一种检测视频中运动目标的新方法

现有的用于视频运动目标检测的鲁棒主成分分析方法通常将背景矩阵的秩函数松弛为核范数,导致求解低秩矩阵的奇异值收缩算子法的阈值恒定,从而背景恢复精度不高。为此提出由加权核范数和结构稀疏范数组成的新的损失函数并用交替方向乘子法进行优化。采用加权核范数作为矩阵的低秩约束,使得压缩阈值与相应奇异值的大小呈单调递减关系,从而大奇异值得以较小幅度压缩。使用结构稀疏范数作为前景稀疏约束,有效利用了前景运动目标的空间区域连续性的先验知识。实验结果表明,该方法在动态背景、阴影等复杂场景下均能取得较其他鲁棒主成分分析方法更好的效果。     

基于CNNCIFG-Attention模型的文本情感分类

神经网络在处理中文文本情感分类任务时,文本显著特征提取能力较弱,学习速率也相对缓慢.针对这一问题,文中提出一种基于注意力机制的混合网络模型.首先对文本语料进行预处理,利用传统的卷积神经网络对样本向量的局部信息进行特征提取,并将其输入耦合输入和遗忘门网络模型,用以学习前后词句之间的联系.随后,再加入注意力机制层,对深层次...     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别,提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段,为了更好保留信号的时频特征,引入崔-威廉斯变换将原始时间序列转换成时频图像,进而将调制信号分类问题转化成图像识别问题。在信号识别阶段,通过在卷积神经网络模型中引入残差密集块和全局平均池化层,以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明,所提方法可以有效解决梯度消失问题,具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下,表现更为优异,在信噪比为-4 dB时,8种信号的分类精度便可达到100%。     

基于卷积循环网络与非局部模块的语音增强方法

现有的深度神经网络语音增强方法忽视了相位谱学习的重要性,从而造成增强语音质量不理想。针对这一问题,文中提出了一种基于卷积循环网络与非局部模块的语音增强方法。通过设计一种编解码网络,将语音信号的时域表示作为编码端的输入进行深层特征提取,从而充分利用语音信号的幅值信息以及相位信息。在编码端和解码端的卷积层中加入非局部模块,在提取语音序列关键特征的同时,抑制无用特征,并引入门控循环单元网络捕捉语音序列间的时序相关性信息。在ST-CMDS中文语音数据集上实验结果表明,与未处理的含噪语音相比,使用文中方法生成的增强语音质量和可懂度平均提升了61%和7.93%。     

基于分级迭代变步长的自然梯度盲源分离算法

自然梯度算法是处理盲源分离问题的一个重要方法.自然梯度算法的分离速度与稳态性能之间存在矛盾,步长增大收敛速度加快,但是稳态误差随之增大.自适应变步长算法是解决收敛速度与稳态误差之间的矛盾的有效手段.基于原有自适应算法,提出了一种分级迭代变步长算法,更好地解决了算法存在的收敛速度与稳态误差的矛盾.仿真结果表明,该算法具有更快的分离速度和更好的稳态性能.     

基于信息增量特征选择的微表情识别方法

基于LBP-TOP、HOG-TOP、HIGO-TOP特征描述子的微表情识别方法通常提取到的特征向量维度较高,计算复杂度较大,运行时间较长,识别准确率较低。为此,提出一种基于信息增量(IG)特征选择的识别方法。运用IG特征选择方法对高维度特征向量进行降维,提高识别效率。运用支持向量机分类器的线性核、卡方核、直方图交叉核进行留一交叉验证,以完成分类任务。在SMIC和CASME2数据集上进行实验,结果表明,经IG选择后,特征向量在2个数据集上的识别准确率分别达到76.22%和73.68%,分类所需时间分别缩短为原方法的3.67%和3.64%,验证了该方法的有效性。     

第一性原理计算Al原子及空位掺杂6H-SiC的电子结构和磁性能

基于密度泛函理论的第一性原理,研究了6H-SiC的不同掺杂体系如碳空位(V_C)掺杂体系、硅空位(V_(Si))掺杂体系及(Al,V_(Si))共掺杂体系的电子结构和磁性。结果表明:单独的V_C或V_(Si)掺杂体系具有微弱的磁性,而(V_C,V_(Si))共掺杂体系呈现出强烈的磁性,其原因归结于V_C和V_(Si)之间强烈的耦合效应,致使碳原子附近的空位产生强烈的自旋极化。虽然在Al原子单独掺杂6H-SiC的体系中没有发现磁性,但是(Al, V_(Si))共掺杂体系具有明显的磁性,表明磁性并非源于Al原子的3p轨道,而是来源于C原子的2p轨道。研究结果为6H-SiC在稀磁半导体自旋电子器件上的潜在应用提供理论依据。     

基于多通道残差网络与注意力机制协作的调制分类

为了更加充分地提取调制信号特征,构建一种多通道残差网络与注意力机制协作的调制分类方法。首先设计一个各通道均不相同的多通道结构,确保提取的信号特征更加多样;其次,将每个通道提取的特征利用concatenate层进行融合,增强描述信号特征;之后,结合残差网络的优势,显著增加网络深度,捕获更具代表性的特征,同时缓解深层网络带来的梯度消失问题;最后,为了使提取的特征更加易于分类,引入注意力层,对提取特征重新校准,以捕获更加关键的特征,增加信号分类准确率。在公共数据集RadioML 2016.10 b上进行实验。仿真结果表明,该网络的分类性能优于许多文献中的分类器,当信噪比14 dB时,分类精度达到93.23%,证明了此网络的可行性与有效性。     

基于改进残差网络的心电信号识别分类算法研究

心电图(Electrocardiogram,ECG)心拍分类是心律失常诊断的重要步骤,为了准确检测心律失常类型,提出了一种利用改进的残差网络进行ECG分类的算法.首先使用CEEMDAN-改进小波阈值算法去除心电信号中的噪声,然后构建改进残差网络实现对ECG的分类,在该改进残差网络中,首先将传统深度残差网络中的卷积层、池化层替换成Inception模块,从而提取不同尺度的特征;然后设计了残差嵌套网络,实现了ECG信号不同层次的特征融合,最后采用Softmax分类器进行分类.将该模型在MIT-BIH数据库进行训练和验证,结果表明,所提出的网络模型具有较高的分类准确率.     

基于双通道卷积注意力网络的语音增强方法

传统的单通道网络模型因表征能力有限,无法充分提取语音深层特征,导致模型的语音增强效果不明显。鉴于此,提出一种双通道卷积注意力网络的语音增强方法。首先,使用卷积神经网络和长短时记忆网络构建并行的双通道学习模块,结合两种不同神经网络的优势,充分挖掘语音的深层特征;其次,在两个通道中分别添加注意力模块,依照关注度对通道的输出特征进行加权,达到强调有益信息的目的;最后,将两个通道的输出进行融合得到增强特征。结果表明,在低信噪比和非平稳噪声环境中,包含双通道结构和注意力模块的模型,其增强效果明显优于其他对比模型,有效提高了增强语音的质量和可懂度,验证了所提模型的可行性。