类大小反向相关的类贡献抑制因子表达式,将之融入目标函数后能够降低较大类对目标函数的贡献,这可避免较小类的聚类中心受较大类的影响而靠近较大类的聚类中心。最小化新的目标函数可得新形式的隶属度和聚类中心表征形式。采用类大小差异较大的无损检测图像进行试验,结果显示本文算法得到的分割图像视觉效果良好,而且指标G_mean也更高,进一步提升了基于灰度级模糊C均值算法适应能力。     

改进胶囊网络优化分层卷积的亚健康识别算法

针对传统卷积神经网络(CNN)为获得高准确率不断堆叠卷积层、池化层致使模型结构复杂、训练时间长且数据处理方式单一的问题,提出改进胶囊网络优化分层卷积的亚健康识别算法。首先,对原始振动数据进行小波降噪和小波包降噪两种数据处理,更好地保留原始信号中对亚健康识别有用的信息;其次,CNN采用分层卷积的思想,并行3个不同尺度的卷积核,多角度地进行特征提取;最后,将卷积核提取的特征输入到剪枝策略的胶囊网络中进行亚健康识别,改进的胶囊网络在保证准确率的同时加快亚健康识别时间,解决CNN结构过于复杂以及识别效果不佳的问题。实验结果表明,提出算法识别准确率高且识别时间较少。     

Modified BM3D algorithm for image denoising using the directed diffusion equation

In order to preserve the edges and details of the image better, a modified block-matching and 3D filtering algorithm based on the directed diffusion is proposed. First, the block-matching and 3D filtering result is divided into three perpendicular subbands by using the wavelet decomposition. Second, by adding the diffusion operator and diffusion coefficients to the directed diffusion equation, the diffusion speed can be accelerated and edges can not be blurred quickly. Then we diffuse the subband of the high-frequency, of which the wavelet coefficients are less than the threshold to the corresponding subband of the noisy image to get a new estimate. Lastly, by replacing the corresponding subband of the block-matching and 3D filtering estimated image with the new one, we obtain the improved denoising result. Experimental results show that the improved algorithm achieves better performance than the original block-matching and 3D filtering algorithm in terms of both removing noise and preserving the edges and details of the image.     

Improved preprocessed Yaroslavsky filter based on shearlet features

An improved preprocessed Yaroslavsky filter (IPYF) is proposed to avoid the nick effects and obtain a better denoising result when the noise variance is unknown. Different from its predecessors, the similarity between two pixels is calculated by shearlet features. The feature vector consists of initial denoised results by the non-subsampled shearlet transform hard thresholding (NSST-HT) and NSST coefficients, which can help allocate the averaging weights more reasonably. With the correct estimated noise variance, the NSST-HT can provide good denoised results as the initial estimation and high-frequency coefficients contribute large weights to preserve textures. In case of the incorrect estimated noise variance, the low-frequency coefficients will mitigate the nick effect in cartoon regions greatly, making the IPYF more robust than the original PYF. Detailed experimental results show that the IPYF is a very competitive method based on a comprehensive consideration involving peak signal to noise ratio (PSNR), computing time, visual quality and method noise.     

一种自适应改进曲率扩散超声图像滤波方法

针对图像尤其是医学超声图像的边缘模糊或者缺失对图像进一步处理带来的影响,同时由于传统改进曲率扩散方程无法自适应以及迭代时间长,本文提出了一种结合高斯滤波的参数自适应的改进曲率扩散方法,并且使用统计学中的绝对偏差中值自动调整梯度阈值参数。该方法能在保留改进曲率扩散方程去噪能力的同时有效地保留图像边缘细节信息,同时减少了滤波过程中的迭代次数,从时间复杂度的方面提高了方法的效率。另外,自适应梯度阈值的采用进一步提高了改进曲率扩散方程保留图像细节信息的能力。实验结果表明,结合高斯滤波的参数自适应改进曲率扩散方法继承了改进曲率扩散的优点,同时又减少了人工干预,提高了去噪效率。     

一种基于新型阈值函数小波去噪方法

传统小波阈值去噪方法中,软阈值法连续性好,但保真效果差,而硬阈值法可保留更多信息,但是在分界点处会产生振荡,即伪Gibbs现象。为了提高信号的保真效果,减少振荡现象,提出了一种新的阈值函数,该函数阈值介于软阈值与硬阈值之间,且是连续函数。方法既减小了软阈值固定偏差带来的失真,又消除了伪Gibbs现象。仿真结果表明,新方法的信噪比与均方误差均优于传统的阈值去噪方法。