基于卷积神经网络多层特征提取的目标识别

目标识别一直是人工智能领域的热点问题. 为了提高目标识别的效率,提出了基于卷积神经网络多层特征提取的目标识别方法. 该方法将图像输入卷积神经网络进行训练,在网络的每个全连接层分别进行特征提取,将得到的特征依次输入到分类器,对输出结果进行比较. 选取经过修正线性单元relu函数激活的低层全连接层作为特征提取层,比选取高层全连接层特征提取的识别率高. 本文构建了办公用品数据集,实现了基于卷积神经网络多层特征提取的办公用品识别系统. 选择AlexNet卷积神经网络模型的relu6层作为特征选取层,选择最优训练图像数量和最优分类器构建系统,从而证明了该方法的可行性.     

基于虚拟现实技术的模拟机器人的实现

基于虚拟现实（Virtual Reality）技术构建出多关节可行走机器人的三维模型,通过VisualC＋＋和OpenGL编程,开发出人机界面友好、交互信息丰富、实时性强的虚拟机器人仿真平台。对物体绘制、场景变换、光照处理、材质渲染进行了详细设计,并实现了场景的任意移动与机器人的行走功能。     

基于Faster R-CNN的办公用品目标检测

RCNN网络与全卷积网络框架等技术使得目标检测技术能够快速发展。RCNN网络与全卷积网络框架不仅训练速度快，推断速度也十分的迅速，此外还具有良好的鲁棒性以及灵活性。在人工智能领域的发展中，提高目标检测效率的关键在于好的技术，以及得到更加有效的、深层的特征表示，通过使用深层网络的多层结构来简洁地表达复杂函数。本文用到的目标检测方法先要用区域建议网络得到建议位置再进行检测，因为Fast R-CNN和R-CNN等目标检测算法已经在运行时间方面有了很大的提高，所以计算区域建议成为目标检测的一个计算瓶颈。本文通过在算法中加入特征融合技术，将每一卷积层提取的特征进行融合，使用区域建议网络来进行候选区域提取。区域建议网络和检测网络共享全图的卷积特征，从而很大程度地缩短候选区域的提取时间，提高目标检测的精度。     

活体肝细胞磷31磁共振波谱数据分类

基于活体肝细胞的31P磁共振波谱图（31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS）对肝细胞数据进行诊断,分为3种类型：肝癌、肝硬化和正常肝。分别运用线性分类器和二次分类器对数据分类,并在分类前进行了特征抽取。线性分类器和二次分类器在“留一法”中对上述3种类型的分类准确率分别约为81.37%、77.75%、92.30%和95.27%、99.89%、99.70%。实验证明二次分类器相对于线性分类器,明显地提高了分类准确率。     

SVM在基因微阵列癌症数据分类中的应用

在总结二分类支持向量机应用的基础上,提出了利用t-验证方法和Wilcoxon验证方法进行特征选取,以支持向量机（SVM）为分类器,针对基因微阵列癌症数据进行分析的新方法,通过对白血病数据集和结肠癌数据集的分类实验,证明提出的方法不但识别率高,而且需要选取的特征子集小,分类速度快,提高了分类的准确性与分类速度。     

基于多重进化矩阵的蛋白质特征向量构造方法

特征向量的构造是蛋白质二级结构预测的一个关键问题. 现有的研究方法,通常只使用BLOSUM62进化矩阵生成PSSM矩阵,对蛋白质进化过程中存在的氨基酸残基突变现象缺乏考虑. 本文提出利用多重进化矩阵构造蛋白质特征向量,其融合了不同进化时间的PSSM矩阵,不仅能够很好地反映序列中氨基酸的位置信息,而且能够反映序列进化过程中氨基酸位点发生突变产生的影响. 本文通过组合不同进化程度的矩阵来构造特征向量,选用逻辑回归、随机森林和多分类支持向量机三种分类算法作为预测工具,利用网格搜索法和交叉实验法优化参数,在RS126、CB513和25PDB公用数据集上进行了若干组实验. 对比实验结果表明,本文所提出基于多重进化矩阵的蛋白质特征向量构造方法能够有效提高蛋白质二级结构的预测精度.     

关于高斯函数的小波性质的研究

本文基于小波理论框架，分析探讨了有关高斯函数的小波特性。根据多尺度微分算予理论和多分辨分析思想，证明了高斯函数构造了一个多分辨分析(MRA)，高斯函数的各阶导数均构成小波基函数。从滤波器组的角度，由高斯函数的导数构成的小波函数构造了低通滤波器的脉冲响应，也可视为一尺度函数。